NeuroMambaLLM：基于 Mamba 与语言模型推理的自变动 fMRI 功能连接动态图学习——用于自闭症大脑
图像与视频处理
2026-05-27 v3 机器学习
摘要
大型语言模型（LLM）在跨模态领域展现出强大的语义推理能力，但其与基于图的脑连接模型的集成仍有限。此外，大多数现有 fMRI 分析方法依赖静态功能连接（FC）表示，这掩盖了自闭症等神经发育障碍中至关重要的瞬时神经动力学。最近的状态空间方法，包括 Mamba，高效地建模时序结构，但通常作为独立的特征提取器使用，缺乏显式的高层推理。我们提出 NeuroMambaLLM，一个集成动态潜在图学习与选择性时序建模的端到端框架。该方法从原始血氧水平依赖信号（BOLD）时间序列中动态学习功能连接，取代固定的相关图，实现适应性潜在连接的同时抑制运动相关伪影并捕获长程时序依赖。得到的动态脑表征被投射到 LLM 模型的嵌入空间中，其中基础语言模型保持冻结，轻量级低秩适应（LoRA）模块用于参数高效对齐。此设计使 LLM 能够进行诊断分类与语言推理，允许其分析动态 fMRI 模式并生成临床上有意义的文本报告。
引用
@article{arxiv.2602.13770,
title = {NeuroMambaLLM: Dynamic Graph Learning of fMRI Functional Connectivity in Autistic Brains Using Mamba and Language Model Reasoning},
author = {Yasaman Torabi and Parsa Razmara and Hamed Ajorlou and Bardia Baraeinejad},
journal= {arXiv preprint arXiv:2602.13770},
year = {2026}
}