- 3 次围观
静息态连接可以预测任务诱发的 fMRI 激活，但其与个体任务图之间的对应关系可能部分反映了共享的群体模式。我们评估了变分静息态至任务预测 Transformer（Variational Resting-state-to-Task Prediction TransformeR，VRPTR），这是一种三维编码器—解码器模型，结合了压缩式 Transformer 瓶颈、变分潜变量采样和多尺度跳跃连接。模型在来自 WU-Minn 人类连接组计划的 360 名健康成年人数据上进行训练，并在同一数据集中的 40 名留出参与者上进行评估，所采用的任务对比为故事相对于数学的语言对比。VRPTR 达到平均体素图 Pearson 相关系数 r=0.642 和 Dice AUC=0.519，分别超过紧凑型三维 BrainSurfCNN 类和 SWIFUN 类比较模型 {Delta}r=0.0376 和 0.0335。基于 360 名训练参与者的训练图构建的固定模板，其残差相关系数为 0.364；VRPTR 提高了相关性，但相较于该模板并未改善平均绝对误差或均方根误差。匹配的析因消融分析表明，Transformer 处理与图相关性提高相关（{Delta}r=0.0168）；在进行多重比较校正后，变分机制的主效应未达到显著性。组件替换结果表明，个体特异性激活模式更多地依赖于多尺度跳跃特征，而非瓶颈表示。潜变量采样在后验标准差与逐体素绝对误差之间产生了轻度关联（平均 Spearman {rho}=0.091）。原始 95% 区间仅覆盖了 4.7% 的观测值。在留出队列内进行五折校准后，覆盖率提高至 94.8%；与恒定宽度模型相比，空间变化的不确定性在概率评分方面带来了小幅改善。在输入退化条件下，不确定性也有所增加。这些发现支持 Transformer 处理对语言图预测的贡献，并将其与个体特异性的空间条件化及相对不确定性估计区分开来。仍有必要对校准后的不确定性进行独立验证，并在临床队列中开展评估。
静息态连接可以预测任务诱发的 fMRI 激活，但其与个体任务图谱的一致性可能部分反映了共享的群体模式。我们评估了变分静息态至任务预测变换器（Variational Resting-state-to-Task Prediction TransformeR，VRPTR），这是一种三维编码器—解码器模型，结合了压缩型 Transformer 瓶颈、变分潜变量采样和多尺度跳跃连接。模型在 WU-Minn 人类连接组计划中的 360 名健康成人数据上进行训练，并在同一数据集的 40 名留出受试者上针对故事—数学语言对比进行评估。VRPTR 达到平均体素图 Pearson r=0.642 和 Dice AUC=0.519，分别较紧凑型体积 BrainSurfCNN 类和 SWIFUN 类比较模型提高 {Delta}r=0.0376 和 0.0335。基于 360 名训练受试者图谱固定得到的模板，其残差相关为 0.364；VRPTR 提高了相关性，但相较于该模板并未改善平均绝对误差或均方根误差。匹配的析因消融分析表明，Transformer 处理与图谱相关性提高相关（{Delta}r=0.0168）；变分模块的主效应在多重比较校正后未达到显著。组件替换结果表明，个体特异性激活模式更多依赖于多尺度跳跃特征，而非瓶颈表示。潜变量采样使后验标准差与逐体素绝对误差之间呈现较弱关联（平均 Spearman {rho}=0.091）。未经校准的 95% 区间仅覆盖了 4.7% 的观测值。在留出队列内进行五折校准后，覆盖率提高至 94.8%；与恒定宽度模型相比，空间变化的不确定性使概率评分得到小幅改善。在输入数据退化时，不确定性也随之增加。这些发现支持 Transformer 处理对语言图谱预测的贡献，并将其与个体特异性的空间条件化及相对不确定性估计区分开来。对经校准不确定性的独立验证以及在临床队列中的评估仍是必要的。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.24.754231v1?rss=1
🏷️ 静息态功能磁共振成像 语言激活预测 Transformer模型 个体特异性脑图 不确定性校准