一个预训练的基础模型用于基于磁脑电图的头痛障碍
Pan Liao1,2, Jie Liang1, Dong Qiu3
1Center for MRI Research, Academy for Advanced Interdisciplinary Studies, Peking University, Beijing, People's Republic of China.
Journal of neural engineering
|December 4, 2025
概括
我们开发了一个磁脑电图 (MEG) 数据的基础模型,以改善头痛障碍诊断. 这种人工智能模型通过学习复杂的神经模式来提高识别偏头痛患者的准确性.
科学领域:
- 医疗人工智能 医疗人工智能
- 功能神经成像 功能神经成像
- 神经学 神经学
背景情况:
- 基础模型在人工智能方面表现有前途,但在磁脑电图 (MEG) 中未得到充分利用.
- 高维的MEG数据和有限的标记数据集对临床研究构成挑战.
- 头痛疾病需要先进的诊断工具,以获得更好的患者结果.
研究的目的:
- 为针对头痛疾病量身定制的MEG数据开发一个特定于领域的,自我监督的基础模型.
- 解决临床MEG研究中高维数据和有限的标记数据集的挑战.
- 为了提高神经疾病的诊断准确度,如使用人工智能的偏头痛.
主要方法:
- 开发了一个基于变压器的基础模型,在416名参与者的多态MEG记录上进行预训练.
- 采用自我监督的蒙面信号重建策略来学习时空神经表征.
- 通过信号重建,注意力重量可视化和下游偏头痛分类任务评估模型性能.
主要成果:
- 基础模型成功地重建了连续的MEG信号和刺激引起的反应.
- 注意重量可视化与感觉大脑区域保持一致,表明神经生理学解释性.
- 使用模型衍生特征的分类器显著优于使用原始MEG信号进行偏头痛诊断的分类器.
结论:
- 引入了一个可扩展的,数据效率高的临床MEG分析框架,减少对手工特征提取和标记数据的依赖.
- 证明了基础模型在从MEG数据中解码复杂的神经动态方面的有效性.
- 该模型显示了理解神经病理学和推进神经病学精确诊断的潜力.
