Debido a la naturaleza incompleta de los datos de pruebas cognitivas y los sesgos subjetivos humanos, diagnosticar con precisión enfermedades mentales utilizando datos de imágenes por resonancia magnética funcional (fMRI) representa una tarea desafiante. En el diagnóstico clínico de trastornos mentales, a menudo surge un problema de datos etiquetados limitados debido a factores como grandes volúmenes de datos y procesos de etiquetado engorrosos, lo que lleva a la aparición de datos no etiquetados con nuevas clases, lo que puede resultar en diagnósticos erróneos. En el contexto de la clasificación de trastornos mentales basada en grafos, el aprendizaje semi-supervisado en un mundo abierto para la clasificación de nodos tiene como objetivo clasificar nodos no etiquetados en clases conocidas o potencialmente nuevas, presentando un problema práctico pero poco explorado dentro de la comunidad de grafos. Para mejorar el aprendizaje de representación y la clasificación semi-supervisada en un mundo abierto en fMRI bajo configuraciones de baja etiqueta, proponemos un nuevo enfoque de aprendizaje semi-supervisado en un mundo abierto adaptado para el análisis de imágenes por resonancia magnética funcional, denominado Aprendizaje Semi-Supervisado en un Mundo Abierto para el Análisis de fMRI (OpenfMA). Específicamente, empleamos el aprendizaje auto-supervisado de aumento espectral y el aprendizaje contrastivo de conceptos dinámicos para lograr un aprendizaje de grafos en un mundo abierto guiado por pseudo-etiquetas, y construimos pares de muestras positivas difíciles para mejorar el enfoque de la red en pares positivos potenciales. Los experimentos realizados en conjuntos de datos públicos validan el rendimiento superior de este método en el dominio del diagnóstico de enfermedades psiquiátricas en un mundo abierto.