자폐 스펙트럼 장애(ASD)는 복잡한 신경 발달 장애로, 증상과 신경학적 기반의 변동성으로 인해 조기 진단이 어렵다. 이 논문은 다중 모드 신경 영상 및 표현형 데이터를 활용하여 ASD의 분류 정확도를 높이기 위해 Chebyshev Spectral Graph Convolution과 Graph Attention Networks (GAT)를 통합한 Graph Convolutional Network (GCN) 모델을 제시한다. ABIDE I 데이터셋(휴식 상태 기능적 MRI, 구조적 MRI, 870명의 환자로부터 얻은 표현형 변수 포함)을 활용하여, 각 양식을 개별적으로 처리한 후 연결을 통해 병합하는 다중 분기 아키텍처를 사용한다. 사이트 기반 유사성을 사용하여 그래프 구조를 인코딩하여 개별 간의 관계 연결을 이해하는 데 도움을 주는 모집단 그래프를 생성한다. Chebyshev 다항식 필터는 낮은 계산 복잡성으로 국부적인 스펙트럼 학습을 제공하며, GAT 계층은 주변 정보의 attention-weighted 집계를 통해 노드 표현을 증가시킨다. 제안된 모델은 개별당 총 5,206개의 특징을 사용하여 계층화된 5겹 교차 검증을 사용하여 훈련되었다. 광범위한 실험 결과, 제안된 모델은 전체 데이터셋에서 74.82%의 테스트 정확도와 0.82의 AUC를 달성하여 기존 GCN, 오토인코더 기반 딥 뉴럴 네트워크, 다중 모드 CNN을 포함한 여러 최첨단 기준선을 능가했다.
