跨站脑网络学习：站点鲁棒脑网络分析框架
机器学习
2026-05-08 v1
摘要
基于图的功能性磁共振成像（fMRI）学习在脑网络分析中显示出强大的潜力。然而，现有方法在跨站点离散（OOD）设置下会性能下降，因为站点条件性混杂因子会导致非病理性的捷径，而由时间平均构建的功能连接性则掩盖了瞬时神经动力学，限制了对未知站点的泛化。本文提出了跨站点 OOD 鲁棒脑网络（Cross-site OOD Robust brain nEtwork, CORE），用于跨站点脑网络学习。CORE 首先进行站点感知混杂因子解耦，以缓解站点条件偏差并提取跨站点可重复诊断性连接边的人口框架。随后，利用轻量级时序描述符对该框架上的瞬时通路动力学进行描绘，并将框架边组织成链图以实现可迁移的通路级建模。最后，CORE 引入先验引导的主题自适应门控机制，利用框架派生的人口先验，同时保留主题特定的连接性变异性。在真实世界数据集（ABIDE、REST-meta-MDD、SRPBS 和 ABCD）上进行的离开单站点评估实验表明，CORE 在所有基准中均一致优于最先进的方法，提升幅度可达6.7%。此外，CORE 对图谱变体具有鲁棒性，在不同脑分割方案下均保持性能提升。
引用
@article{arxiv.2605.06050,
title = {When Brain Networks Travel: Learning Beyond Site},
author = {Yingxu Wang and Kunyu Zhang and Yanwu Yang and Thomas Wolfers and Yujie Wu and Siyang Gao and Nan Yin},
journal= {arXiv preprint arXiv:2605.06050},
year = {2026}
}