脑图基础模型：跨广泛脑图谱与疾病的预训练与提示微调

随着大型语言模型（LLM）持续颠覆人工智能研究，构建大规模脑基础模型以推动神经科学发展的兴趣日益浓厚。现有的大多数脑基础模型基于时间序列信号或连接组特征进行预训练，而我们提出了一种新颖的基于图的预训练范式来构建脑图基础模型。在本文中，我们引入了脑图基础模型（Brain Graph Foundation Model），称为 BrainGFM，这是一个利用图对比学习和图掩码自编码器进行大规模基于 fMRI 的预训练的统一框架。BrainGFM 在具有不同分区的多种脑图谱混合数据上进行预训练，显著扩展了预训练语料库并增强了模型在异构 fMRI 衍生的脑表示上的泛化能力。为了支持高效且通用的下游迁移，我们将图提示和语言提示集成到模型设计中，使 BrainGFM 能够灵活适应广泛的图谱、神经和精神疾病以及任务设置。此外，我们采用元学习来优化图提示，通过语言引导的提示，促进在少样本和零样本学习条件下对未见疾病的强泛化能力。BrainGFM 在涵盖 25 种常见神经和精神疾病的 27 个神经影像数据集上进行预训练，包含 2 种脑图谱类型（功能和解剖）跨越 8 种广泛使用的分区，覆盖超过 25,000 名受试者、60,000 次 fMRI 扫描，以及汇总所有图谱和分区的总计 400,000 个图样本。