大型脑连接图模型：基于多任务学习场景中脑-环境相互作用赋能的 fMRI 基础模型

可靠的功能神经影像基础模型对于推动临床应用至关重要，因为当前AI模型的性能受限于样本量的限制。为此，人们致力于利用可扩展的自监督学习在大量无标签 fMRI 数据上进行大规模预训练。由于自监督学习不一定与脑-结果关系一致，大多数基础模型对于下游任务（如预测疾病结果）并不次佳。我们利用丰富的环境变量和人口统计数据，结合前所未有的功能神经影像数量，将脑建模表述为多任务学习问题，提出可扩展的模型架构：(i) 通过对标记化的多重脑-环境相互作用进行多任务预训练；(ii) 通过分配预训练脑-环境相互作用的伪标签进行半监督微调。我们在多种应用上评估了该基础模型，包括性别预测、人类行为识别以及自闭症、帕金森病、阿尔茨海默病和精神分裂症的早期诊断，结果显示其在临床神经影像应用中具有巨大的潜力。