Brain-Semantoks：基于自蒸馈基础模型学习脑动力学语义标记

为功能磁性共振成像（fMRI）时间序列开发基础模型具有重要前景，可用于预测与疾病和认知相关的表型。然而，当前模型通常使用在小脑区区域上的掩码-重构目标进行训练，这些关注低级信息的模型导致表征对噪声和时间波动敏感，需 extensive fine-tuning 才能适用于下游任务。我们提出 Brain-Semantoks，一个专为学习脑动力学抽象表征而设计的自监督框架，其架构基于两个核心创新：一个语义标记器，将噪声区域信号聚合为代表功能网络的稳健标记，以及一个自蒸馈目标，用于在时间上强制表征稳定性。我们展示，该目标通过一种新颖的训练课程来稳定，确保模型从低信噪比时间序列中稳健学习有意义的特征。我们证明，所学表征即使仅使用线性探针，也能在各种下游任务上实现强性能。此外，我们提供了全面的扩展分析，表明更多无标签数据可靠地导致无域适应的样本外性能提升。