NeuroH-TGL 论文解读：面向脑疾病诊断的神经异质性引导时序图学习方法
论文标题：《NeuroH-TGL: Neuro-Heterogeneity Guided Temporal Graph Learning Strategy for Brain Disease Diagnosis》
会议：NeurIPS 2025
研究方向：动态功能脑网络、时序图学习、图神经网络、脑疾病诊断、fMRI 分析
本文基于上传论文原文整理。:contentReference[oaicite:0]{index=0}
1. 论文背景和要解决的问题
脑疾病诊断中，功能磁共振成像 fMRI 常用于分析不同脑区之间的功能连接。基于 fMRI 可以构建功能脑网络，其中节点表示脑区，边表示脑区之间的功能连接强度。传统方法常使用静态功能脑网络，即在一整段时间内计算脑区之间的平均连接关系。
但论文指出，人的大脑即使在静息状态下也处于持续重组过程中。相比静态脑网络，动态功能脑网络 DFBNs 更适合描述脑连接随时间变化的拓扑演化。对于阿尔茨海默病、帕金森病等脑疾病，这种动态变化可能会出现异常，因此有效分析 DFBNs 的时空结构，对于疾病诊断和生物标志物挖掘具有重要意义。
这篇论文要解决的核心问题是：
现有动态脑图学习方法虽然能建模时序脑网络，但大多忽略了脑区节点之间的时空异质性，也没有充分建模历史脑状态对当前脑网络拓扑的影响。
这里的"神经异质性"可以理解为：不同脑区在动态脑网络中的作用并不相同。有些脑区连接更密集，有些脑区时间变化更剧烈，这些脑区往往是驱动脑网络重组的关键节点。疾病可能会改变这些关键节点的空间连接密度和时间演化模式。
因此，作者提出 NeuroH-TGL，即 Neuro-Heterogeneity guided Temporal Graph Learning strategy。它的目标不是简单地把 GCN 和时序卷积堆叠起来，而是围绕"脑区时空异质性"设计完整的动态脑图学习框架，从而提升脑疾病诊断效果，并识别潜在异常脑区。
2. 过去方法及不足
论文将相关工作主要分为两类：静态脑网络分析和动态脑网络分析。
2.1 静态脑网络分析的不足
静态脑网络方法通常将一段 fMRI 信号压缩成一个固定连接矩阵，再用 CNN、GCN、Transformer 等模型学习图结构。例如 BrainNetCNN、BNTransformer、BrainGNN 等方法都属于这一类。
这类方法的问题在于，它们无法刻画脑连接随时间变化的过程。对于脑疾病诊断来说，异常可能不只体现在平均连接强度上，也可能体现在某些脑区连接的动态波动、网络重组节奏和时序传播过程上。
从工程角度看，静态脑网络相当于把时间维度做了强压缩，降低了建模复杂度，但也丢失了重要动态信息。
2.2 动态脑网络分析的不足
动态脑网络方法通常先用滑动窗口构造多个脑图，再用 GCN 提取空间拓扑特征，用 TCN、Transformer 或注意力机制建模时间依赖。例如 ST-GCN、ST-fMRI、STAGIN、OT-MCSTGCN 等方法都属于动态图分析方向。
这些方法已经比静态方法更进一步，但论文认为仍有两个关键不足：
- 忽略了不同脑区节点的时空异质性；
- 没有充分建模历史脑状态对当前脑图拓扑的持续调制作用。
换句话说，现有方法通常把所有脑区节点"同等对待"，或者只关注邻近时间窗口之间的动态变化，却没有显式识别那些连接更密集、变化更活跃、对网络重组更关键的脑区。
2.3 为什么异质性重要
论文给出的神经科学动机是：某些脑区具有更广泛的连接和更剧烈的时间变化，这些节点在协调脑网络重组中具有重要作用。例如后扣带皮层与额叶、顶叶可能形成稳定紧密连接；初级运动皮层与辅助运动区之间的连接强度可能表现出更高时间可变性。
这类脑区如果受到疾病影响，可能会导致动态功能脑网络的组织方式发生异常。因此，模型不仅要学习"脑图是什么样"，还要学习"哪些节点在驱动图的演化"。
