基于图Transformer的脑功能连接网络基础模型：推动神经影像研究与临床转化的新范式

【编辑推荐】针对神经影像领域缺乏通用基础模型的瓶颈，研究人员开发了首个基于图Transformer的脑功能连接网络(FCN)基础模型。该模型通过融合节点-边嵌入特征，构建了可适配分类/回归/聚类任务的灵活框架，在10,718例fMRI数据中实现性别/精神障碍分类、脑龄预测等任务性能超越14种对比方法，同时揭示了疾病特异性生物标志物，为神经科学研究提供了可扩展、可解释的分析工具。

　　

脑科学研究的数字化革命正面临关键挑战：尽管功能磁共振成像(fMRI)技术已能绘制大脑区域间的功能连接(functional connectivity, FC)图谱，但如何从这些复杂网络中提取普适性特征仍缺乏有效工具。传统分析方法往往针对单一任务设计，难以适应临床场景的多样性需求。更棘手的是，现有方法对节点特征与连接关系的协同编码能力不足，导致神经精神疾病(如自闭症、精神分裂症)的生物标志物发现效率低下。

为解决这些难题，山西大学等机构的研究团队在《Pattern Recognition》发表创新成果，开发了首个面向脑功能连接网络(FCN)的基础模型。该研究突破性地将图Transformer架构引入神经影像分析，通过10,718例多中心fMRI数据的验证表明，其性能全面超越14种现有方法，同时实现了跨任务的灵活迁移。这项研究不仅为脑网络分析建立了新范式，更通过可解释的生物标志物挖掘推动了精准医疗发展。

关键技术方法包括：1) 基于UK Biobank的6,694例健康受试者fMRI数据构建预训练集；2) 设计包含节点-边联合编码的图Transformer自编码器；3) 开发任务适配器机制实现分类(性别/精神障碍)、回归(脑龄预测)和聚类(焦虑抑郁亚型)的统一框架；4) 采用滑动窗口动态FC计算和AAL-90脑图谱分区。

【数据采集与FC计算】
研究团队严格筛选UK Biobank项目中6,694名健康志愿者的静息态fMRI数据作为预训练集，采用DPABI软件进行预处理，包括头动校正、空间标准化至MNI空间，并基于AAL-90模板提取90个脑区时间序列。功能连接矩阵通过计算皮尔逊相关系数获得，最终构建出动态FC网络作为模型输入。

【消融实验】
系统验证显示，移除预训练、边特征或边-节点解码器等组件均导致性能显著下降。特别在精神分裂症分类任务中，完整模型的AUC达0.91，而去除边特征后降至0.84，证实了多模态特征融合的必要性。任务特定标记(token)的引入使回归任务的MAE降低12%，凸显了架构设计的优越性。

【结论与展望】
该研究创立了神经影像分析的三重突破：首先，图Transformer架构首次实现了节点属性与连接强度的统一建模；其次，模块化设计支持从群体研究到个体化医疗的平滑过渡；最后，模型识别的FC模式为精神疾病提供了新干预靶点。未来工作将拓展到多模态数据融合和实时分析系统开发，推动基础研究向临床转化。

这项由Yulong Wang领衔的研究获得了中国国家自然科学基金(62076157)等多项支持，其创新性体现在：1) 建立首个脑FCN基础模型；2) 开发可解释的跨任务迁移框架；3) 在万人级队列中验证临床价值。研究不仅填补了神经影像领域的技术空白，更为理解大脑工作机制提供了新视角，标志着人工智能与脑科学的深度融合进入新阶段。