FM-APP:通过fMRI到sMRI进行任何表型预测的基础模型知识转移

科学领域:

• 神经科学是一个神经科学.
• 神经成像是一种神经成像.
• 机器学习 机器学习

背景情况:

• 从脑成像中预测个体非神经成像表型是神经科学的一个关键目标.
• 目前使用功能性MRI (fMRI) 的方法仅限于预测训练期间看到的表型,并且不利用结构性MRI (sMRI).
• 现有的方法无法实现未见表型的零射击推断,并忽视了从fMRI到sMRI的宝贵知识转移.

研究的目的:

• 利用脑成像数据开发一种用于预测任何个体水平表型的新框架.
• 通过将知识从fMRI转移到具有成本效益的sMRI,使未见的表型能够进行零射击推断.
• 通过基础模型整合fMRI和sMRI数据来提高预测准确度.

主要方法:

• 提出了任何表型预测 (FM-APP) 的基础模型,其中包括表型文本记忆库 (PTMB),任何表型预测 (APP) 模块和fMRI到sMRI知识传输 (F2SKT) 模块.
• PTMB使用BiomedCLIP来存储表型的语义特征,以保留重要的线索.
• APP使用回归合成器进行零射击推断,F2SKT使用PTMB引导从fMRI到sMRI的自适应知识传输.

主要成果:

• 与最新的方法相比,FM-APP模型在人类结合体项目 (HCP) 和HCP老龄化数据集上表现出卓越的性能.
• 该方法实现了强大的零射击推断能力,成功预测了未见的表型.
• FM-APP为分析大脑结构和表型提供了一个新的框架,其性能优于现有的技术.

结论:

• 拟议的FM-APP框架有效地从脑成像数据中预测各种表型,包括看不见的表型.
• 从fMRI到sMRI的知识转移显著提高了预测准确性,同时保持了sMRI的成本效益.
• 这项研究为推进神经科学中的表型预测提供了一个基础模型,为大脑分析提供了一个多功能工具.