个体认知能力差异显著，但支撑这些差异的结构性脑特征仍不清晰。传统的脑-行为分析往往使用体积或皮层厚度等预定义指标，并假设行为与脑特征呈线性关系，这在样本量小的情况下敏感性不足。为此我们提出一种成对卷积排序框架，直接从全脑 T1 加权 MRI 中学习，通过比较而非绝对预测来提升小样本（N=108）下的表现。我们在四项空间能力任务上验证该方法，回归分析在所有任务上均实现了高精度预测，预测能力显著优于标准线性回归和点式深度学习基线。随后采用迭代皮层区域剔除（后向消除）策略，识别出四项任务共同的关键脑区以及各任务特有的脑区。结果表明，成对学习能够从结构性 MRI 中提取有意义的行为信息，既提供了预测能力，也揭示了个体差异的神经解剖学基础。
点评