利用脑模块性先验进行可解释的 fMRI 表征学习

基于摘要分析。该研究针对静息态 fMRI（rs-fMRI）学习表征缺乏生物学可解释性、未充分利用脑功能模块结构的问题，提出脑模块性约束的动态表征学习框架，用于脑疾病分析及候选生物标志物识别。 框架包括动态图构建、基于模块性约束图神经网络（MGNN）的动态图学习，以及预测与生物标志物检测。MGNN 引入显著性网络、中央执行网络和默认模式网络这三个核心神经认知模块作为先验，鼓励同一模块内的脑感兴趣区（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，以增强所学特征的判别能力。其方法特点是同时利用功能模块归属与输入图结构约束表征，而非仅从数据中学习预测特征；具体约束形式、权重及动态图构建方式尚未验证。 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，实验支持该方法的有效性。摘要未提供数据集名称、具体预测任务、数据划分、对照基线或量化指标，因此不能据此判断跨被试或跨数据集泛化能力，也不能量化相对改进。实验协议、消融及统计信息尚未验证。 作者将识别出的判别性脑 ROIs 和功能连接视为可能辅助临床诊断的候选 fMRI 生物标志物；这不等同于已完成临床诊断验证。阅读全文时需核对模块先验的来源及适用范围、各约束的独立贡献，以及候选标志物的稳定性与外部验证。该研究的主要对象是 rs-fMRI 脑疾病分析，摘要不构成 EEG 或 BCI 有效性的证据。