HOI-Brain: fMRI から符号付けされた高階相互作用を正確に抽出して診断するための、革新的なマルチチャンネルトランスフォーマーフレームワーク

arXiv:2507.20205v5 Announce Type: replace-cross 摘要: 脳領域の高階相互作用を正確に特徴づけ、機能的磁気共鳴画像法（fMRI）データから解釈可能な組織的パターンを抽出することは、脳疾患診断において不可欠です。現在のグラフベースの深層学習モデルは、主に双極または三極のパターンに焦点を当てており、符号付けされた高階相互作用を考慮していません。これにより、脳の全体的な通信の包括的な理解が制限されています。我々は、fMRI データの符号付けされた高階相互作用と組織的パターンを活用した脳疾患診断のための革新的な計算フレームワーク、HOI-Brain を提案します。まず、時分解解能で高階相互作用を検出するために、時微分の積に基づく共変動測定を導入します。次に、我々は正のシナジー相互作用と負のシナジー相互作用を区別し、符号付けされたウェイト付き単純複合体にエンコードすることで、脳通信に関する知見を明らかにします。恒常ホモロジー理論を用いて、これらの複合体に 2 つのフィルトレーションプロセスを適用し、符号付けされた高次元の神経組織を時空間的に抽出します。最後に、異質なトポロジカル特徴を統合するためのマルチチャンネル脳トランスフォーマーを提案します。アルツハイマー病、パーキンソン症候群、自閉症スペクトラム障害のデータセットにおける実験は、我々のフレームワークの優位性、有効性、解釈性を示唆しました。特定された主要な脳領域と高階パターンは神経科学の文献と一致し、意味のある生物学的知見を提供しました。

arXiv:2507.20205v5 Announce Type: replace-cross Abstract: 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.