迈向用于 fMRI 分析的通用基础模型
计算机视觉与模式识别
2026-03-25 v2 机器学习
摘要
功能磁共振成像 (fMRI) 对于研究大脑功能和诊断神经系统疾病至关重要。然而，由于复杂的预处理流程和特定任务的模型设计，现有分析方法面临可重复性和可迁移性的挑战。在本工作中，我们引入了 NeuroSTORM（具有时空优化表示建模的神经成像基础模型），它直接从 4D fMRI 体素中学习可泛化的表示，并能够高效迁移到各种下游应用。具体而言，NeuroSTORM 在来自超过 50,000 名受试者的 2865 万帧 fMRI 数据上进行预训练，涵盖多个中心以及 5 至 100 岁的年龄段。它结合了高效的时空建模设计和轻量级任务适应，以实现可扩展的预训练和向下游应用的快速迁移。我们在此表明，NeuroSTORM 在五项下游任务中始终优于现有方法，包括人口统计学预测、表型预测、疾病诊断、重识别和状态分类。在两个包含 17 种诊断的多医院临床队列上，NeuroSTORM 取得了最佳诊断性能，同时保持对心理和认知表型的预测能力。这些结果表明，NeuroSTORM 可以成为用于可重复和可迁移 fMRI 分析的标准化基础模型。
引用
@article{arxiv.2506.11167,
title = {Towards a general-purpose foundation model for fMRI analysis},
author = {Cheng Wang and Yu Jiang and Zhihao Peng and Chenxin Li and Changbae Bang and Lin Zhao and Wanyi Fu and Jinglei Lv and Jorge Sepulcre and Carl Yang and Lifang He and Tianming Liu and Xue-Jun Kong and Quanzheng Li and Daniel S. Barron and Anqi Qiu and Randy Hirschtick and Byung-Hoon Kim and Hongbin Han and Xiang Li and Yixuan Yuan},
journal= {arXiv preprint arXiv:2506.11167},
year = {2026}
}