近日，我院2024级研究生刘宇航完成的论文MF-HGNN:A multi-view fusion heterogeneous graph neural network for psychiatric disorder diagnosis在国际期刊Biomedical Signal Processing and Control（中国科学院二区，2026年影响因子5.65）正式发表。该论文提出一种多视图融合异构图神经网络MF-HGNN，针对基于静息态功能磁共振（rs-fMRI）的精神疾病诊断中，现有图模型特征利用不充分、多站点数据异质性突出、模型可解释性弱等行业难题提出系统性改进方案，并在两大公开精神疾病数据集上完成充分验证。
近年来，依托图神经网络开展脑网络分析，为精神疾病快速、精准诊断提供了新路径，但现有方法仍存在明显短板。当前主流模型分为个体图模型与群体图模型两类：个体图模型虽可定位疾病相关异常脑区，却无法有效挖掘血氧水平依赖信号的短时动态变化信息；群体图模型能够融合影像与非影像数据开展分析，但普遍忽略不同检测设备、实验环境带来的站点异质性问题，最终导致诊断准确率偏低，同时模型可解释性不足，难以落地临床应用。针对上述痛点，本研究构建端到端的多视图融合异构图神经网络，分两大阶段完成精神疾病智能诊断。第一阶段从拓扑、时空双视角提取个体脑部特征，创新设计近邻-远距双池化方法挖掘潜在疾病生物标志物；第二阶段融合影像、表型等多源数据构建反映站点差异的异质群体图，搭配异构图分层卷积模块，提取站点内部与跨站点邻域的互补特征，实现自闭症、重度抑郁症等精神疾病的全局分类。该模型打通了个体层级与群体层级的建模壁垒，兼顾动态时空特征、静态拓扑特征的融合，同时通过跨图注意力卷积模块整合站点内外信息，全方位提升模型诊断能力与特征表达效果。实验结果显示，该模型在多组实验中实现了诊断性能的全面跃升，体现了多视图融合异构图网络在精神疾病脑影像诊断研究中的重要价值，为后续优化脑网络分析算法、提升精神疾病智能诊断精度提供了参考方向。
本研究由成都大学计算机学院2024级计算机技术专业研究生刘宇航同学作为第一作者完成，黄荣兵（导师）担任通讯作者。
文章链接：https://doi.org/10.1016/j.bspc.2026.110628