3. 作者的核心思路和创新
NeuroH-TGL 的核心思想可以概括为三步：
- 先把动态脑网络解耦成两种模式：拓扑一致性网络和时间趋势网络；
- 再从这两类网络中挖掘空间异质性和时间异质性，突出关键脑区节点；
- 最后用 temporal propagation graph convolution 建模历史异质脑状态对当前拓扑的影响。
论文的主要创新包括：
| 模块 | 作用 | 工程理解 |
|---|---|---|
| STPD | 将 DFBN 解耦为拓扑一致性网络和时间趋势网络 | 将稳定结构和动态变化拆开建模 |
| STHW | 计算空间异质性权重和时间异质性权重 | 找出更密集、更活跃的关键脑区 |
| TPGCN | 用前一时刻异质特征指导当前脑图聚合 | 显式建模历史状态对当前拓扑的影响 |
| 多损失约束 | 分类损失、重构损失、一致性约束联合训练 | 让解耦结果既可区分又可重构 |
论文图 1 展示了整体框架：首先由 fMRI 信号通过重叠滑动窗口构建多个动态功能脑网络；然后每个窗口经过 STPD 模块解耦为 topological consistency networks 和 temporal trend networks；之后分别计算 spatial heterogeneity weight 和 temporal heterogeneity weight；再将加权后的异质网络输入 TPGCN；最后通过全连接层完成疾病分类。
这套设计背后的工程判断是：不要直接在原始动态脑图上做时空卷积，而是先按照脑网络运行机制拆分结构，再围绕异质节点强化特征，最后建模时间传播。
4. 方法结构和关键算法/公式解析
4.1 动态功能脑网络构建
论文首先将每个被试的静息态 fMRI 信号表示为多个脑区的时间序列。然后使用重叠滑动窗口切分 fMRI 信号，每个窗口内通过 Pearson 相关系数构建一个功能脑网络。
At(i,j)=Cov(Ft(i),Ft(j))σFt(i)σFt(j) A_t(i,j)=\frac{Cov(F_t(i),F_t(j))}{\sigma_{F_t(i)}\sigma_{F_t(j)}} At(i,j)=σFt(i)σFt(j)Cov(Ft(i),Ft(j))
- (A_t(i,j))：第 t 个窗口中第 i 个脑区和第 j 个脑区之间的功能连接强度
- (F_t(i))：第 t 个窗口内第 i 个脑区的 fMRI 子序列
- (F_t(j))：第 t 个窗口内第 j 个脑区的 fMRI 子序列
- (Cov)：协方差
- (\sigma)：标准差
得到所有窗口的脑网络后，动态功能脑网络可以表示为一组随时间变化的邻接矩阵。论文还设置阈值 alpha，将连接强度低于阈值的元素置零，以模拟脑网络的稀疏性。
4.2 STPD：时空模式解耦
论文认为，大脑认知功能同时依赖两类模式：
- 拓扑一致性：某些网络结构在不同时间窗口中保持稳定；
- 时间趋势：某些连接或脑区活动随时间发生明显变化。
因此，作者用两个独立 GCN 分别提取拓扑一致性网络和时间趋势网络。
Httop=GCN(At,Ft)=A^t(ReLU(A^tFtWttop(0)))Wttop(1) H_t^{top}=GCN(A_t,F_t)=\hat{A}_t\left(ReLU\left(\hat{A}_tF_tW_t^{top(0)}\right)\right)W_t^{top(1)} Httop=GCN(At,Ft)=A^t(ReLU(A^tFtWttop(0)))Wttop(1)
- (H_t^{top})：第 t 个窗口的拓扑一致性网络表示
- (A_t)：第 t 个窗口的脑网络邻接矩阵
- (F_t)：第 t 个窗口内的 fMRI 子信号
- (\hat{A}_t)：加入自环并归一化后的邻接矩阵
