HOI-Brain: a novel multi-channel transformers framework for brain disorder diagnosis by accurately extracting signed higher-order interactions from fMRI

📄 arXiv: 2507.20205v4 📥 PDF

作者: Dengyi Zhao, Zhiheng Zhou, Guiying Yan, Dongxiao Yu, Xingqin Qi

分类: q-bio.NC, cs.GR

发布日期: 2025-07-27 (更新: 2025-08-18)

💡 一句话要点

HOI-Brain：利用多通道Transformer框架，从fMRI中提取高阶交互用于脑部疾病诊断。

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction) 支柱八：物理动画 (Physics-based Animation)

关键词: 脑部疾病诊断 功能磁共振成像 高阶交互 单纯复形 持续同调 Transformer 多通道学习

📋 核心要点

  1. 现有基于图的深度学习模型主要关注成对或三元模式，忽略了有符号的高阶交互，限制了对全脑通信的全面理解。
  2. HOI-Brain框架利用时间导数乘法检测高阶交互，区分正负协同效应，并使用持续同调提取时空神经组织。
  3. 在阿尔茨海默病、帕金森综合征和自闭症谱系障碍数据集上的实验验证了HOI-Brain的优越性、有效性和可解释性。

📝 摘要（中文）

本文提出了一种名为HOI-Brain的新型计算框架，该框架利用功能磁共振成像(fMRI)数据中的有符号高阶交互和组织模式进行脑部疾病诊断。首先，引入基于时间导数乘法的共波动测量方法，以检测具有时间分辨率的高阶交互。然后，区分正向和负向协同交互，并将它们编码在有符号加权单纯复形中，以揭示大脑通信的深层信息。利用持续同调理论，对这些复形应用两种过滤过程，以时空方式提取有符号高维神经组织。最后，提出了一个多通道大脑Transformer来整合异构拓扑特征。在阿尔茨海默病、帕金森综合征和自闭症谱系障碍数据集上的实验表明，该框架具有优越性、有效性和可解释性。识别出的关键脑区和高阶模式与神经科学文献一致，提供了有意义的生物学见解。

🔬 方法详解

问题定义：现有基于图的深度学习模型在脑部疾病诊断中，主要关注脑区之间的成对或三元关系，忽略了更高阶的、带有正负号的交互模式。这种简化限制了对复杂脑部活动的全面理解，无法充分挖掘fMRI数据中蕴含的丰富信息。因此，如何准确捕捉和利用脑区之间的高阶交互模式，是提升脑部疾病诊断准确性和可解释性的关键挑战。

核心思路：HOI-Brain的核心思路是利用有符号加权单纯复形来表示脑区之间的高阶交互关系，并通过持续同调理论提取这些复形中的拓扑特征。通过区分正负协同效应，并结合多通道Transformer，HOI-Brain能够更全面地捕捉脑部活动模式，从而提升诊断性能。这种方法的设计旨在克服现有方法对高阶交互的忽略，并充分利用fMRI数据中的时空信息。

技术框架：HOI-Brain框架主要包含以下几个阶段： 1. 高阶交互检测：使用基于时间导数乘法的共波动测量方法，检测脑区之间具有时间分辨率的高阶交互。 2. 有符号加权单纯复形构建：区分正向和负向协同交互，并将它们编码在有符号加权单纯复形中。 3. 拓扑特征提取：利用持续同调理论，对单纯复形应用两种过滤过程，提取时空拓扑特征。 4. 多通道Transformer：使用多通道Transformer整合异构拓扑特征，用于最终的脑部疾病诊断。

关键创新：HOI-Brain的关键创新在于： 1. 引入了基于时间导数乘法的共波动测量方法，用于检测高阶交互。 2. 使用有符号加权单纯复形来表示脑区之间的高阶交互关系，并区分正负协同效应。 3. 提出了多通道Transformer，用于整合异构拓扑特征。与现有方法相比，HOI-Brain能够更全面地捕捉脑部活动模式，并提供更具生物学意义的解释。

关键设计： 1. 共波动测量：时间导数乘法的具体实现方式和参数选择，例如时间窗口大小等。 2. 单纯复形构建：如何根据共波动测量结果确定单纯复形的权重，以及如何处理正负协同效应。 3. 持续同调过滤：两种过滤过程的具体实现方式，以及如何选择合适的过滤参数。 4. 多通道Transformer：Transformer的网络结构、通道数量、注意力机制等。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，HOI-Brain在阿尔茨海默病、帕金森综合征和自闭症谱系障碍数据集上均取得了优于现有方法的性能。具体来说，HOI-Brain在诊断准确率、灵敏度和特异性等方面均有显著提升。此外，HOI-Brain识别出的关键脑区和高阶模式与神经科学文献一致，验证了该框架的有效性和可解释性。

🎯 应用场景

HOI-Brain框架在脑部疾病诊断领域具有广泛的应用前景。它可以用于辅助医生进行阿尔茨海默病、帕金森综合征和自闭症谱系障碍等疾病的早期诊断和风险评估。此外，该框架还可以用于研究脑部疾病的病理机制，为开发新的治疗方法提供理论依据。未来，HOI-Brain有望成为脑科学研究和临床应用的重要工具。

📄 摘要（原文）

Accurately characterizing higher-order interactions of brain regions and extracting interpretable organizational patterns from Functional Magnetic Resonance Imaging data is crucial for brain disease diagnosis. Current graph-based deep learning models primarily focus on pairwise or triadic patterns while neglecting signed higher-order interactions, limiting comprehensive understanding of brain-wide communication. We propose HOI-Brain, a novel computational framework leveraging signed higher-order interactions and organizational patterns in fMRI data for brain disease diagnosis. First, we introduce a co-fluctuation measure based on Multiplication of Temporal Derivatives to detect higher-order interactions with temporal resolution. We then distinguish positive and negative synergistic interactions, encoding them in signed weighted simplicial complexes to reveal brain communication insights. Using Persistent Homology theory, we apply two filtration processes to these complexes to extract signed higher-dimensional neural organizations spatiotemporally. Finally, we propose a multi-channel brain Transformer to integrate heterogeneous topological features. Experiments on Alzheimer' s disease, Parkinson' s syndrome, and autism spectrum disorder datasets demonstrate our framework' s superiority, effectiveness, and interpretability. The identified key brain regions and higher-order patterns align with neuroscience literature, providing meaningful biological insights.