SABRE：通过多尺度超图进行语义对齐的大脑网络分析框架

有效的脑部疾病诊断需要大脑连接模式和高级语义知识的协同作用。然而，现有方法在很大程度上将 大语言模型 (LLM) 的语义视为辅助特征或监督，限制了它们在决策中的直接作用并限制了分类的稳定性和鲁棒性。为了克服这个问题，我们提出了一种语义对齐的大脑网络框架，该框架主动将 LLM 派生的语义集成到预测过程中。具体来说，ROI 级语义首先通过全局自注意力合并，以丰富节点表示并提供全脑上下文。然后构建多尺度超图来显式建模功能子网络和多 ROI 交互，解决传统 GNN 的局部性限制并捕获高阶依赖关系。最后，决策级语义对齐机制有选择地将患者特定的文本嵌入注入图表示中，使语义能够直接指导预测，而不会扰乱底层网络结构。在公共脑网络数据集 ABIDE 和 ADHD-200 上进行的实验展示了最先进的性能、增强的稳定性和改进的可解释性，特别是在小样本设置中。