KD-Brain 用语义先验与临床一致性约束引导子网络交互建模，在 ASD、BD、MDD 诊断上超过 12 个基线并给出可解释功能通路
核心概要
该工作提出 KD-Brain，一个先验知识引导的图学习框架，通过将疾病特异的语义先验注入注意力 Query（Semantic-Conditioned Interaction）并用基于 KL 散度的 Pathology-Consistent Constraint 对齐学习到的子网络交互分布与临床先验，在 ABIDE（NYU）ASD 任务和单中心 BD、MDD 任务上取得优于 12 个基线的表现，并输出与精神病病理生理学一致的功能通路与关键脑区。
Fig. 1. Illustration of the KD-Brain.
· 第 3 页深度剖析
KD-Brain 将脑网络建模为异构图，用双向卷积空间编码器提取子网络级拓扑嵌入，再以 Transformer 注意力学习子网络间交互，并把交互强度分布作为可解释的读出。 相比只在固定结构内做局部拓扑拟合的 GNN 方法（如 HeBrainGNN、MVS-GCN）和注意力无引导的 Transformer 方法（如 BNT、Com-BrainTF、CAGT），该工作显式建模子网络之间的高阶交互。 在 ABIDE（NYU，74 例 ASD、98 例健康对照）与单中心数据集（246 例健康对照、151 例 MDD、126 例 BD）上，与 12 个基线对比，报告 ACC 与 AUC 的均值±标准差。
Semantic-Conditioned Interaction 把疾病特异的子网络描述（如 ASD 下 DMN 的“hypoconnectivity”、MDD 下 DMN 的“hyperconnectivity”）经 BioMedBERT 编码后注入注意力 Query，充当功能身份层面的位置编码。 不同于以往仅使用分类标签或一热/三维坐标位置编码的做法，该方法用神经认知角色与疾病相关病理改变来区分同一子网络在不同疾病下的语义。 消融显示把语义交互学习替换为标准 GAT 会带来明显下降（文中举例 ASD 上 5.0%↓）；去掉语义先验 Hsp 或病理约束 Lpmc 均使性能下降；图 2 报告无序别先验嵌入间的 Pearson 相关显著（P < 0.05），且 GPT-4 与 DeepSeek-R1 给出交互强度排序一致。
Pathology-Consistent Constraint 用 KL 散度把学习到的子网络交互分布 Psni 拉向由 LLM 提示生成的临床先验分布 Pprior，总损失为交叉熵与知识正则的加权和。 把临床先验作为训练期正则项而非仅做事后解释，使交互模式在样本有限时仍保持神经生物学合理性。 消融中移除 Lpmc 后三项任务性能均下降；文中报告 GPT-4 与 DeepSeek-R1 生成的先验排序一致。
模型输出的多层级生物标志物与精神病学文献一致：ASD 为“DMN→CEN→DMN”，BD 为“CEN→CEN→CEN”，MDD 为 SN 起始通路（如 SN→CEN→CEN）；丘脑与眶额皮层在 BD 与 MDD 中同为高排名脑区。 这些通路与脑区由注意力系数与跨阶联合概率直接导出，为共享神经病理提供计算层面的证据。 通路分数定义为跨阶交互的联合概率（Score = ∏ α），脑区排名来自模型可视化，作者指出其与既有神经生物学文献相符。
启示与展望
该结果面向以 fMRI 功能连接为输入、按 AAL 图谱划分并归入 DMN、SN、CEN 三个子网络的精神疾病分类场景，适用于 ASD、BD、MDD 三类诊断任务；对希望在小样本医学图数据中引入领域先验、并同时获得可解释交互通路的研究者与临床研究方向具有参考价值。
读者仍需关注：先验由 LLM 提示生成，其内容与排序在不同提示或模型下的稳定性在文中仅以 GPT-4 与 DeepSeek-R1 排序一致作为支持；ABIDE 仅取 NYU 单站点、BD/MD 来自单中心，跨站点与跨队列的泛化尚待检验；通路与脑区排名来自注意力系数与联合概率的可视化，其统计稳健性需要更多独立数据验证；本文为快速解析，图 1、图 2、图 3 的具体数值与超参数设置（如 λsp、β、q 的选取）未在文本中完整给出，这些细节会影响复现。