基于 fMRI 的认知预测：图神经网络、Transformer 与核模型在任务与休息条件下的比较研究

从健康个体的神经影像数据预测认知功能可提供关于认知能力背后神经机制的见解，具有在精准医学和早期检测神经与精神疾病方面的潜在应用。本研究系统性地对比了经典机器学习方法（核岭回归 (KRR)）和先进深度学习模型（图神经网络 (GNN) 和 Transformer-GNN (TGNN)），使用来自 Human Connectome Project Young Adult 数据集的静息状态 (RS) 、工作记忆和语言任务 fMRI 数据进行认知预测。我们的结果基于 R2 分数、皮尔逊相关系数和平均绝对误差，表明诱发认知相关神经反应的任务型 fMRI 在预测认知行为方面优于 RS fMRI。对于比较的方法而言，结合结构连接 (SC) 和功能连接 (FC) 的 GNN 在所有 fMRI modalities 中始终实现最高性能；然而，其性能优于仅使用 FC 的 KRR 并不显著。设计用于建模时序动态的 TGNN 在任务 fMRI 中与基于 FC 的方法竞争力十足，但在 RS 数据方面表现不佳，其性能与直接将 fMRI 时间序列数据作为节点特征的性能较低的 GNN 一致。这些发现突显了选择合适模型架构和特征表示的重要性，以充分利用神经影像数据的空间与时序丰富性。本研究突显了多模态图感知深度学习模型结合 SC 和 FC 进行认知预测的潜力，以及 Transformer 方法捕捉时序动态的前景。通过提供模型的全面比较，这项工作为使用 fMRI、SC 和深度学习开展大脑行为建模提供了指南。