El deterioro cognitivo leve temprano (EMCI) es la etapa más temprana intervenible de la enfermedad de Alzheimer (EA). Aunque las redes neuronales gráficas (GNN) han comenzado a explotar la topología de la red cerebral, los métodos de diagnóstico tradicionales basados en fMRI a menudo descuidan estos patrones estructurales al depender de características vectorizadas. Además, las GNN existentes frecuentemente ignoran la heterogeneidad funcional interregional y los patrones discriminativos a nivel de grupo, lo que lleva a una precisión y una interpretabilidad de biomarcadores limitadas. Para abordar estos desafíos, proponemos HF-BrainGNN, un marco de aprendizaje jerárquico de gráficos de extremo a extremo para la identificación de EMCI. Nuestro método introduce una capa de convolución de región de afinidad funcional (FAR-Conv) para aprender núcleos adaptativos a la región, un módulo de agrupamiento de enfoque diferencial (DF-Pool) para identificar regiones cerebrales relevantes para la enfermedad maximizando la distintividad entre grupos, y un clasificador de integración jerárquica (HIC) para fusionar representaciones gráficas de múltiples niveles. El marco se optimiza utilizando pérdidas de clasificación, separación de enfoque y regularización de consistencia. Los experimentos en el conjunto de datos ADNI (104 EMCI, 114 Cognitivamente Normales) muestran que HF-BrainGNN logra una precisión del 86.78%, superando la mejor línea base (Hi-GCN) en un 4.64%. Además, las regiones identificadas automáticamente, como el hipocampo bilateral y los núcleos de la red de modo por defecto, se alinean con los biomarcadores de EMCI establecidos. En última instancia, HF-BrainGNN proporciona una herramienta de inteligencia artificial eficiente e interpretable para la caracterización precisa de la red cerebral y la intervención temprana en la EA.