基于亲和力学习的脑功能表征用于疾病诊断

Affinity Learning Based Brain Function Representation for Disease Diagnosis

摘要

背景： 静息态功能磁共振成像 （rsfMRI） 是量化脑功能连接 （FC） 的有效手段，在诊断疾病方面具有潜力。然而，传统的 FC 措施可能无法概括大脑错综复杂的功能动力学;例如，通过 Pearson 相关计算的 FC 仅捕获来自不同大脑区域的信号之间的线性统计依赖关系。
目的： 提出了一个用于建模 FC 的亲和力学习框架，利用预训练模型来辨别大脑区域之间的信息功能表示。
方法： 采用随机采样的补丁并对其进行编码以生成区域嵌入，随后被提议的亲和力学习模块用于通过亲和力编码器和信号重建解码器推断任何一对区域之间的函数表示。整合了大型语言模型 （LLM） 的监督，以整合先前的脑功能知识。
结果： 在两个数据集中评估了我们的框架的有效性。下游脑疾病诊断任务的结果强调了获得性功能表示的有效性和普遍性。总之，我们的方法为连接组学中的脑功能表征提供了新的视角。

代码地址

方法

1. 随机对Patch进行采样，并将它们编码为区域向量。
2. affinity 学习模块通过编码器-解码器结构生成函数表示。
3. 利用 LLM 的知识来指导亲和力学习，即 LLM 指导的监督。
4. 在应用中，采用预训练模型生成图形形式的函数表示，从而可以有效地诊断脑部疾病，即通过基于图形的分类。

实验结果