BrainCSD：面向脑部连接组表示学习与缺失模态合成的分层混合专家框架

《npj Digital Medicine》：BrainCSD: a hierarchical consistency-driven MoE framework for connectome synthesis and multitask brain trait prediction

　　

摘要

功能与结构连接组（FC/SC）是脑部疾病的信息量丰富的生物标志物，但其临床应用仍受限于采集成本、耗时的连接组构建流程，以及实际神经影像研究中缺失的模态。为应对这些挑战，我们提出BrainCSD（脑部连接综合与解码），一种面向连接组的表示学习和缺失模态连接组合成的分层混合专家（MoE）框架。BrainCSD无需预先计算的FC/SC矩阵作为直接输入，而是从fMRI或dMRI输入中学习具有神经解剖约束的表示，并基于模板和图谱实现解剖学对应关系。其架构包含三项一致性约束：感兴趣区域（ROI）级对齐、编码级一致性和网络级精炼。我们在7248名参与者、22个影像采集站点、9个数据集、5种神经及神经发育疾病以及15项下游任务上对BrainCSD进行了评估，涵盖连接组合成、疾病分类、脑龄预测和MMSE（简易精神状态检查）估计。BrainCSD生成的连接组为下游诊断和特征预测任务提供了有价值的补充信息。额外的平衡指标、图拓扑分析和亚组评估进一步支持了BrainCSD在基于连接组的分析中的潜在应用价值。尽管如此，目前的结果主要基于数据集内部验证，在临床使用之前，仍需进行更大规模的前瞻性外部验证、不确定性校准以及临床专家评估。