PARK-GNN挑战赛：用图神经网络检测帕金森病的开源竞赛

PARK-GNN挑战赛是面向图神经网络学习者的迷你竞赛，将帕金森病语音检测任务建模为图节点分类问题，帮助参与者掌握GNN核心概念与最佳实践。竞赛基于UCI帕金森数据集，采用DGL框架，通过GitHub原生工作流开展，兼具教育价值与开源社区属性。

帕金森病早期诊断对延缓病情至关重要，传统机器学习方法将语音样本视为独立数据点，忽略患者间潜在关联。PARK-GNN创新性地将任务重构为图学习任务：节点代表单个语音录音或患者，边编码患者间相似性或共享主体级信息，节点特征包含抖动、闪烁、谐波比等声学测量指标，利用关系信息捕捉传统表格方法遗漏的复杂模式。

竞赛使用经典UCI帕金森数据集，原始数据特征包括基频测量（如MDVP:Fo）、抖动变异（如MDVP:Jitter）、闪烁变异（如MDVP:Shimmer）、谐波噪声比（NHR、HHR）、非线性测量（RPDE、DFA等）。图结构构建：节点数195个语音录音（来自31名受试者：23名PD患者，8名健康对照），边采用K近邻（k=5）+同一受试者录音连接策略；训练集156个节点（80%），测试集39个节点（20%，标签隐藏），通过受试者内连接扩充训练信号解决小样本问题。

竞赛采用GitHub原生工作流：1. Fork官方仓库；2. 本地训练模型生成预测；3. 加密提交文件；4. Pull Request上传；5. GitHub Actions自动解密评分更新排行榜。评估指标为Macro F1-Score，计算公式为(F1_健康 + F1_帕金森)/2，选择原因是类别不平衡（23:8患者比例），给予两类同等权重。基线GCN模型预期F1分数约0.72-0.78。

基础路线：从GCN基线开始，尝试不同隐藏层维度（32、64、128）、调整网络深度（2-4层）、添加Dropout正则化（0.3-0.5）、使用交叉验证评估稳定性。进阶优化：实验KNN图k值（3、5、7、10）、基于相似度添加边权重、尝试GAT机制、引入残差连接缓解过平滑、处理类别不平衡（加权损失、过采样）、模型集成提升鲁棒性、探索GraphSAGE/GIN等架构。需注意过拟合、过平滑、数据泄漏三大陷阱。

竞赛设计与DGL官方教程1.1-4.6章节紧密对应，覆盖从表格数据构建图结构、消息传递神经网络原理、图注意力机制、大图采样方法、GNN节点分类任务等内容。作为图神经网络课程的完美实践项目，参与者可巩固理论知识，体验完整机器学习工程流程（数据预处理、模型开发、超参数调优、结果提交、排行榜竞争）。

项目采用MIT许可证，数据集遵循CC BY 4.0协议，支持学术和商业自由使用。社区支持渠道包括GitHub Issues（Bug报告）、GitHub Discussions（问答交流）和邮件联系。实时更新的排行榜提供即时反馈，提升学习动力与参与感。

竞赛README明确医疗AI伦理考量：模型输出仅供研究参考，不能替代专业医疗诊断；语音数据涉及个人健康信息，需遵守隐私保护法规；警惕算法偏见导致系统性误诊；临床部署前需经过严格监管审批流程，培养负责任AI意识。