AREION：用于脑连接组图谱无关表征学习的基础模型

基于摘要分析。AREION 针对 fMRI 脑连接组模型依赖固定脑图谱、换用图谱后通常需要完整重训练的问题，提出图谱无关的基础模型，以统一脑区表征和可变长度连接序列建模支持不同分区分辨率与连接维度的输入。 核心机制包含两部分：Brain Region Contextualizing 根据脑区的空间、功能及形态特征，将不同图谱中的脑区与连接条目映射到统一表征空间；Hierarchical Brain Transformer Encoder 则将各脑区的连接特征作为可变长度 token 序列，在脑区上下文条件下联合建模局部功能结构和全脑功能组织，不预设固定脑区数量。摘要未提供上下文特征的具体获取方式、编码细节或层次结构实现。 训练方面，作者使用大规模、多图谱 fMRI 队列进行自监督预训练，并在多种下游任务上评估。作者报告，在所评估任务中，AREION 以显著更少的参数优于强监督基线及 fMRI 基础模型，并能够迁移到预训练时未见的图谱、泛化到外部数据集，同时具有脑区层面的可解释性。摘要未给出数据集名称、队列规模、具体任务、指标、参数量及划分协议，因此无法量化这些优势，也不能据此确认临床或 BCI 有效性。 复现与证据核对的重点是：多图谱数据如何构建，未见图谱与外部数据集如何划分，脑区上下文特征在迁移时如何获得，以及两项核心机制各自的贡献。自监督目标、实验协议、消融及统计信息尚未验证。该研究的主要对象是 fMRI 脑连接组表征，摘要未提供 EEG 或 BCI 验证，不应直接将跨图谱能力等同于跨通道、跨被试的神经信号解码能力。