BrainSTR 用时空对比学习建模动态脑网络，在 ASD、BD、MDD 上验证并给出与既往神经影像发现一致的关键相位与子网络
核心概要
该工作提出 BrainSTR 时空对比学习框架，通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接，再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量，从而构建结构良好的语义空间；在 ASD、BD、MDD 上的实验验证了其有效性，所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。
Fig. 1. Overview of the proposed BrainSTR framework. Given a subject’s BOLD signal X ∈RT ×N, where T and N denote the numbers of time points and ROIs, respectively, Adaptive Phase Partition (APP) infers state-consistent phase boundaries to construct phase-wise FCs {At}W
· 第 3 页深度剖析
BrainSTR 将动态脑网络建模拆解为相位划分、关键相位识别与相位内连接提取三个环节，并给出可解释的时空定位能力。 既有动态功能连接工作多关注整体诊断性能，而该框架显式针对“何时出现判别性疾病的特征”与“这些特征位于连接拓扑何处”这两个时空可解释性问题进行设计。 摘要层面描述了自适应相位划分模块、注意力机制与增量图结构生成器的组合，并在 ASD、BD、MDD 三类数据集上报告了实验验证；具体指标与样本规模未在摘要中给出。
增量图结构生成器通过二值化、时间平滑与稀疏三类正则化约束，在每一相位内提取疾病相关连接。 该设计针对诊断信号在时间与拓扑上“subtle and sparsely distributed”以及非诊断连接普遍存在的困难，用正则化把提取结果约束为稀疏且时间连贯的结构。 摘要明确列出三类正则化项及其作用对象，属于方法层面的设计说明；其相对基线方法的增益幅度未在摘要中量化。
时空监督对比学习利用诊断相关的时空模式细化样本间相似度度量，以捕获更具判别性的时空特征并构建结构良好的语义空间。 与常规对比学习不同，这里把诊断相关的时空模式作为监督信号注入相似度度量，使表示空间同时服务于判别与可解释两个目标。 摘要给出该模块的动机与目标，并称其在 ASD、BD、MDD 上验证有效；消融与对比实验的具体数值未在摘要中呈现。
所发现的关键相位与子网络与既往神经影像发现一致，为模型输出提供了可解释性佐证。 该结果把模型内部选择的时间相位与连接子网络同已有神经影像文献对齐，而不只是报告分类准确率。 摘要以“consistent with prior neuroimaging findings”表述一致性，属于定性对照；具体涉及的脑区、相位或文献未在摘要中列出。
启示与展望
该工作面向需要时空可解释性的动态脑网络分析场景，适用于已有动态功能连接数据并希望定位判别性相位与子网络的研究者与临床影像研究方向。它使后续工作可以在此基础上检验关键相位是否稳定、子网络是否可复现，并可将相位划分与稀疏图提取的思路用于其他动态图或时序信号建模任务。
摘要未给出具体评价指标、样本规模、基线对比与消融结果，因此难以从摘要判断各模块的相对贡献；关键相位与子网络“与既往神经影像发现一致”的具体对应关系也未在摘要中列出。此外，本次可获取的文本为摘要与页面导航信息，正文中的图表与实验细节未包含在内，若需评估实证强度仍需查阅原文。