同樣是fMRI分析，換個流程結果就可能不一樣？Nat Biomed Eng 直接用4D體素直接學腦功能

認知神經科學前沿文獻分享

基本信息

Title:Towards a general-purpose foundation model for functional MRI analysis

發表時間:2026-04-23

發表期刊:Nature Biomedical Engineering

影響因子:26.6

獲取原文:

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本

根據文章頁信息顯示，本文最后通訊作者是來自香港中文大學的袁奕萱(Yixuan Yuan)老師，第一作者來自其實驗室的博士生 Cheng Wang 同學，實驗室主頁：https://www.ee.cuhk.edu.hk/~yxyuan/people/people.htm

研究背景

功能磁共振成像（fMRI）分析一直有個老問題：預處理流程和任務專用模型各干各的，互不搭理。主流做法是把四維體數據壓成腦區連接矩陣，省了算力，但體素級的時空信息可能就丟了，還順帶引入了圖譜的偏置

直接建模4D fMRI倒是條路，可計算量大、時空冗余多，標準的掩碼自編碼器（MAE）又容易靠鄰近信息"偷懶補全"，學不到什么有用的表示。本文就提了一個面向通用fMRI分析的基礎模型框架，想在統一表示空間里同時把可遷移性和復現性提上去

實驗設計與方法邏輯

本文的實驗思路如下：

1. 作者在UK Biobank、ABCD和Human Connectome Project多個子庫的未標注靜息態和任務態fMRI上做了大規模自監督預訓練，語料覆蓋超過50,000名參與者、28.65 million fMRI幀，全部統一對齊到MNI152空間的4D體數據輸入

2. Neuroimaging Foundation Model with Spatial–Temporal Optimized and Representation Modelling（NeuroSTORM），主干用了移位窗口Mamba（shifted-window Mamba，SWM）來降低4D建模的復雜度和顯存占用。預訓練時加了時空冗余丟棄（spatiotemporal redundancy dropout，STRD）抑制局部冗余，遷移階段用任務特定提示微調（task-specific prompt tuning，TPT），只更新少量任務參數

3. 之后在年齡/報告性別預測、表型預測、疾病診斷、fMRI重識別和狀態分類五類任務上，按統一8:1:1劃分和一致預處理，對比了ROI-based和volume-based基線，還額外評估了低標注場景下的標簽效率

核心發現

發現一：NeuroSTORM在多類下游任務中整體表現更強

在年齡與報告性別預測、表型預測和疾病診斷三類任務里，NeuroSTORM整體優于或匹配對比方法，而且優勢不局限在單一數據集上。HCP-YA報告性別分類準確率到了93.28%，ABCD年齡預測誤差低于最強基線SwiFT；MND疾病診斷上達到86.50%，HCP-EP早期精神病檢測為69.06%

Fig. 2–Fig. 4 展示了跨數據集、跨任務的統一比較，NeuroSTORM在年齡/性別預測、表型預測和疾病診斷上都整體優于或匹配現有ROI-based和volume-based基線，泛化能力不局限于單一任務或數據集

作者在多項任務里逐步減少微調標簽比例，發現NeuroSTORM通常比基線下降得更慢。HCP-D報告性別任務用50%標簽還能到83.7%，ADHD200疾病診斷用50%標簽為68.7%，HCP-YA狀態分類用10%標簽仍有84.2%的總體準確率

Fig. 2、Fig. 4 和 Fig. 6 的label efficiency曲線顯示，NeuroSTORM在數據稀缺時性能退化更平緩，預訓練表示在低標注場景下更容易遷移

在HCP-YA閉集fMRI重識別任務中，NeuroSTORM達到93.1% rank-1 accuracy和92.4% mAP，超過了最強基線SwiFT；狀態分類方面，HCP-YA七類任務狀態總體準確率約92.40%，DMT-HAR-MED藥物狀態分類平均準確率為90.0%

Fig. 5 展示了重識別指標的整體領先，Fig. 6 顯示其對任務狀態和藥物狀態都有較強區分能力，但這些結果仍限于特定基準和數據集

省流總結

這篇論文提出了直接建模4D fMRI體數據的基礎模型NeuroSTORM，用統一基準顯示它在五類下游任務中整體優于或匹配現有方法，低標注時也更穩。它的意義主要是推動通用fMRI表示學習，不是說對所有數據、疾病或臨床場景都已經能拿來就用了。預訓練語料中任務態fMRI占比不到20%、缺乏解剖先驗、以及人群偏倚，是目前明確的邊界

分享人：天天

審核：PsyBrain 腦心前沿編輯部

你好，這里是「PsyBrain 腦心前沿」

專注追蹤全球認知神經科學的最尖端突破

視野直擊 Nature, Science, Cell 正刊 及核心子刊與頂級大刊

每日速遞「深度解讀」與「前沿快訊」

科研是一場探索未知的長跑，但你無需獨行。歡迎加入PsyBrain 學術社群，和一群懂你的同行，共同丈量腦與心智的無垠前沿。

點擊卡片進群，歡迎你的到來

一鍵關注，點亮星標 ? 前沿不走丟！

一鍵分享，讓更多人了解前沿