用于 ADHD 诊断中多模态 EEG-fMRI 学习的跨模态掩码连接组 Transformer

基于摘要分析。该研究针对 ADHD 诊断中 EEG 与 fMRI 静态功能连接因信号机制不同而难以直接对齐的问题，提出 Cross-Modal Masked Connectome Transformer（CM-MCT），通过 ROI 级连接谱的模态内与跨模态掩码恢复，学习互补的网络级信息并进行诊断预测。 方法不强制单条连接在两种模态间直接对应，而将 Desikan-Killiany 68-region cortical atlas（DK-68）中每个 ROI 的连接谱作为一个 token。模型包含模态专属 Transformer 编码器、跨模态掩码连接组目标，以及用于诊断预测的双向交叉注意力融合模块。其方法价值在于把对齐单位从单条连接转向区域连接模式；具体损失形式、掩码策略及训练流程尚未验证。 作者报告，在 210 名具有配对 EEG-fMRI 数据的 HBN 被试上，采用重复五乘五分层评估，Accuracy 为 89.7%（95% 置信区间：85.7%–93.3%），AUC 为 94.3%（95% 置信区间：91.5%–96.8%）。在数据划分、预处理、验证与模型选择规则匹配的比较中，作者报告 CM-MCT 的平均表现最高，但与最强基线的 AUC 差异在多重比较校正后未达统计显著。摘要不足以进一步确认五乘五评估的具体组织方式、划分单位及置信区间计算方法。 解释分析采用交叉拟合的掩码扰动，考察 ROI 级模型依赖，并评估其与节点强度及扰动幅度的关联。作者报告这些关联较弱；所得热图仅刻画模型对不同模态 ROI 信息的敏感性，不构成因果证据，也不能认定为 ADHD 生物标志物。 复现时需核对连接谱构建、EEG 与 fMRI 的 ROI 映射、预处理拟合范围、配对数据筛选、模型选择与统计检验流程；完整实验协议、消融及统计信息尚未验证。该研究属于多模态神经影像诊断方法，摘要未验证其在 BCI 任务中的效果。