利用弱监督对分层脑网络进行建模的涌现语言符号自动编码器（ELSA）

脑网络表现出分层组织结构，这种复杂性对现有的深度学习模型构成了挑战，这些模型通常被构建为扁平分类器，导致可解释性方面的困难和“黑箱”问题。为了弥合这一差距，我们提出了一种新颖的架构：一种由弱监督和涌现语言（Emergent Language, EL）框架驱动的符号自动编码器。该模型通过生成分层聚类和相应的图像超越了传统的扁平分类器，随后通过符号句子对其进行表示，以提高诸如内在脑网络等分层组织数据的临床可解释性，这些网络可以使用静息态 fMRI 图像进行表征。我们的创新包括一个广义分层损失函数，旨在确保句子和图像都能准确反映功能脑网络的分层结构。这使我们能够从更宏观的视角向下建模功能脑网络直至更细微的细节。此外，我们引入了一种定量方法来评估这些符号表示的分层一致性。我们的定性分析表明，我们的模型成功生成了分层组织的、临床可解释的图像，这一发现得到了我们定量评估的支持。我们发现，表现最好的损失函数在识别与脑网络对应的图像时，分层一致性超过 97%。这种方法不仅推进了深度学习模型在神经影像分析中的可解释性，而且代表了向建模脑网络复杂分层本质迈出的重要一步。