- (W_t{top(0)})、(W_t{top(1)})：拓扑一致性分支中的可学习参数
- (ReLU)：非线性激活函数
时间趋势网络用另一个独立 GCN 提取：
Httem=GCN(At,Ft)=A^t(ReLU(A^tFtWttem(0)))Wttem(1) H_t^{tem}=GCN(A_t,F_t)=\hat{A}_t\left(ReLU\left(\hat{A}_tF_tW_t^{tem(0)}\right)\right)W_t^{tem(1)} Httem=GCN(At,Ft)=A^t(ReLU(A^tFtWttem(0)))Wttem(1)
- (H_t^{tem})：第 t 个窗口的时间趋势网络表示
- (W_t{tem(0)})、(W_t{tem(1)})：时间趋势分支中的可学习参数
这里的关键不是 GCN 本身，而是"双分支解耦"。工程上可以理解为：同一个脑图输入，被拆成稳定结构分支和变化趋势分支，后续分别用于异质性挖掘。
4.3 解耦约束：让两类特征既不同又互补
如果只是用两个 GCN，模型不一定真的学到不同模式。因此论文加入了相似性约束，希望同一窗口内的拓扑一致性网络和时间趋势网络逐渐变得不同。
LCCt1=1V∑i=1VHt(i)top⋅Ht(i)tem∥Ht(i)top∥2⋅∥Ht(i)tem∥2 L_{CCt1}=\frac{1}{V}\sum_{i=1}^{V}\frac{H_{t(i)}^{top}\cdot H_{t(i)}^{tem}}{\left\|H_{t(i)}^{top}\right\|2\cdot\left\|H{t(i)}^{tem}\right\|_2} LCCt1=V1i=1∑V Ht(i)top 2⋅ Ht(i)tem 2Ht(i)top⋅Ht(i)tem
- (L_{CCt1})：同一窗口内拓扑一致性表示和时间趋势表示的相似性约束
- (V)：脑区节点数量
- (H_{t(i)}^{top})：第 t 个窗口中第 i 个节点的拓扑一致性表示
- (H_{t(i)}^{tem})：第 t 个窗口中第 i 个节点的时间趋势表示
- (\cdot)：点积
- (\left|\cdot\right|_2)：L2 范数
同时，为保证两个解耦分支不是随意分裂，而是对原始脑网络具有互补表达能力，论文加入重构损失：
LRet=∥Httop⊕Httem−At∥2 L_{Ret}=\left\|H_t^{top}\oplus H_t^{tem}-A_t\right\|_2 LRet= Httop⊕Httem−At 2
- (L_{Ret})：第 t 个窗口的重构损失
- (H_t^{top})：拓扑一致性网络表示
- (H_t^{tem})：时间趋势网络表示
- (A_t)：原始脑网络邻接矩阵
- (\oplus)：逐元素相加
此外，拓扑一致性网络应当在相邻窗口之间保持相似，因此论文进一步约束相邻窗口的拓扑一致性表示。
LCCt2=1−1V∑i=1VHt(i)top⋅Ht+1(i)top∥Ht(i)top∥2⋅∥Ht+1(i)top∥2 L_{CCt2}=1-\frac{1}{V}\sum_{i=1}^{V}\frac{H_{t(i)}^{top}\cdot H_{t+1(i)}^{top}}{\left\|H_{t(i)}^{top}\right\|2\cdot\left\|H{t+1(i)}^{top}\right\|_2} LCCt2=1−V1i=1∑V Ht(i)top 2⋅ Ht+1(i)top 2Ht(i)top⋅Ht+1(i)top
- (L_{CCt2})：相邻窗口拓扑一致性网络之间的约束项
- (H_{t(i)}^{top})：第 t 个窗口中第 i 个节点的拓扑一致性表示
- (H_{t+1(i)}^{top})：第 t+1 个窗口中第 i 个节点的拓扑一致性表示
