BRIEF：基于大脑神经网络连接搜索与深度时序特征融合的疾病分类
机器学习
2025-08-19 v1 人工智能
摘要
现有的基于功能性 MRI 的深度学习分类模型在网络结构确定（依赖经验）和特征空间融合（主要是简单拼接，缺乏相互学习）方面存在局限。灵感来自人脑通过学习和决策不断更新神经连接的机制，我们提出了一种新颖的基于大脑启发的特征融合（BRIEF）框架，能够通过引入改进的神经网络连接搜索（NCS）策略和基于 Transformer 的多特征融合模块自动优化网络结构。具体而言，我们首先提取 4 种 fMRI 时序表征，即时间序列（TCs）、静态/动态功能连接（FNC/dFNC）和多尺度散度熵（MsDE），构建四个编码器。在每个编码器内部，我们采用修改后的 Q 学习来动态优化 NCS 以提取高层特征向量，其中 NCS 被形式化为马尔可夫决策过程。随后，所有特征向量通过 Transformer 融合，利用稳定/时变连接以及不同脑区之间的多尺度依赖关系实现最终分类。此外，还嵌入注意力模块以提高可解释性。我们将提出的 BRIEF 方法与 21 种最先进模型进行了比较，通过区分两种精神疾病（精神分裂症 SZ, n=1100）和自闭症谱系障碍 ASD, n=1550）为健康对照者分类。BRIEF 相对于 21 种算法在分类性能上实现了 2.2%~12.1% 的显著提升，分别达到 SZ 为 91.5% - 0.6% 和 ASD 为 78.4% - 0.5% 的 AUC。这是首次尝试在 fMRI 基础的精神疾病分类中引入脑感知、强化学习策略来优化网络结构，显示出在识别精确神经影像生物标志物方面具有巨大的潜力。
引用
@article{arxiv.2508.11732,
title = {BRIEF: BRain-Inspired network connection search with Extensive temporal feature Fusion enhances disease classification},
author = {Xiangxiang Cui and Min Zhao and Dongmei Zhi and Shile Qi and Vince D Calhoun and Jing Sui},
journal= {arXiv preprint arXiv:2508.11732},
year = {2025}
}