基于动态功能连接发现神经障碍的鲁棒生物标志物的基石模型
神经元与认知
2026-04-27 v1 人工智能
机器学习
信号处理
摘要
最近提出了几种脑基石模型 (Foundation Model, FM)，用于通过建模动态功能连接 (dynamic functional connectivity, FC) 来预测脑神经障碍。虽然这些模型在模型性能和零样本或少样本泛化方面表现出色，但作为潜在生物标志物所识别的显著特征尚未得到充分评估。我们提出了 RE-CONFIRM 框架，用于评估由深度学习 (deep learning, DL) 模型（包括基石模型）所识别的潜在生物标志物候选对象的鲁棒性。在针对自闭症谱系障碍 (Autism Spectrum Disorder, ASD)、注意力不足过动症 (Attention-deficit Hyperactivity Disorder, ADHD) 和阿尔茨海默病 (Alzheimer's Disease, AD) 的五个大型数据集进行实验后，我们发现尽管常用的性能指标提供了对模型预测的直观评估，但它们不足以评估这些模型所识别的生物标志物的鲁棒性。RE-CONFIRM 指标揭示，仅通过微调基石模型会导致模型未能有效捕捉区域枢纽，即使在已知枢纽与之有关的障碍（如 ASD 和 ADHD）中亦是如此。鉴于此，我们提出了 Hub-LoRA (Low-Rank Adaptation) 作为一种微调技术，使基石模型不仅能超越定制的 DL 模型，还能产生受元分析支持的神经生物学忠实的生物标志物。RE-CONFIRM 是可通用的，并且可以轻松应用于确定在功能 MRI 数据集上训练的深度学习模型的鲁棒性。代码已公开：https://github.com/SCSE-Biomedical-Computing-Group/RE-CONFIRM。
关键词
引用
@article{arxiv.2604.22018,
title = {Foundation models for discovering robust biomarkers of neurological disorders from dynamic functional connectivity},
author = {Deepank Girish and Yi Hao Chan and Sukrit Gupta and Jing Xia and Jagath C. Rajapakse},
journal= {arXiv preprint arXiv:2604.22018},
year = {2026}
}