大规模功能性连接体指纹的预训练支持功能性神经成像中的概括和转移学习
bioRxiv : the preprint server for biology
|November 24, 2025
概括
研究人员开发了一种用于功能性MRI (fMRI) 分析的新型深度学习方法,在通过脑部扫描识别个体时实现了高精度. 这一进步使得更强大的脑功能研究和潜在的临床应用成为可能.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 机器学习 机器学习
背景情况:
- 功能性MRI (fMRI) 应用受到小数据集,数据变化和不一致的协议的限制.
- 这些局限性阻碍了在fMRI研究中使用深度学习,与其他领域不同.
研究的目的:
- 使用神经网络预训练来扩展功能连接体指纹.
- 为fMRI数据开发大脑功能的可概括表示.
- 为了克服当前fMRI分析对深度学习应用的局限性.
主要方法:
- 利用神经网络预训练方法,灵感来自于语音识别.
- 在多个公共fMRI数据集中大规模应用功能连接体指纹.
- 评估了模型在不同数据集的个人识别方面的表现.
主要成果:
- 在多个fMRI数据集中实现了神经指纹的最先进性能 (例如,MPI-莱比锡的94%,HCP的99%).
- 保持高精度,即使显著减少扫描持续时间 (不到两分钟).
- 证明了对新数据集和不包括在培训中的参与者进行概括.
结论:
- 开发的方法为fMRI中的神经指纹建立了一个新的基准.
- 学习的表征捕捉了个体的变化,并支持转移学习.
- 这种方法为使用功能成像数据的先进临床应用铺平了道路.


