学习可学习社区感知的大脑连接组分析的变压器与令牌聚类
内容提要
本文探讨了功能性磁共振成像(fMRI)与Transformer模型在自闭症谱系障碍(ASD)预测和诊断中的应用。提出的Com-BrainTF架构在ASD预测任务中表现优越，且具有高可解释性。此外，研究还介绍了TokenGT和BrainNPT等新型模型，在脑网络分类和功能连接性分析中取得了显著进展。
延伸解读
从模型创新到临床可解释性
文章强调Com-BrainTF在ASD预测中兼具优越性能与高可解释性，这回应了医疗AI的核心需求：不仅要有高准确率，还需让医生理解模型依据。可解释性有助于建立临床信任，并可能揭示与ASD相关的脑连接模式，为诊断和治疗提供新视角。
自监督预训练在脑网络分析中的价值
BrainNPT利用未标记数据进行预训练，显著提升分类表现。这提示在脑影像领域，标记数据稀缺且昂贵，自监督学习能有效利用大量静息态fMRI数据，学习通用脑功能网络表示，从而减少对大量标注样本的依赖，推动模型在临床场景的落地。
多模型互补推动脑连接组分析
文章介绍了Com-BrainTF、TokenGT、BrainNPT和token clustering transformer等多种Transformer变体，分别针对ASD预测、神经变性疾病诊断、脑功能网络分类和区域特征提取。这些模型从不同角度解决脑网络分析的挑战，表明单一架构难以覆盖所有需求，未来趋势可能是多模型融合或任务特定设计。
Q&A
功能性磁共振成像如何帮助自闭症谱系障碍的诊断？
功能性磁共振成像能够构建大脑功能连通图，帮助理解自闭症谱系障碍的特点，从而提高治疗效果。
Com-BrainTF架构在ASD预测中有什么优势？
Com-BrainTF架构在ASD预测任务中表现优越，具有高可解释性，并能学习社群内外关联的节点表示。
TokenGT模型在神经变性疾病诊断中表现如何？
TokenGT模型在神经变性疾病的诊断和预后方面表现优于其他基准模型，并提供了良好的可解释性。
BrainNPT模型的预训练方法有什么效果？
使用未标记数据进行预训练的BrainNPT模型显著提高了脑功能网络分类的表现。
token clustering transformer模型的主要功能是什么？
token clustering transformer模型有效处理不同区域的特征提取问题，在多种人体相关任务上表现出色。
研究中提到的自监督软聚类方法有什么作用？
自监督软聚类方法通过确定相似行为的基础功能模块，导致具有区分性的簇感知节点嵌入和信息丰富的图嵌入。
