arXiv 2026年9月25日该工作提出脑层级组织学习框架 BrainHO，用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区，并配合子图正交约束与层级一致性约束，在 ABIDE（N=1009，516 例 ASD/493 例健康对照）与 REST-meta-MDD（N=2380，1276 例 MDD/1104 例健康对照）上仅使用静态 PCC 连接矩阵即取得最高准确率（69.68% 与 64.71%）与最高敏感度（73.11% 与 67.43%），同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。该工作提出脑层级组织学习框架 BrainHO，用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区，并配合子图正交约束与层级一致性约束，在 ABIDE（N=1009，516 例 ASD/493 例健康对照）与 REST-meta-MDD（N=2380，1276 例 MDD/1104 例健康对照）上仅使用静态 PCC 连接矩阵即取得最高准确率（69.68% 与 64.71%）与最高敏感度（73.11% 与 67.43%），同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。BrainHO 用可学习子图取代固定脑图谱，在 ABIDE 上以仅 PCC 输入取得 69.68% 准确率并定位跨网络疾病子网该工作提出脑层级组织学习框架 BrainHO，用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区，并配合子图正交约束与层级一致性约束，在 ABIDE（N=1009，516 例 ASD/493 例健康对照）与 REST-meta-MDD（N=2380，1276 例 MDD/1104 例健康对照）上仅使用静态 PCC 连接矩阵即取得最高准确率（69.68% 与 64.71%）与最高敏感度（73.11% 与 67.43%），同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。该工作提出脑层级组织学习框架 BrainHO，用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区，并配合子图正交约束与层级一致性约束，在 ABIDE（N=1009，516 例 ASD/493 例健康对照）与 REST-meta-MDD（N=2380，1276 例 MDD/1104 例健康对照）上仅使用静态 PCC 连接矩阵即取得最高准确率（69.68% 与 64.71%）与最高敏感度（73.11% 与 67.43%），同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。