基于基础模型的多模态学习用于 fMRI 神经性疼痛药物反应预测

神经性疼痛影响成年人口的约 10%，因治疗疗效和耐受性有限而难以治疗。虽然静息态功能性磁性共振成像 (rs-fMRI) 作为预测药物反应的脑生物标志物具有前景，但 fMRI 的复杂性要求模型具备较大容量。然而，神经性疼痛研究中的数据稀缺限制了高容量模型的应用。为解决数据稀缺问题，我们提出了 FMM$_{TC}$：一种基于基础模型的多模态学习框架，用于 fMRI 神经性疼痛药物反应预测，该框架利用疼痛特定数据中的内部多模态信息以及大规模疼痛无关数据的外部知识。具体而言，为充分利用有限的疼痛特定数据，FMM$_{TC}$ 集成了来自两种 rs-fMRI 模态的互补信息：时间序列和功能连接。FMM$_{TC}$ 还通过来自广泛疼痛无关 fMRI 数据集的外部知识得到了 fMRI 基础模型的强化。使用本实验室数据集和来自 OpenNeuro 的公开数据集进行评估表明，FMM$_{TC}$ 在表示能力、通用性和跨数据集适应性方面优于现有的单模态 fMRI 模型。消融研究验证了多模态学习和基础模型驱动的外部知识迁移在 FMM$_{TC}$ 中的有效性。集成梯度解释研究阐明了 FMM$_{TC}$ 跨数据集动态行为如何增强其适应性。总之，FMM$_{TC}$ 通过准确预测药物反应，提高了神经性疼痛治疗开发中临床试验的参与者分层效率。