这个设计比较符合"稳定结构"和"动态趋势"的建模逻辑：同一窗口内两类特征要区分，相邻窗口中稳定结构要保持相似。
4.4 时空异质性挖掘
论文图 2 解释了异质性挖掘逻辑。空间异质性来自拓扑一致性网络：如果某些节点在跨窗口中保持较强拓扑相似性，说明其空间连接模式更稳定、更密集。时间异质性来自时间趋势网络：如果某些节点跨窗口相似性更低，说明其时间变化更剧烈。
空间异质性权重计算如下：
SH=2T(T−1)∑i=1T−1∑j=i+1Tsim(Hitop,Hjtop) SH=\frac{2}{T(T-1)}\sum_{i=1}^{T-1}\sum_{j=i+1}^{T}sim(H_i^{top},H_j^{top}) SH=T(T−1)2i=1∑T−1j=i+1∑Tsim(Hitop,Hjtop)
- (SH)：空间异质性权重
- (T)：时间窗口数量
- (H_i^{top})：第 i 个窗口的拓扑一致性网络
- (H_j^{top})：第 j 个窗口的拓扑一致性网络
- (sim)：余弦相似度
然后用空间异质性权重加权拓扑一致性网络：
Zttop=SH⊗Httop Z_t^{top}=SH\otimes H_t^{top} Zttop=SH⊗Httop
- (Z_t^{top})：融合空间异质性后的拓扑一致性网络
- (SH)：空间异质性权重
- (H_t^{top})：第 t 个窗口的拓扑一致性网络
- (\otimes)：逐元素相乘
时间异质性权重则使用相反逻辑：时间趋势网络跨窗口越不相似，动态变化越明显。
TH=2T(T−1)∑i=1T−1∑j=i+1T(1−sim(Hitem,Hjtem)) TH=\frac{2}{T(T-1)}\sum_{i=1}^{T-1}\sum_{j=i+1}^{T}\left(1-sim(H_i^{tem},H_j^{tem})\right) TH=T(T−1)2i=1∑T−1j=i+1∑T(1−sim(Hitem,Hjtem))
- (TH)：时间异质性权重
- (H_i^{tem})：第 i 个窗口的时间趋势网络
- (H_j^{tem})：第 j 个窗口的时间趋势网络
加权后的时间趋势网络为：
Zttem=TH⊗Httem Z_t^{tem}=TH\otimes H_t^{tem} Zttem=TH⊗Httem
- (Z_t^{tem})：融合时间异质性后的时间趋势网络
- (TH)：时间异质性权重
- (H_t^{tem})：第 t 个窗口的时间趋势网络
4.5 TPGCN：时间传播图卷积网络
论文认为，脑活动是连续演化的，前一时刻的异质脑状态会影响后一时刻的脑图拓扑。因此，作者设计 TPGCN，用前一窗口和当前窗口的异质特征共同指导图卷积聚合。
Eti=GCN(At,CNN(GCN(At,Zti⊕Zt−1i))) E_t^i=GCN(A_t,CNN(GCN(A_t,Z_t^i\oplus Z_{t-1}^i))) Eti=GCN(At,CNN(GCN(At,Zti⊕Zt−1i)))
- (E_t^i)：第 t 个窗口、第 i 类网络的时空特征
- (i)：表示 top 或 tem，即拓扑一致性分支或时间趋势分支
- (A_t)：第 t 个窗口的脑网络邻接矩阵
- (Z_t^i)：第 t 个窗口的异质性加权特征
- (Z_{t-1}^i)：第 t-1 个窗口的异质性加权特征
- (CNN)：二维卷积网络
- (GCN)：图卷积网络
- (\oplus)：逐元素相加
随后将两类特征融合：
Et=Ettop⊕Ettem E_t=E_t^{top}\oplus E_t^{tem} Et=Ettop⊕Ettem
- (E_t)：第 t 个窗口融合后的时空表示
- (E_t^{top})：拓扑一致性分支输出
- (E_t^{tem})：时间趋势分支输出
最后将所有窗口的特征拼接，得到全局时空表示：
