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

提出 BrainHO，用可学习子图 token 按节点特征亲和度动态聚合脑区，替代 Yeo7、Smith10 等预定义功能图谱的硬性划分，从而捕捉被固定图谱割裂的跨网络交互。 此前 Com-TF、CAGT、DHGFormer 等方法依赖预定义子网并独立建模子网内与子网间关系，隐含假设子网之间存在严格功能边界；本文改为从内在特征学习层级组织，不再依赖预定义子网标签。 论文以 ABIDE 上脑区间的平均 Pearson 相关展示跨预定义子网的强交互，并举例说明 Frontal_Inf_Oper_L 与 Temporal_Sup_L 在 Yeo7 中被硬编码进 VAN 与 SMN 两个不同社区，作为固定图谱无法捕捉该交互的具体依据。

设计层级注意力机制，在节点、子图、图三个层级自底向上聚合信息，其中节点到子图阶段使用 Sparsemax 产生稀疏注意力以筛选噪声并形成可解释子网，子图到图阶段用 Softmax 密集聚合子图信息。 与标准 Transformer 的扁平注意力不同，该机制显式引入可学习子图 token 与全局图 token 作为中间层级；消融中 Baseline 与 w/o HA 变体仅得 61.55% 与 61.74% 准确率，低于完整模型。 方法以公式给出节点到子图与子图到图的注意力计算，并在 ABIDE 上通过 Baseline 与 w/o HA 两组消融对照支持层级注意力的作用。

引入子图正交约束与层级一致性约束：前者对 L2 归一化子图 token 的余弦相似度矩阵施加交叉熵损失以鼓励子网多样、非冗余，后者让聚合后的图 token 作为教师、节点级辅助分类头作为学生，通过 KL 散度对齐全局语义与局部节点表示。 这两项约束针对可学习子图可能出现的冗余与特征塌缩问题，以及局部节点特征缺乏高层语义引导的问题，是相对既有预定义图谱方法新增的正则化设计。 消融显示移除正交约束后准确率降至 65.61%，移除辅助监督 Laux 降至 67.20%，移除一致性约束 Lhc 降至 68.89%，均低于完整模型，构成对两项约束贡献的对照证据。

在 ABIDE 与 REST-meta-MDD 上取得最高准确率与敏感度，并可视化出兼具功能一致性与跨网络性的疾病相关子网。 BrainHO 仅使用静态 PCC 连接矩阵，而 ALTER、DHGFormer、LHDFormer 等方法额外引入原始 BOLD 时序输入；在 REST-meta-MDD 上 LHDFormer 的 AUC 略高，但 BrainHO 的准确率与敏感度最高。 结果基于 5 折分层交叉验证并报告均值与标准差；可解释性方面，MDD 的第 7 号子网与 ASD 的第 5 号子网分别与 SMN、DAN 重合 66.7% 与 68.4% 的节点，ASD 第 6 号子网包含 Fusiform_L、Amygdala_R 等节点，MDD 第 1 号子网包含 Hippocampus 与 Cingulum_Ant。

该框架面向以 fMRI 导出的静态 PCC 连接矩阵为输入的脑疾病分类场景，在 ABIDE 与 REST-meta-MDD 两个公开数据集上以 5 折分层交叉验证评估，适用于希望在不引入原始 BOLD 时序输入的前提下进行 ASD 与 MDD 判别与子网定位的研究者。其可解释性输出以注意力权重映射到预定义功能网络与 AAL116 名称为呈现方式，便于后续围绕跨网络异常开展机制性研究。

论文报告的是单一研究在两个数据集上的交叉验证结果，尚不构成临床共识；跨网络子网与疾病标签之间的关联来自注意力权重的可视化解读，其稳定性有待更多独立数据检验。此外，正文以文字描述图 1 与图 3 的内容，具体子网映射矩阵与节点级细节需结合原图查看，仅凭文字难以完整复现可视化结论。