合并任务阶段为何会丢失信号
多数连接组模型会把一次任务态fMRI扫描变成一张成对图或一个功能连接（FC）矩阵，再学习整个时段的单一表征。论文认为，这种聚合会削弱条件特有的信号：FC会随任务阶段重新配置，而成对图只沿两个ROI之间的边传递信息，无法直接在一组脑区上聚合信息。
CoHyFuse是论文对这一缺口的回应。它是一个条件感知、以ROI为中心的超图框架：每条超边连接多个感兴趣区（ROI）而非一对，并且成员结构会按任务条件重建。因此，同一个ROI可以在同一范式的不同阶段属于不同的多ROI超边。
一个条件如何变成一组超边
对每个条件，方法先为每个ROI导出FC剖面嵌入，再选出其前K_q个邻居；这些邻域定义超边，由此得到的成员关系构成该条件专属的关联矩阵。邻域大小K_q本身也随条件变化，因此编码、分心和回忆阶段的超边尺度可以不同，而不是全局固定。
每个条件的超图都会经过一个超图神经网络分支，各条件嵌入再由多头注意力合并。融合后的条件表征与一个互补的全时段FC分支整合，然后用于回归或分类。该设计保留了两个视角：阶段分辨的ROI集合结构，以及时段级连接。
两个AABC任务上的回归提升
在AABC队列（N=1,074）中，CoHyFuse在FACENAME流体认知综合分预测上达到7.83±0.10 MAE和0.439±0.026 R²，在VISMOTOR年龄预测上达到7.52±0.37 MAE和0.592±0.022 R²。这些是所评估基线中最好的平均折外结果；基线包括SVM、MLP、GCN、GAT、BrainGNN、HGNN、HNHN、ED-HNN、ALTER、TA-GAT和STNAGNN，全部使用相同的按被试划分折、预处理、脑区划分和基于验证集的模型选择。
提升幅度不大，但配对自助检验支持这些差异：FACENAME相对TA-GAT的MAE改善为0.34（95% CI [0.11, 0.57]，p=0.004），VISMOTOR相对ALTER的改善为0.39（95% CI [0.18, 0.60]，p=0.018）。作者指出，FACENAME覆盖较宽的成人生命周期队列，因此他们把其R²报告为未校正的总折外预测表现，而非协变量校正后的效应量。一项混杂检查发现，仅用年龄、性别和FD的模型达到R²=0.25，而CoHyFuse为0.439；按折校正后，FACENAME关联仍然显著（偏相关r=0.34，p<0.001）。
哪些组件带来了提升
FACENAME上的消融实验区分了各部分的贡献。移除所有条件分支造成最大下降（ΔMAE +0.48，ΔR² −0.065），移除全时段FC分支同样有损（ΔMAE +0.37，ΔR² −0.064）。在单条件移除中，去掉DIST（分心）条件带来的MAE增幅最大（+0.34），高于ENC（+0.27）和REC（+0.25）。
框架内对照检验超图算子本身是否重要。CoHyFuse-MLP使用向量化的条件FC矩阵配合MLP预测器，达到8.11 MAE和0.404 R²；换成基于关联矩阵的HGNN后提升到7.83和0.439。CoHyFuse-GCN和CoHyFuse-GAT保留相同的条件输入、K_q搜索空间、融合结构和全时段分支，但改用匹配的成对传播，两者得分都低于超图版本。作者据此认为，条件索引的关联矩阵构建和基于超边的ROI集合聚合，比简单拼接或成对传播提供了额外价值。
条件专属邻域大小确有影响
K_q搜索在FACENAME上比较了共享设置与条件专属设置。共享K方案如(5,5,5)、(10,10,10)和(50,50,50)产生的MAE在7.98到8.05之间，R²约为0.405到0.408。条件专属设置更好：(50,45,5)给出7.83 MAE和0.439 R²，(45,50,5)和(50,50,10)紧随其后，MAE分别为7.85和7.84。
这是论文内部的比较，并不表示这些具体数值能迁移到其他任务或队列。论文自己的局限性部分指出，条件FC估计需要较长的条件时间窗，而条件专属K_q会增加超参数搜索成本。
辅助分类检验与分心条件的主导作用
在辅助的CMI-HBN ADHD分类基准（N=223）上，CoHyFuse取得72.0±2.1%的宏平均AUC和74.2±2.9%的准确率。这与AABC回归结果是不同的任务和队列，因此两组数字不应被读作一个合并的性能结论。
遮挡分析识别出分心条件是模型预测的主要驱动因素，指向显著性/腹侧注意网络（SAN）—额顶网络（FPN）以及SAN内部由超边定义的ROI集合模式，作为候选的模型相关模式。论文还报告，分心条件下超边引导的子网络强度与FCC的关联最强（r=0.36），主要网络对贡献来自SAN–SAN和SAN–FPN连接。这些被描述为候选模式和关联，而非已确立的因果机制。
证据止于何处
预测结论受限于所评估的基线、两个公开数据集，以及各模型共享的特定预处理、脑区划分和验证流程。作者还列出进一步限制：稳定的条件FC需要较长的条件时间窗，条件专属K_q增加超参数搜索成本。他们把可学习的邻域选择、时间自适应条件建模，以及跨任务、队列、图谱和连接估计器的更广泛验证列为未来工作。
可解释性结果是基于遮挡的候选模式，而非经过验证的神经机制，ADHD基准也被描述为辅助性质。读者应把FACENAME和VISMOTOR的提升视为证据，表明在这一设置内，状态分辨的ROI集合结构为全时段FC补充了信息，而不是跨范式的普遍保证。
这篇论文设定的优先级
论文最具决策意义的要点是一个比较，而非单一分数：在相同输入和融合结构下，条件化关联矩阵构建加超边聚合，同时优于条件FC拼接（CoHyFuse-MLP）和匹配的成对传播（CoHyFuse-GCN/GAT）。如果你要在把任务阶段建模为分离的成对图与建模为条件专属ROI集合超图之间做选择，这篇论文在其评估队列内的证据支持后者。
第二个优先级是分心条件。它产生了最大的单条件消融效应，以及与FCC最强的已报告关联，因此任何复用该框架的后续工作都应检查分心阶段的超边是否承载了信号，而不是假设所有阶段贡献相同。
本文引用的文献
CoHyFuse: Condition-wise Hypergraph Fusion with Global Connectome in Task-fMRI
CoHyFuse构建条件专属的ROI超图，并与全时段FC分支融合，在AABC的FACENAME（7.83 MAE，0.439 R²）和VISMOTOR（7.52 MAE，0.592 R²）上取得所评估基线中最好的平均折外表现，并在辅助ADHD分类上取得72.0%宏平均AUC。