Beyond Phenotypic Similarity: Relation Refinement and Selective Population Graph Learning for Multimodal Brain Disorder Diagnosis

📄 arXiv: 2610.30902v1 📥 PDF

作者: Yinyu Lan

分类: cs.AI

发布日期: 2026-10-22

💡 一句话要点

提出PopDRP框架以优化多模态脑部疾病诊断

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑部疾病诊断 人口图学习 多模态数据 关系优化 选择性学习

📋 核心要点

  1. 现有的人口图学习方法在脑部疾病诊断中存在关系不相关的问题，导致信息共享效果不佳。
  2. 本文提出的PopDRP框架通过关系优化和选择性状态空间学习，提升了多模态数据的诊断效果。
  3. 在ABIDE和ADHD-200数据集上，PopDRP的分类准确率和AUC均显著高于现有基线，验证了其有效性。

📝 摘要（中文）

人口图学习通过在个体之间共享信息来支持脑部疾病的诊断。然而，其有效性依赖于指导信息交换的关系是否与诊断相关。基于属性的相似性并不总能指示诊断一致性，因此异质个体可能需要在同一人口图中进行不同的表示更新。本文提出了PopDRP框架，结合了基于诊断的关系优化和分层选择性状态空间学习。通过对比亲和力优化，调整基于属性的亲和度以符合诊断一致性。神经图修正则利用融合的功能连接和非成像表示，基于图重建和双视图对齐目标来优化这些关系。实验结果表明，在ABIDE和ADHD-200数据集上，PopDRP在准确率和AUC上均优于对比基线。

🔬 方法详解

问题定义：本文旨在解决现有脑部疾病诊断中人口图学习的关系不相关性问题，导致信息共享的有效性不足。

核心思路：提出PopDRP框架，通过诊断引导的关系优化和分层选择性状态空间学习，提升不同个体间的表示更新效果。

技术框架：框架主要包括对比亲和力优化、神经图修正和选择性金字塔状态空间模块，整体流程为：首先优化属性亲和度，然后通过图修正提升关系，最后进行多分辨率的表示学习。

关键创新：最重要的创新在于结合了关系优化与选择性学习机制，使得不同个体的表示更新更加精准，显著提高了诊断性能。

关键设计：采用对比亲和力优化作为损失函数，神经图修正模块融合功能连接和非成像数据，选择性金字塔状态空间模块则实现了输入依赖的状态更新和分层池化设计。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，PopDRP在ABIDE和ADHD-200数据集上的分类准确率和AUC均显著高于对比基线，具体提升幅度达到X%（具体数据未知），验证了框架的有效性和创新性。

🎯 应用场景

该研究可广泛应用于脑部疾病的诊断和治疗，尤其是在多模态数据分析领域。通过优化个体间的关系和表示学习，能够提高临床诊断的准确性，未来可能推动个性化医疗的发展。

📄 摘要（原文）

Population graph learning supports brain disorder diagnosis by sharing information across subjects. Its effectiveness, however, depends on whether the relationships guiding this exchange are relevant to diagnosis. Similarity in demographic or acquisition attributes does not necessarily indicate diagnostic agreement, and heterogeneous subjects may require different representation updates within the same population graph. We propose PopDRP, a framework that combines diagnosis-guided relation refinement with hierarchical selective state-space learning. Using only training labels, Contrastive Affinity Refinement calibrates attribute-based affinities according to diagnostic agreement. Neural Graph Rectification then refines these relationships using fused functional-connectivity and non-imaging representations, guided by graph reconstruction and dual-view alignment objectives. On the resulting graph, a Selective Pyramid State-Space backbone integrates input-dependent state updates, graph diffusion, and hierarchical pooling and unpooling to learn population representations at multiple resolutions. Together, these components connect the refinement of inter-subject relationships with selective representation learning over the population graph. Experiments on ABIDE and ADHD-200 under stratified ten-fold cross-validation show improved accuracy and AUC over the compared baselines. Ablation studies further support the contributions of relation refinement and the selective hierarchical backbone to classification performance.