脑连接组分类不再靠结构传播：900人合成队列里，去掉传播后准确率几乎不变
核心概要
脑连接组的多模态分析通常把结构连接当作传播通道、功能连接当作被传播的信号。这套 Wasserstein Weisfeiler-Lehman 核把每个受试者表示成一张带连续节点属性的加权图，再用最优传输比较受试者之间的点云。在900名受试者的合成队列上，该核取得0.651±0.028的平衡准确率，显著高于原始特征SVM和直方图WL核；但把传播算子换成恒等算子后结果几乎不变，说明判别信息主要来自功能属性的Wasserstein表示。
深度剖析
脑连接组的多模态信息现在可以放进同一张图里比较，而不必先构造结构层与功能层之间的外部耦合权重。 此前的多层网络做法把结构连接组和功能连接组当作两个独立层，两层之间的相互作用由额外估计的层间权重来中介。 在900名受试者、按年龄排序的CN/MCI/AD三组合成队列上，该核在嵌套交叉验证下取得0.651±0.028的平衡准确率，显著优于原始特征SVM和直方图WL核基线。
每个受试者被写成一张加权图：扩散张量成像的纤维束给出带权边，静息态功能连接的相关剖面作为每个脑区的连续属性。 Weisfeiler-Lehman 式传播沿结构边反复对邻域属性取加权平均，把每个脑区的功能剖面逐跳地放到解剖邻域中重新表达。 传播若干跳后，各跳的特征矩阵拼接成点云，受试者之间用带欧氏地面度量的 L1-Wasserstein 距离比较，再经指数核得到核矩阵；该设置下每对受试者的精确 W1 计算约需1.6毫秒。
判别增益主要来自 Wasserstein 点云表示，而不是结构传播本身。 把传播算子替换为恒等算子、完全去掉结构传播后，分类性能与局部、分数阶 WWL 基本一致；而只用结构、不含功能输入的对照则接近随机水平。 恒等传播对照的平衡准确率为0.653±0.029，局部 WWL 为0.651±0.028，分数阶 WWL 为0.654±0.028，结构单模态对照为0.316±0.023，随机水平为0.333。
启示与展望
结论建立在受控合成队列上：900名受试者由六个独立随机种子的结构模板生成，功能信号是按年龄渐进丧失静息态网络分离度的预设模型，临床变量也由生成模型给出。作者提出下一步应构造空间支撑受控的功能扰动，例如把网络分离度信号集中到选定的静息态网络内，以直接检验信号空间尺度能否预测局部与分数阶传播的相对表现。
作者说明，非局部传播有益于弥散全脑信号、却削弱网络分离度信号对应关系这一解释，只是受控基准提示的假设，而非已证明的一般性质；生物标志物关联部分源于合成队列的生成方式，应视为表示可提供的读出演示，而非临床有效性证据。所有实验均在合成队列上完成，作者明确要求用独立真实神经影像数据验证后才能判断这些行为是否外推。