来自arXiv的预印本论文NeuroAlign由Xiongri Shen及另外15位作者共同完成，于2026年5月31日提交，归属于计算机视觉与模式识别（cs.CV）方向，并交叉列入人工智能（cs.AI）。该研究关注的是一个长期存在的难题：如何把功能MRI（fMRI）与扩散张量成像（DTI）这两类信息互补的神经影像数据有效结合起来，用于轻度认知障碍（MCI）的分析。功能影像反映大脑活动的动态连接模式，结构影像则揭示白质纤维通路等解剖学基础，两者结合在理论上能提供更全面的判断依据；但在实践中，异质化的特征空间与彼此错位的表示，使得融合过程困难重重。
为了应对上述挑战，作者提出了NeuroAlign，一个面向结构化多模态融合的分层框架。该框架包含两个核心组件。第一个是双模态分层对齐（Dual-Modal Hierarchical Alignment，DMHA），它负责对多尺度的动态连接进行建模，并在动态与静态表示之间、功能与结构嵌入之间建立对齐关系。第二个是双域分层交互（Dual-Domain Hierarchical Interaction，DDHI），它让连接层面与区域层面的特征之间既能进行细粒度的调制，也能实现全局层面的交互。通过这种由对齐到交互的层次化设计，模型试图在保留各模态特有信息的同时，形成统一的表示。
除预测性能外，可解释性也是该工作的重要一环。为此，研究团队设计了协同激活映射（Synergistic Activation Mapping，SAM），这是一种无需梯度、面向标记物的归因方法，可分别作用于动态功能连接（DFC）、静态功能连接（SFC）、低频涨落振幅（ALFF）以及各向异性分数（FA）等特征。与依赖反向传播梯度的常规可视化手段不同，SAM以标记物为导向，便于在特征层面上检视模型究竟依赖了哪些信号。
在实验部分，作者在GUTCM、ADNI和OASIS三个数据集上采用五折验证进行评估。结果显示，NeuroAlign在MCI与主观认知下降（SCD）检测任务上取得了有竞争力的表现，并初步展现出跨数据集的迁移能力。需要注意的是，文中的表述较为审慎，将迁移性称为初步结果，并未宣称已达到临床部署所需的稳健水平。
归因分析进一步揭示了具有模态特异性的脑区模式，同时也发现部分模式在不同模态之间保持一致，这为多模态表示的分析提供了由模型推导出的证据，也为理解模型决策与神经生物学机制之间的联系提供了线索。整体来看，该工作的贡献集中在融合架构的对齐与交互设计，以及配套的特征级归因工具上，其临床价值仍待更大规模、更多样化的数据验证。