基于亲和学习的脑功能表征用于疾病诊断

该研究针对静息态 fMRI（rs-fMRI）功能连接（FC）难以充分刻画脑区间复杂功能关系的问题，提出基于 affinity learning 的脑功能表征框架，并将其用于下游脑疾病诊断。基于摘要分析，未取得论文全文。 方法上，作者从信号中随机采样 patches，经编码得到脑区嵌入，再通过 affinity encoder 与信号重建 decoder 学习任意两个脑区之间的功能表征；框架还引入 LLM 监督，以融入既有脑功能知识。其核心思路是从数据中学习区域间关系，而非仅依赖 Pearson correlation 所描述的线性统计依赖。摘要提及预训练模型，但预训练数据、目标、模型结构，以及 LLM 监督的来源与注入方式尚未验证。 作者报告，在两个数据集的下游脑疾病诊断任务中，所学表征体现出有效性与泛化能力。摘要未提供数据集名称、疾病类别、样本规模、划分方式、对照方法或定量指标，因此尚不能判断其跨被试或跨数据集泛化能力，也不能量化相较传统 FC 的收益。实验协议、消融及统计信息尚未验证。摘要提供了代码仓库，但实现与复现条件尚未核验。 研究的主要对象是 rs-fMRI 连接组学与疾病诊断，并非 EEG 解码或 BCI。平台推测（待验证）：可学习脑区关系并以信号重建约束表征的机制，可能为 EEG 通道间关系建模提供参考，但需改造输入编码与空间先验，并处理通道不等同于脑区、体积传导、低信噪比及小样本过拟合等风险。一个可检验的小实验是在固定 Cross-subject 划分下，对比 Pearson correlation 与学习式关系表征，并单独检验重建约束的贡献；这不属于原文已验证结果，已有 EEG 相关工作尚未检索确认。