E=Concatenate({Et∣t∈{1,2,⋯ ,T}}) E=Concatenate(\{E_t\mid t\in\{1,2,\cdots,T\}\}) E=Concatenate({Et∣t∈{1,2,⋯,T}})
- (E)：所有窗口拼接后的全局时空表示
- (T)：时间窗口数量
- (Concatenate)：特征拼接操作
整体损失函数如下：
L=LCE+λ1LCC+λ2LRe L=L_{CE}+\lambda_1L_{CC}+\lambda_2L_{Re} L=LCE+λ1LCC+λ2LRe
- (L)：总训练目标
- (L_{CE})：分类交叉熵损失
- (L_{CC})：相似性约束损失
- (L_{Re})：重构损失
- (\lambda_1)、(\lambda_2)：控制不同损失项权重的超参数
5. 实验设计与主要结论
5.1 数据集与任务设置
论文在 ADNI 数据集和帕金森病 PD 数据集上进行实验。
| 数据集 | 样本组成 | 脑区数量 | 时间点数量 | 分类任务 |
|---|---|---|---|---|
| ADNI | 140 NC、268 MCI、102 AD | 90 | 140 | NC vs MCI vs AD、NC vs MCI、NC vs AD、MCI vs AD |
| PD | 54 NC、44 TDPD、64 PGPD | 90 | 220 | NC vs TDPD vs PGPD、NC vs TDPD、NC vs PGPD、TDPD vs PGPD |
预处理方面，论文使用 SPM8 和 DPARSF 工具箱处理 fMRI 数据，并使用 AAL 图谱划分 90 个脑区。
训练设置包括：
| 项目 | 设置 |
|---|---|
| 框架 | PyTorch |
| GPU | NVIDIA GeForce RTX 3080 12GB |
| 优化器 | Adam |
| 学习率 | 7e-4 |
| batch size | 8 |
| 最大 epoch | 300 |
| early stopping patience | 80 |
| 连接阈值 alpha | 0.6 |
| ADNI 滑窗设置 | T=6，S=90 |
| PD 滑窗设置 | T=8，S=80 |
| 评估方式 | 10-fold cross-validation，报告 10 次平均值 |
5.2 对比方法
论文与 11 种脑网络分析方法比较，包括静态方法和动态方法。
| 类型 | 方法 |
|---|---|
| 静态脑网络方法 | BrainNetCNN、FBNetGen、BNTransformer、BrainGNN、LSGNN、ALTER |
| 动态脑网络方法 | ACIFBN、DRAT、ST-GCN、ST-fMRI、STAGIN、OT-MCSTGCN、MGNN |
需要注意，论文正文中写到与 11 种方法比较，但表格实际列出了更多方法。这里以论文表格和正文列出的名称为准。
5.3 ADNI 数据集结果
| 任务 | NeuroH-TGL ACC | NeuroH-TGL F1 | NeuroH-TGL AUC | 主要结论 |
|---|---|---|---|---|
| NC vs MCI vs AD | 72.19 | 57.81 | 70.49 | 三分类任务中明显优于其他方法 |
| NC vs MCI | 78.50 | 84.35 | 72.61 | 相比次优 ACC 提升 1.04% |
| NC vs AD | 81.50 | 72.12 | 83.01 | 相比次优 ACC 提升 0.15% |
| MCI vs AD | 86.67 | 92.46 | 76.01 | 相比次优 ACC 提升 2.51% |
