腦神經成像技術在診斷腦部疾病方面變得越來越重要，從神經成像數據構建的腦圖為了解人腦的屬性提供了關鍵見解。盡管基于功能連接性的腦圖構建方法在診斷任務中已被證明是有效的，但它們通常未能結合神經科學的先驗知識，例如存在控制大腦功能各個方面的不同功能模塊。在這項工作中，我們將這些功能模塊定義為不同的腦圖社區，并提出了一個增強社區結構的腦圖挖掘框架。具體來說，我們設計了受社區約束的節點身份向量作為節點特征的一部分，以在模型優化過程中自適應地捕捉社區結構，從而適應下游任務的需求。重要的是，由于具有相同疾病的受試者之間存在共同的社區變化，這些身份向量在特定腦部疾病診斷任務的所有受試者之間是共享的。此外，為了提高模型的可解釋性，我們僅從身份向量生成注意力分數，使模型能夠持續關注與特定疾病相關的特定腦區和社區。最后，我們在三個真實世界的數據集上進行了廣泛的實驗。分析結果證明了我們方法的有效性，并為識別與相應腦部疾病相關的生物標志物提供了有價值的見解。