《Magnetic Resonance Letters》：A spatio-temporal fingerprints with hierarchical activation refinement for predicting task activation maps from resting-state fMRI
编辑推荐：
本研究提出了一种直接从静息态功能磁共振成像（resting-state functional magnetic resonance imaging, rs-fMRI）预测个体化任务激活图的框架。该框架构建了多对一的时空指纹（spatio-temporal fi
本研究提出了一种直接从静息态功能磁共振成像（resting-state functional magnetic resonance imaging, rs-fMRI）预测个体化任务激活图的框架。该框架构建了多对一的时空指纹（spatio-temporal fingerprint），通过聚合Glasser图谱定义的360个皮层区域的脑区级表征，从原始静息态BOLD信号及其一阶时间导数中提取互补的神经动力学信息。随后，研究采用包含59,412个独立皮层灰质点（grayordinate）回归模型的灰质点级预测框架，并通过加权集成策略生成初始任务激活估计。为进一步提升预测精度，研究引入了分层残差细化策略：残差多层感知机（residual multilayer perceptron, residual MLP）在灰质点级别建模局部预测误差，而基于主成分分析（principal component analysis, PCA）引导的残差Transformer则在紧凑潜空间中通过自注意力机制捕获分布式皮层模式间的长程交互。实验结果表明，该框架在七种任务对比中取得了高达0.89的相关性，并在独立数据集上展现出良好的泛化能力，同时通过统计显著性分析、生物学可解释性评估、跨数据集泛化验证、噪声鲁棒性评估及消融研究全面验证了所提框架的有效性与稳健性。
一、研究背景与问题
任务态功能磁共振成像（task-fMRI）通过测量特定任务引发的血氧水平依赖（BOLD）信号，能够生成揭示局部神经活动与脑功能关联的任务激活图，在脑功能组织研究、个体差异表征、神经精神疾病探究及术前规划等领域具有重要科学和临床价值。然而，任务态数据的采集面临诸多实际挑战，包括需要精心设计的实验范式、长时间的扫描过程、受试者的依从性以及整个采集过程中持续稳定的任务表现。这些要求在儿童、老年、认知障碍患者及大规模队列研究中往往难以满足。相比之下，静息态功能磁共振成像（rs-fMRI）在受试者静息状态下采集，无需执行任何明确任务，采集过程相对简便，对任务表现变异性不敏感，且已在众多大型神经影像数据集中常规收集。这些优势促使研究者探索能否直接从静息态脑活动中估计任务诱发的功能响应。
已有研究尝试从静息态fMRI直接预测任务激活图，包括Tavor等人提出的基于脑区级线性回归框架、Cohen等人的前馈神经网络与随机森林模型、Tik等人的分段广义线性模型、Tetereva等人的堆叠弹性网络方法，以及Ngo等人的BrainSurfCNN、Kwon等人的SwiFUN、Zheng等人的稀疏集成学习框架等深度学习方法。然而，现有方法仍存在若干重要局限：多数方法依赖功能连接表征，将静息态信号概括为静态空间关系，从而丢弃了BOLD时间序列中包含的宝贵时间信息；此外，许多方法采用单阶段预测范式，未对残差预测误差进行显式建模或校正，限制了对精细皮层激活模式和个体特异性变化的恢复能力。研究人员的先前工作虽已证明从静息态BOLD信号直接提取的时间表征对任务激活图估计具有实质性预测信息，并利用时间注意力引导扩散模型和对抗学习进一步提升了预测相关性，但每种预测均从对应灰质点的时序表征独立学习，忽视了皮层区域间丰富的空间交互作用。
基于上述观察，本研究提出了基于多表征指纹学习的层次化时空预测框架，通过构建多对一的时空指纹、灰质点级精细预测及分层残差细化策略，实现从静息态fMRI到高分辨率任务激活图的精确预测。
二、研究内容与主要技术方法
研究人员利用人类连接组计划（Human Connectome Project, HCP）S900青年成人数据集作为主要评估数据，包含336名受试者，每名受试者静息态扫描含1,200个时间点，聚焦59,412个皮层灰质点。同时采用中国人类连接组计划（Chinese Human Connectome Project, CHCP）数据集进行跨数据集泛化验证。任务激活图涵盖七个认知域：关系推理（Relational）、社会认知（Social）、语言（Language）、工作记忆（Working Memory）、情绪（Emotion）、赌博（Gambling）和运动（Motor）。
研究采用的主要技术方法包括：第一，时空指纹生成，将皮层时间序列按Glasser 360脑区图谱分割，计算每个灰质点与全部360个脑区平均时间序列的皮尔逊相关系数，同时从一阶时间导数信号中提取补充指纹，形成互补表征；第二，灰质点级预测框架，对每个皮层灰质点独立训练岭回归模型，共59,412个模型，并通过加权集成融合原始信号与导数信号两个分支的预测结果；第三，残差多层感知机细化，以指纹表征与集成预测值拼接作为输入，在灰质点级别学习残差校正，网络结构为360→512→256→128→1的四层全连接网络；第四，PCA引导的残差Transformer细化，将残差MLP细化后的激活图通过PCA投影至250个主成分构成的紧凑潜空间，每个主成分作为独立token，通过多头自注意力捕获全局皮层依赖关系，最终通过逆PCA变换重构回原始灰质点空间。
