面向脑疾病检测的上下文条件化异常子图表征学习

基于摘要分析。该研究面向脑网络的疾病检测与异常子网络定位，提出 CCA-SRL：不只进行全图分类或依赖动态功能连接序列，而是依据局部子网络在特定功能上下文中的规律性构建异常表征，再将局部异常信号传播至全脑。 作者认为，健康脑中局部子网络受到其功能上下文约束的组织规律，在神经精神障碍中仍大体保留，疾病相关变化主要体现为这一规律具体实现中的细微扰动。方法包含上下文条件化异常子图表征构建模块、角色感知脑子网络引导编码器，以及异常引导的有符号脑图网络，分别用于定位异常子网络、编码多模态偏离方向和传播子图级信号。摘要未说明“上下文”“角色”及“多模态”的具体定义，也未提供图构建、训练目标或推理流程，尚不能据此还原实现。 理论方面，作者报告通过总变差正则化残差场建立了受控假阳性界、异常可检测条件及区域恢复保证；区分正常与异常脑的结论以局部子网络存在足够强的条件表征偏移为前提。这些保证的具体假设及其与真实数据的适配程度尚未验证。 实验方面，作者报告在 ADHD-200、OpenNeuro-ds002424 和 ABIDE-II 三个公开数据集上优于 13 个基线，并称达到新的最优性能。摘要未提供具体指标、分数、样本规模、数据划分或基线配置，因此该优势的幅度、跨被试泛化能力与异常定位的验证方式均尚未验证；实验协议、消融及统计信息也尚未验证。 原研究对象是脑网络疾病检测，不能据此认定其已验证 EEG 或 BCI 效果。当前材料未明确输入信号模态及建图细节，不宜直接给出 EEG 迁移或复现实验方案。