摘要
自闭症谱系障碍(Autism Spectrum Disorder，ASD)是一种复杂的神经发育疾病，其治疗挑战在于疾病本身的复杂性和独特性。尽管目前还无法彻底治愈ASD，但通过早期诊断和干预治疗，可以提升患者的生活质量。传统的ASD识别方法主要基于行为观察、认知测试和神经影像学资料，但医学数据在共享时面临着隐私保护和数据安全等问题，这对基于大规模数据训练的深度学习模型开发提出了挑战。近年来，联邦学习已被证明能在医学成像、疾病预测和药物开发等领域实现了有效的模型训练。目前，已有研究成功实现了差分隐私、加密推理等隐私保护技术，只传输模型参数而不交换数据本身的协作训练模型来解决本地数据管理和隐私保护问题，从而使临床数据不必集中存储。 本文深入探讨了ASD自动识别任务，在多中心分布式学习框架的背景下，使用联邦学习技术开发深度学习模型。采用ASD患者的神经影像数据特性，同时结合其个人特征数据，提出了一种多模态融合的ASD识别算法。此外，通过对联邦学习算法的进一步优化，引入了双分支神经网络，旨在提高识别精准度和模型的泛化能力。本文的主要工作包括： 第一，利用联邦学习算法提出了一个融合多模态数据的深度学习网络，对功能性磁共振成像(functional magnetic resonance imaging，fMRI)的多种脑图谱特征及患者个体特征进行分析。该网络通过超图技术融合不同数据模态，以捕获模态间的互补性和相关性，从而实现更高的识别性能。本文提出的方法在曲线下面积(AUC)和准确率方面，分别达到了71.10%和73.52%，超越了现有的所有本地模型和基线模型。 第二，针对fMRI时空特性，提出一种双分支神经网络模型，对fMRI数据潜在的时序结构和空间特性深入挖掘，以增强模型在ASD自动识别任务上的鲁棒性和泛化能力。使用联邦学习算法进行多中心协同训练，并对其本地模型更新和全局模型聚合两个步骤进行优化。本方法提升了分类模型的整体性能，实现了95.20%的AUC。
NETL