论文指出，在 ADNI 的四个任务中，NeuroH-TGL 相比次优方法的准确率提升分别为 4.69%、1.04%、0.15% 和 2.51%。
5.4 PD 数据集结果
| 任务 | NeuroH-TGL ACC | NeuroH-TGL F1 | NeuroH-TGL AUC | 主要结论 |
|---|---|---|---|---|
| NC vs TDPD vs PGPD | 66.25 | 61.71 | 73.85 | 三分类任务效果最好 |
| NC vs TDPD | 91.25 | 91.00 | 94.21 | 二分类提升明显 |
| NC vs PGPD | 87.17 | 89.38 | 88.42 | 优于对比方法 |
| TDPD vs PGPD | 83.75 | 86.80 | 82.91 | 相比次优 ACC 提升 4.20% |
论文指出，在 PD 的四个任务中，NeuroH-TGL 相比次优结果准确率提升分别为 2.50%、4.69%、3.24% 和 4.20%。
5.5 消融实验
论文对三个关键模块做消融：
- w/o STPD：移除时空模式解耦模块；
- w/o STHW：将时空异质性权重替换为全 1 矩阵；
- w/o TPGCN：将 TPGCN 替换为普通 GCN。
| 数据集 | 任务示例 | 完整模型 ACC | 移除 STPD | 移除 STHW | 移除 TPGCN |
|---|---|---|---|---|---|
| ADNI | NC vs MCI | 78.50 | 73.75 | 74.25 | 74.00 |
| ADNI | NC vs AD | 81.50 | 76.67 | 77.08 | 77.91 |
| PD | NC vs TDPD | 91.25 | 86.25 | 83.50 | 84.75 |
| PD | NC vs PGPD | 87.17 | 83.75 | 79.33 | 80.50 |
消融结果说明三个模块都有效。尤其在 NC vs MCI 任务中，移除 STPD、STHW、TPGCN 分别导致准确率下降 3.75%、3.25%、3.50%。
5.6 可视化与生物标志物分析
论文图 3 使用 t-SNE 可视化 NC vs MCI 任务中的特征分布。原始特征分布较混乱，BrainNetCNN、ACIFBN、DRAT、OT-MCSTGCN 等方法的类间边界不够清晰；NeuroH-TGL 能更好地聚合同类样本，并保持不同类别之间的分离。
论文图 4 展示了不同群体的时空异质性权重。实验观察到：
- 相比 NC，MCI 和 AD 组表现出更低空间异质性和更高时间异质性；
- NC 组脑区空间异质性较高、时间异质性较低；
- 患者组呈现相反趋势；
- 辅助运动区、海马、杏仁核等脑区在患者组和 NC 组之间存在明显差异。
论文图 5 展示了不同诊断任务中最具判别性的 10 个脑区。结果表明：
- NC vs MCI 中，显著脑区集中在颞中回、海马旁回等区域；
- NC vs AD 中，重要脑区包括杏仁核、额上回；
- NC vs TDPD 中，重要脑区包括中央前回、Rolandic operculum；
- NC vs PGPD 中，显著脑区包括枕下回、舌回。
这些结果说明，NeuroH-TGL 不仅提升分类性能，也能提供一定可解释性。
6. 局限性和未来研究方向
论文在结论中明确指出，当前方法只基于单一 fMRI 模态，没有利用其他模态的互补信息。未来作者计划在结构连接约束下开发 DFBN 的异质性重组机制，将功能连接和结构连接中的互补异质性特征结合起来，以提升诊断准确性和可解释性。
从工程和科研落地角度看，还可以补充以下局限：
- 样本规模仍然有限，尤其是 PD 数据集样本数量不大；
- fMRI 预处理流程对结果影响较大，跨中心、跨设备泛化能力仍需进一步验证；
