# 脑疾病诊断

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。

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。

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。