BrainSCL：用于脑疾病诊断的亚型引导对比学习
机器学习
2026-03-23 v1
摘要
精神疾病人群表现出显著的异质性——即样本间的显著差异——这对对比学习中正负配对的定义提出了重大挑战。为此，我们提出了一种亚型引导的对比学习框架，该框架将患者异质性建模为潜在亚型，并将其作为结构性先验条件纳入，以指导判别性表征学习。具体而言，我们通过组合患者的临床文本与从BOLD信号中自适应学习的图结构，构建多视图表征，以通过无监督谱聚类发现潜在亚型。提出了一种双层注意力机制，用于构建原型，以捕获稳定的亚型特定连接模式。我们进一步提出了一种亚型引导的对比学习策略，该策略将样本拉向其亚型原型图，从而强化同一亚型内的一致性，以提供有效的监督信号以提高模型性能。我们在重度抑郁症（MDD）、双相情感障碍（BD）和自闭症谱系障碍（ASD）上进行评估。实验结果确认了亚型原型图在指导对比学习方面的有效性，并表明所提出的方法在现有方法中表现优异。我们的代码可在 https://anonymous.4open.science/r/BrainSCL-06D7 获取。
引用
@article{arxiv.2603.19295,
title = {BrainSCL: Subtype-Guided Contrastive Learning for Brain Disorder Diagnosis},
author = {Xiaolong Li and Guiliang Guo and Guangqi Wen and Peng Cao and Jinzhu Yang and Honglin Wu and Xiaoli Liu and Fei Wang and Osmar R. Zaiane},
journal= {arXiv preprint arXiv:2603.19295},
year = {2026}
}