[论文解读] Learning the Hierarchical Organization in Brain Network for Brain Disorder Diagnosis

Jingfeng Tang, Peng Cao+4 more|arXiv (Cornell University)|Mar 10, 2026

Functional Brain Connectivity Studies被引用 0

一句话总结

BrainHO 从 fMRI 连接性中学习层次化、可学习的子图表示，无需固定脑区图谱，在 ABIDE 与 REST-meta-MDD 上达到状态-of-the-art 准确率，并揭示可解释的疾病相关子网络。

ABSTRACT

Brain network analysis based on functional Magnetic Resonance Imaging (fMRI) is pivotal for diagnosing brain disorders. Existing approaches typically rely on predefined functional sub-networks to construct sub-network associations. However, we identified many cross-network interaction patterns with high Pearson correlations that this strict, prior-based organization fails to capture. To overcome this limitation, we propose the Brain Hierarchical Organization Learning (BrainHO) to learn inherently hierarchical brain network dependencies based on their intrinsic features rather than predefined sub-network labels. Specifically, we design a hierarchical attention mechanism that allows the model to aggregate nodes into a hierarchical organization, effectively capturing intricate connectivity patterns at the subgraph level. To ensure diverse, complementary, and stable organizations, we incorporate an orthogonality constraint loss, alongside a hierarchical consistency constraint strategy, to refine node-level features using high-level graph semantics. Extensive experiments on the publicly available ABIDE and REST-meta-MDD datasets demonstrate that BrainHO not only achieves state-of-the-art classification performance but also uncovers interpretable, clinically significant biomarkers by precisely localizing disease-related sub-networks.

研究动机与目标

• 说明基于固定图谱的子网络分析在脑疾病诊断中的局限性。
• 引入 BrainHO，从 PCC 为基础的图中学习内在的层次化大脑组织。
• 开发带有子图令牌的分层注意机制，并引入正交性约束以确保子图多样且稳定。
• 通过层次一致性约束 refined 节点特征并提升疾病判别能力。
• 在 ABIDE 与 REST-meta-MDD 上展示最优性能并提供可解释的生物标志物。

提出的方法

• 将 PCC 基于的大脑连接投影为节点令牌。
• 在节点、子图和图三个层级上应用带可学习子图令牌的分层注意机制。
• 采用 Sparsemax 注意力进行节点到子图的聚合以促进稀疏性与可解释性。
• 计算图对图的注意力以获得用于分类的全局大脑表征。
• 施加子图正交性损失以鼓励子图的多样性。
• 通过辅助节点级分类器与教师-学生 KL 散度引入分层一致性损失以 refined 节点特征。

实验结果

研究问题

• RQ1 一个可学习的层次化组织模型是否能够捕捉超越固定图谱的跨网络交互？
• RQ2 在子图之间引入正交性及层次一致性是否提升准确性与可解释性？
• RQ3 BrainHO 相较于基于图谱与原始信号的基线在大规模 ASD 与 MDD rs-fMRI 数据集上的表现如何？
• RQ4 从学习的子网络中涌现出哪些具有临床意义的生物标志物？

主要发现

• BrainHO 在 ABIDE 与 REST-meta-MDD 上仅使用静态 PCC 连通性即可达到 state-of-the-art 的准确率与 AUC。
• BrainHO 在 ABIDE 上达到 69.68% 的准确率和 73.80% 的 AUC，灵敏度高达 73.11%。
• 在 REST-meta-MDD 上，BrainHO 达到 64.71% 的准确率与 67.43% 的灵敏度，具备稳健的泛化能力。
• 消融研究表明去掉正交性或层次一致性会损害性能，验证了它们的贡献。
• 学习得到的子网络与已知功能网络对齐，并揭示跨网络交互，支持可解释性与临床相关性。