利用脑模块化先验进行可解释的 fMRI 表征学习

基于摘要分析。本文针对静息态 fMRI（rs-fMRI）学习表征缺乏生物学可解释性的问题，提出 Brain Modularity-constrained dynamic Representation learning（BMR）框架，将脑功能网络的模块化先验融入动态图学习，用于脑疾病相关预测及候选标志物识别，而非直接研究 BCI 解码。 框架包含动态图构建、基于模块化约束图神经网络（MGNN）的动态图学习，以及预测与标志物检测三个部分。其核心机制是显式引入 salience network、central executive network 和 default mode network 三个神经认知模块，鼓励同一模块内的脑区感兴趣区域（ROIs）具有相似表征；同时通过图拓扑重建约束保留输入图的网络拓扑，旨在增强表征的判别能力。摘要未提供动态图构建方式、约束的具体损失形式或模块归属的确定方法。 作者报告，在来自两个数据集、共 534 名具有 rs-fMRI 扫描的被试上，实验支持所提方法的有效性；但摘要未给出数据集名称、预测任务、被试划分、对照基线及具体指标，因而无法判断效果幅度或跨数据集泛化能力。作者将识别出的判别性 ROIs 和功能连接视为可能辅助临床诊断的 fMRI 标志物，这不等同于已完成临床验证。 阅读与复现时需重点核对模块先验及拓扑重建各自的贡献、候选标志物的稳定性，以及解释性证据与预测性能之间的关系。实验协议、消融及统计信息尚未验证；代码可用性与完整复现条件也尚未验证。