- 滑动窗口参数 T 和 S 需要网格搜索，不同数据集可能需要重新调参；
- 虽然模型参数和 FLOPs 较低，但 fMRI 数据获取成本高，临床部署仍有门槛；
- 异质性权重具有可解释性，但是否能作为稳定临床生物标志物，还需要更大规模验证；
- 论文没有明确说明模型在外部独立测试集上的泛化结果。
因此，这篇论文更适合作为脑网络动态图学习和可解释诊断建模的研究方案，而不是可以直接部署到临床环境的完整系统。
7. 工程落地启发
7.1 对动态图学习的启发
NeuroH-TGL 的一个重要启发是：动态图建模不应只做"空间 GCN + 时间模块"的简单堆叠。很多真实动态图系统中，节点存在异质性，不同节点对系统演化的贡献不同。
类似思想可以迁移到：
- 工业传感器网络；
- 电池组电芯关系图；
- 交通路网；
- 金融交易网络；
- 用户行为动态图；
- 多智能体系统状态图。
在这些场景中，关键节点往往具有更高连接密度或更强时间变化，模型应当显式识别这些节点，而不是平均处理所有节点。
7.2 对电池异常检测的启发
如果把电池组中的每个电芯看作节点，把电压、电流、温度、SOC 之间的相关性看作边，那么电池系统也可以构建动态功能网络。
NeuroH-TGL 对电池异常检测有一定启发：
- 稳定连接模式可以类比为电芯之间的正常同步关系；
- 时间趋势网络可以类比为电芯电压随工况变化的动态偏离；
- 空间异质性可以用于识别长期连接异常或长期偏高偏低的电芯；
- 时间异质性可以用于识别短时波动、局部异常、工况突变；
- 历史状态传播可以用于建模前一阶段异常对当前状态的影响。
当然，电池数据和 fMRI 数据差异很大，不能直接照搬模型，但"稳定模式 + 动态趋势 + 异质节点 + 历史传播"的建模思想值得借鉴。
7.3 对企业 AI 落地的启发
这篇论文也体现了一个通用的企业 AI 建模原则：
不要只追求更复杂的模型结构，而要把领域机制显式融入模型设计。
NeuroH-TGL 的效果提升不是因为堆了很深的网络，而是因为它把脑网络中的时空协调、异质节点和历史传播机制转化成模型结构和损失函数。
在企业场景中，如果能把业务机制转化为模型先验，往往比单纯堆 Transformer、堆 GNN 更有效。
例如：
- RAG 系统中，可以显式建模文档权威性、时效性和权限；
- Agent 系统中，可以显式建模任务状态、工具依赖和风险等级；
- 异常检测中，可以显式建模正常规则、历史状态和关键部件；
- 推荐系统中，可以显式建模用户长期偏好和短期兴趣变化。
8. 个人理解与总结
NeuroH-TGL 这篇论文的价值在于，它没有把动态脑网络简单看成一串图，而是从脑网络运行机制出发，将动态脑图拆成拓扑一致性和时间趋势两个部分，再进一步挖掘空间异质性和时间异质性，最后用时序传播图卷积建模历史状态对当前拓扑的影响。
我认为这篇论文最值得关注的点有四个：
- 第一，提出了围绕神经异质性的动态图学习框架，而不是普通时空 GCN；
- 第二，用 STPD 将稳定结构和动态趋势解耦，增强了模型对脑网络机制的表达；
- 第三，用跨窗口相似性构造空间和时间异质性权重，突出关键脑区节点；
- 第四，用 TPGCN 显式建模历史异质状态对当前脑网络的调制作用。
从结果看，NeuroH-TGL 在 ADNI 和 PD 两个数据集上的多个分类任务中均取得更好表现，并且能识别出与 MCI、AD、TDPD、PGPD 相关的判别性脑区。这说明该方法不仅追求分类准确率，也具有一定可解释性和生物标志物发现能力。
但也要理性看待：该方法仍然依赖单一 fMRI 模态，样本规模有限，临床部署还需要跨中心验证、多模态融合、稳定性分析和更严格的外部测试。
一句话总结：
NeuroH-TGL 的核心思想是：在动态脑网络中，真正重要的不是所有节点的平均变化，而是那些具有空间连接密度和时间变化活跃性的异质节点，以及它们在历史状态到当前拓扑中的传播机制。