论文提出 PopDRP，用诊断引导的关系精炼改进群体图脑病诊断。
资讯摘要
论文提出 PopDRP 框架，用于多模态脑部疾病诊断的群体图学习。作者指出，人口统计或采集属性的相似性不一定代表诊断一致，异质受试者需要不同的表示更新。该框架用对比亲和精炼按诊断一致性校准属性亲和度，再以神经图校正结合功能连接与非影像表示精炼关系，并在图上用选择性金字塔状态空间骨干学习多分辨率表示。在 ABIDE 与 ADHD-200 的分层十折交叉验证中，作者报告准确率和 AUC 优于对比基线，消融实验支持各组件贡献。
要点速读
- 论文提出 PopDRP，将诊断引导的关系精炼与分层选择性状态空间学习结合。
- 对比亲和精炼仅用训练标签校准属性亲和度，神经图校正以图重建和双视图对齐目标精炼关系。
- 在 ABIDE 和 ADHD-200 分层十折交叉验证中，作者报告准确率与 AUC 优于对比基线。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。