Neuro-CXG：基于因果推断和可解释AI的脑疾病分类图神经网络框架

Neuro-CXG是开源Python框架，结合图神经网络（GNN）、因果推断和可解释AI技术，分析fMRI/DTI脑成像数据实现脑疾病智能分类与诊断辅助。项目采用Apache 2.0许可证，由GitHub用户Nidszxh开发，为神经科学研究和临床诊断提供工具支持。

传统脑疾病分类存在三大局限：基于体素的方法忽略脑区连接；特征工程依赖专家手工设计；深度学习黑盒模型缺乏可解释性。大脑是复杂网络结构，GNN天然适合建模脑区连接（节点=脑区、边=连接强度）；因果推断可区分脑区因果关系与混杂因素；可解释AI提供特征重要性等，增强临床可信度。

框架包含三模块： 1.数据预处理：支持fMRI（时间序列提取、功能连接矩阵）和DTI（纤维束追踪、结构连接矩阵）处理； 2.GNN模型：实现GCN（谱图卷积）、GAT（注意力机制）及因果GNN（因果发现、干预模拟、反事实推理）； 3.可解释模块：集成Grad-CAM for Graphs、注意力可视化、SHAP值分析、因果效应估计。

应用场景： -阿尔茨海默病：从fMRI提取功能连接特征，识别早期异常脑网络； -精神分裂症：分析患者与对照组连接差异，辅助疗效评估； -自闭症：发现脑网络小世界属性变化，支持个性化干预； -脑肿瘤：结合DTI追踪纤维束，评估肿瘤对网络影响，辅助手术规划。

科研价值：提供标准化GNN框架，推动因果推断与脑网络结合及可解释AI在神经科学应用； 临床潜力：辅助医生诊断、识别药物靶点、支持精准医疗； 开源贡献：降低入门门槛，促进学术工业合作，为算法创新提供平台。

参与方式： 1.安装：pip安装或克隆GitHub仓库； 2.贡献：提交PR改进算法/添加功能； 3.反馈：Issue系统报告Bug或建议； 4.分享：贡献使用案例和教程。

Neuro-CXG代表AI在神经科学前沿应用，融合三大技术为脑疾病分类提供可信工具。随数据积累和计算能力提升，此类框架将在精准神经医学中发挥更重要作用，建议相关研究者深入探索。