重新审视用于脑疾病的图神经网络：神经科学启发的视角

基于摘要分析。本文研究利用 EEG、fNIRS 等多通道神经信号识别脑疾病，提出神经科学启发、路径敏感的框架 CPHU，旨在同时建模信号的有向传播路径并统一不同脑网络层级的语义表示。主要研究对象是脑疾病诊断，而非 BCI 控制任务。 作者认为，现有 GNN 方法存在两类问题：一是对传播路径不敏感，难以捕捉神经信号的有向传播及相关因果机制；二是多尺度建模中的消息传递冲突，妨碍脑区与全脑网络表示的语义统一，并造成特征融合不稳定。这些是作者提出的问题定位，摘要尚不足以核实其适用范围。 CPHU 包含两个核心模块。Causal Path Signal Encoding（CPSE）通过预定义与可学习的传播算子提取路径感知的节点表示；Hierarchical Brain Semantic Unification（HBSU）对齐脑区内部图、全局图及融合图的语义特征，以缓解消息传递冲突。摘要未披露图构建方式、传播算子的具体形式、语义对齐目标及训练损失；模块名称中的“Causal”也不能单独作为已识别真实神经因果关系的证据。 作者报告，广泛实验支持 CPHU 在脑疾病诊断中的有效性与优越性，但所给材料未列出疾病类别、数据集、被试数、评估指标、对照基线或被试内、跨被试等划分协议，因此无法核对增益大小及泛化范围。实验协议、消融及统计信息尚未验证。作者提供了代码入口，但实现内容、依赖环境及复现完整性尚未核查。 复现时值得优先核对：预定义路径的来源与生理依据、可学习传播是否具有稳定的方向性解释、层级语义对齐相对单尺度建模的独立贡献，以及不同数据划分下的诊断表现。本文已直接涉及 EEG，无需将其包装为跨领域迁移成果；其对 BCI 任务的有效性仍未得到所给材料支持。