BrainCSD：面向统一连接组合成与多任务脑特征预测的层次化一致性驱动的混合专家基础模型
神经元与认知
2025-11-11 v1 人工智能
摘要
功能连接 (FC) 和结构连接 (SC) 是脑分析的关键多模态生物标志物，但其临床实用性受限于高昂的获取成本、复杂的预处理以及经常缺失的模态。现有基础模型要么仅处理单一模态，要么缺乏针对跨模态和跨尺度一致性的显式机制。我们提出BrainCSD，一个层次化混合专家 (MoE) 基础模型，能够联合合成FC/SC生物标志物并支持下游解码任务（诊断和预测）。BrainCSD 具备三个神经解剖学基础组件: (1) 一个面向特定ROI的MoE，将标准网络（如默认模式网络DMN、职能连接网络FPN）中的区域激活与全景图谱通过对比度一致性对齐; (2) 一个Encoding-Activation MoE，用于建模fMRI/dMRI中的动态跨时/梯度依赖; (3) 一个面向网络感知的细化MoE，在个体和人口水平上强制结构性先验和对称性。我们在完整模态和缺失模态设置下对其进行评估，BrainCSD 实现了SOTA 成果: 在无FC情况下达到95.6%的MCI与CN分类准确率，低合成误差（FC RMSE: 0.038; SC RMSE: 0.006），脑年龄预测（MAE: 4.04年），以及MMSE评分估计（MAE: 1.72分）。代码已在 \href{https://github.com/SXR3015/BrainCSD}{BrainCSD} 上提供。
引用
@article{arxiv.2511.05630,
title = {BrainCSD: A Hierarchical Consistency-Driven MoE Foundation Model for Unified Connectome Synthesis and Multitask Brain Trait Prediction},
author = {Xiongri Shen and Jiaqi Wang and Yi Zhong and Zhenxi Song and Leilei Zhao and Liling Li and Yichen Wei and Lingyan Liang and Shuqiang Wang and Baiying Lei and Demao Deng and Zhiguo Zhang},
journal= {arXiv preprint arXiv:2511.05630},
year = {2025}
}