NeuroPath：一种用于连接人脑连接组“拼图”的神经路径Transformer

尽管现代成像技术使我们能够在活体状态下研究两个不同脑区之间的连接特性，但关于解剖结构如何支持脑功能、以及自发性功能波动如何产生显著认知行为的深层次理解，依然十分有限。与此同时，机器学习领域已投入大量努力，试图建立神经影像数据与表型特征之间的非线性映射关系。然而，当前方法普遍缺乏神经科学的理论洞察，难以从瞬时神经活动出发，深入理解认知行为的内在机制。为应对这一挑战，我们聚焦于结构连接（SC）与功能连接（FC）之间的耦合机制，将这一网络神经科学问题转化为一种能够表达高阶拓扑结构的图表示学习问题。具体而言，我们引入“拓扑迂回”（topological detour）的概念，用以刻画一种普遍存在的功能连接（直接连接）如何通过结构连接所物理布线的神经通路（迂回路径）实现，从而形成由脑结构与功能相互作用驱动的循环回路。在机器学习的范式下，结构连接-功能连接耦合所依赖的多跳迂回路径，使我们能够设计一种新颖的多头自注意力机制，嵌入Transformer架构中，以从SC与FC配对图中捕捉多模态特征表示。综上，我们提出一种受生物学启发的深度学习模型——NeuroPath，旨在从海量神经影像数据中挖掘潜在的连接组特征表示，该模型可无缝集成于多种下游应用，如任务识别与疾病诊断。我们在大规模公开数据集（包括HCP与UK Biobank）上对NeuroPath进行了监督学习与零样本学习评估，结果表明，该模型在各项任务中均达到当前最优性能，展现出在网络神经科学领域巨大的应用潜力。