近日，我院教师的研究论文“IEBGL:An Interpretability-Enhanced Brain Graph Learning Framework with LLM-Instructed Topology and Literature-Augmented Semantics”被CVPR 2026录用。我院为该成果的第一完成单位，硕士研究生段一航为该论文的第一作者，张礼副教授为通讯作者。

       CVPR（IEEE Conference on Computer Vision and Pattern Recognition）由IEEE举办，是人工智能与计算机视觉领域的国际顶尖盛会。本届CVPR会议竞争异常激烈，共收到来自全球的16,092篇有效投稿，最终仅录用了4090篇论文，录用率为25.42%。 

图1. IEBGL框架概览

       静息态功能磁共振成像（rs-fMRI）为疾病诊断中的脑连接建模提供了丰富的信息。然而，现有的大多数脑图学习方法仅依赖影像数据，导致生物学可解释性有限，且与外部医学知识的整合较差。为了应对这些挑战，作者提出了一种可解释性增强的脑图学习框架（IEBGL），将脑网络建模锚定在大规模医学知识中。该框架引入了两个互补模块：大语言模型指导的拓扑重构模块（LITR）和文献增强的语义聚合模块（LISA）。LITR利用大语言模型推理来优化脑连接并构建拓扑结构；LASA通过聚合生物医学文献中的语义信息来增强节点表示，确保模型的可解释性和与临床疾病知识的相关性。最后，该框架与图双向Mamba网络一起训练用于疾病诊断。在REST-meta-MDD和ABIDE数据集上进行的广泛实验，连同35,133篇抑郁症相关和32,617篇自闭症相关的出版物，证明了IEBGL在分类性能上优于最先进的方法。分析表明LITR模块揭示了脑连接中具有生物学意义的改变，而LASA模块在改变区域与疾病相关的生物医学文献之间建立了可解释的关联，这些机制共同帮助IEBGL解释异常的脑连接及其与疾病相关知识的联系。