本研究聚焦于静息态功能磁共振（rs-fMRI）数据，创新性地构建轻量级CNN-LSTM深度学习模型，用于自动识别SLE患者与HCs的脑功能网络差异。该研究旨在验证脑成像方法辅助SLE分类诊断的潜力，并特别关注无明显神经精神症状的SLE患者，以挖掘其功能网络在疾病分类中的潜力，为早期识别提供算法支持。

纳入A（昆明市第一人民医院）、B（昆明医科大学第一附属医院）、C（中国医科大学附属第一医院）、D（北京协和医院）四个中心符合入排标准的SLE患者（n=615）及性别、年龄匹配的HCs（n=313）。所有受试者均行头颅三维T1结构像（3D-T1WI）、扩散张量成像（DTI）及静息态功能磁共振成像（rs-fMRI）。对rs -fMRI数据行标准化预处理，基于解剖自动标记模板（AAL-116）提取脑区感兴趣区（ROI）时间序列并构建全脑功能连接矩阵；构建卷积神经网络-长短期记忆网络（CNN-LSTM）轻量级模型，基于光谱稀疏（Sparse Representation, SR）方法构建稀疏脑功能网络，实现SLE患者的精准分类识别。

（1）基于轻量级CNN-LSTM融合模型在四个中心数据中的分类效能存在异质性：A中心（昆明市第一人民医院，1.5T MRI）判别效能最优，准确率达0.9090±0.0325，F1分数0.9315±0.0253，敏感度与特异度均>0.90，性能稳定且均衡。（2）3.0T MRI数据中心中，B中心（昆明医科大学第一附属医院）准确率为0.7406±0.0447，C中心（中国医科大学附属第一医院）为0.7036±0.0613，D中心（北京协和医院）为0.6517±0.1133。模型对SLE组保持较高识别敏感度（TPR>0.79），但对HCs组特异度偏低（TNR 0.37–0.45），尤以D中心为著（TNR=0.3929）。（3）特征降维可视化结果显示，A、B、C三中心样本类别可分性较高，D中心样本可分性一般，与定量分类性能趋势一致。

轻量级SR+CNN-LSTM融合模型在SLE识别中展现出良好的分类效能，通过整合局部空间特征提取与长程时序依赖建模，有效捕捉了SLE患者脑功能网络的异常模式，实现了对SLE脑功能连接特征差异的精准判别，为构建基于rs-fMRI的SLE影像学辅助诊断模型提供了有效框架。