三、研究结果
3.1 性能分析与统计显著性
时空指纹框架在七种任务对比中均取得强预测相关性，其中关系推理任务最高（r=0.731），社会认知（r=0.696）、语言（r=0.695）和工作记忆（r=0.661）次之，赌博（r=0.649）、情绪（r=0.601）和运动（r=0.497）相对较低，所有结果均具有统计学显著性（p<0.001）。残差MLP细化阶段进一步提升了预测性能，关系推理从0.731提升至0.761，工作记忆从0.661显著提升至0.735，情绪从0.601提升至0.614。残差Transformer细化阶段带来最为显著的提升，关系推理达到0.884，社会认知0.860，语言0.842，工作记忆0.874，情绪0.833，赌博0.838，运动0.726，所有改进均具有统计学显著性。运动任务相对较低的预测性能可能与其对应COPE3对比（左手运动条件）产生相对局限和偏侧化的激活模式有关。
3.1.1 定性评估与生物学可解释性
在inflated fs_LR 32k皮层表面上的定性比较显示，预测激活图与真实激活图在空间分布和强度上高度一致。基于Glasser 360脑区图谱的ROI分析识别出的激活区域与各认知范式的既定功能系统高度吻合：关系推理任务主要激活后压部皮层（RSC）、ProStriata（ProS）、31a区、前下托（PreS）等与高级认知加工和关系推理相关的区域；社会认知任务激活额叶岛盖皮层（FOP3、FOP4）、中后岛叶皮层、前无颗粒岛叶皮层（AAIC）、后扣带皮层（POS1）等与社会认知、情感加工、显著性检测和执行控制相关的网络；语言任务激活H区、9a区、颞叶TE1m区、前下托、海马旁区（PHA1）等与语言理解、语义加工和执行功能相关的区域；工作记忆任务激活后压部皮层、ProStriata、前下托、后扣带区域、内侧前运动皮层（6ma）、初级运动皮层（5L、5m、5mv）等与执行控制、视觉空间加工和工作记忆相关的系统。
3.1.2 跨数据集泛化
在CHCP数据集上的评估显示，该框架在仅以HCP数据训练、未进行任何重训练或微调的情况下，直接应用于采集条件显著不同的CHCP数据仍取得良好性能，七种任务对比的皮尔逊相关系数介于0.672至0.796之间，其中关系推理（0.796）、语言（0.778）和工作记忆（0.759）表现最佳。分层细化策略在跨数据集场景下仍持续有效，所有结果均具有统计学显著性（p<0.01）。
3.1.3 噪声鲁棒性
基于Power等人的方法计算平均框架位移（FD），将测试受试者分为低头部运动（LHM）和高头部运动（HHM）两组。结果显示两组预测性能高度一致，绝对性能差异（Δr）在所有任务中普遍低于0.01，表明该框架对中等程度的头部运动基本不敏感，具备应用于真实临床数据集的潜力。
3.2 消融研究
回归模型评估显示，岭回归在七种任务对比中一致取得最高预测性能，优于线性回归、LASSO、随机森林、XGBoost和支持向量回归。指纹表征消融显示，时空指纹（平均相关性0.647）一致优于纯空间指纹（0.627）和一阶导数指纹（0.615），证实联合建模时空信息比单独使用任一成分更具判别力。PCA消融显示，引入PCA将平均相关性从0.605提升至0.837，所有改进均具有统计学显著性（p<0.001）。PCA组件数量分析显示，预测性能随组件数量增加而持续提升，250个主成分达到最优。Transformer细化消融显示，PCA+Transformer细化（平均相关性0.836）一致优于仅PCA重构（0.666），平均提升0.170，表明Transformer对潜空间中高阶依赖关系的建模提供了额外的预测信息。
3.3 计算复杂度
时空指纹阶段训练约需2-3小时，推理约1分钟；残差MLP阶段训练约需8-9小时，推理约1分钟；残差Transformer阶段因操作于紧凑潜空间，训练和推理合计约5分钟。分层细化策略仅引入适度的额外计算开销。
四、结论与展望
本研究提出了一个层次化时空框架，用于直接从静息态fMRI预测个体化任务激活图。该框架首先通过整合静息态BOLD信号及其一阶时间导数构建灰质点级时空指纹，随后利用包含59,412个独立回归模型的灰质点级预测框架生成初始激活估计，再通过由残差多层感知机和PCA引导的残差Transformer组成的分层残差学习策略逐步细化预测结果。在HCP数据集上针对七种认知任务对比的广泛实验表明，框架的每个阶段均对整体预测性能产生积极贡献，最终达到个体化任务激活图预测的最新水平。统计显著性分析、生物学可解释性研究、头部运动鲁棒性分析和跨数据集评估进一步验证了框架的稳健性、可靠性和泛化能力。未来研究方向包括引入自监督学习、频域分析或小波域建模等更具表现力的时间表征，结合图神经网络或几何深度学习显式利用皮层拓扑结构，以及向统一多任务预测和大规模神经精神队列验证方向拓展，以推动其在个体化功能映射、生物标志物发现和精准神经影像学中的临床应用转化。
