近日，我院蒋慧琴老师和何清老师联合培养的研究生陈豪同学在计算机辅助诊断领域发表最新研究成果，相关研究成果以“AMA-GCN: Adaptive Multi-layer Aggregation Graph Convolutional Network for Disease Prediction”为题发表在中国计算机学会推荐国际学术会议A类（CCF-A）“International Joint Conference on Artificial Intelligence（IJCAI）”上。郑州大学为该论文的第一单位。研究工作得到了国家自然科学基金，CCF-腾讯开放基金及郑州市协同创新重大项目的资助。

    计算机辅助诊断是指应用生物学、遗传学、分子影像等现代高新技术，结合患者内外环境和临床大数据实现精确的、实时动态的诊断，其目的是为医生制定个性化的预防、诊疗方案提供可靠的诊断依据。近年来，随着计算机技术的日益成熟，利用人工智能技术提升计算机辅助诊断能力已经成为一种普遍的社会需要。

    迄今为止，已开发出各种策略来提升计算机辅助诊断的性能，包括提取复合信息、切分高精度医疗图像、设计多通道模型组合等。在这些策略中，研究者们将研究重心放在各种医疗影像上，然而在实际的医疗环境中，专业医师在进行疾病诊断时通常需要结合患者的临床信息进行综合分析。同时，许多病症的成像方式类似，单凭医疗影像难以满足诊断需求。因此，充分利用患者的医疗影像和非成像的表型信息来完成医疗诊断任务具有很高的研究价值。

    基于此，研究者设计了一个编码器来重构数据，该编码器通过分析表型数据分布，自主的选择出对诊断结果有正面影响的表型度量，并计算出对应的影响力得分。结合从医疗影像中提取到的图像特征，构建总体图，并将其作为文章中提出的AMA-GCN模型的输入。同时，引入多层聚合机制，在尽可能抑制“过度平滑”的同时挖掘深层信息。并提出了新的相似性损失函数来提升模型整体的鲁棒性。结果表明，与2020年所提出的SOTA相比，我们的方法在公开数据集ABIDE上的准确率提升了15.5%，而在私有数据集上也有着相当好的表现。该研究为基于多模态数据进行高精度的医疗诊断任务提供了新的思路。