当语言模型遇到神经图：探索面向大脑网络分析的增强代理 LLM 框架

脑网络分析对于理解认知和神经系统疾病至关重要，但现有的深度学习方法主要将连接组分析视为图到 logits 的分类问题，提供的解释推理有限。 大语言模型 (LLM) 为知识密集型科学分析提供了一个有前途的接口，但由于结构语言差距、有限的神经科学基础和过度自信的积极预测，将通用 LLM 直接应用于大脑网络仍然具有挑战性。在本文中，我们提出了 \textbf{BrainAgent}，这是一种用于知识增强大脑网络分析的代理 LLM 框架。 BrainAgent 将连接组分类重新表述为拓扑感知理解、外部检索、推理和反思的迭代过程。具体来说，它首先通过特定于大脑的分析工具将原始的大脑网络转换为紧凑的多层次结构描述，然后检索相关的神经科学知识和特定任务的案例来为推理过程奠定基础，最后生成经过反思验证的结构化预测。对四个公共 rs-fMRI 数据集的实验表明，BrainAgent 在直接提示和标准推理基线上持续改进了不同的闭源和开源 LLM 主干。进一步的消融和可解释性分析证明了每个组件的有效性，并表明 BrainAgent 产生了更全面、多层次和可验证的解释。这些结果表明，代理 LLM 为可解释和基于知识的大脑网络分析提供了一条实用途径。