PsyBrain 脑心前沿 / 科研分析：认知神经科学前沿的结构化精读 / N · 神经技术与方法 / N024 · 同样是fMRI分析，换个流程结果就可能不一样？NatBi

N024 同样是fMRI分析，换个流程结果就可能不一样？Nat Biomed Eng 直接用4D体素直接学脑功能

来源：公众号 PSY-Brain_Frontier ｜发布：2026-04-28 ｜原文链接

认知神经科学前沿文献分享

基本信息

Title: Towards a general-purpose foundation model for functional MRI analysis

发表时间: 2026-04-23

发表期刊:Nature Biomedical Engineering

影响因子: 26.6

获取原文:

添加小助手: PSY-Brain-Frontier 即可获取PDF版本
点击页面底部“阅读原文”跳转论文网页

根据文章页信息显示，本文最后通讯作者是来自香港中文大学的袁奕萱(Yixuan Yuan)老师，第一作者来自其实验室的博士生 Cheng Wang 同学，实验室主页：https://www.ee.cuhk.edu.hk/~yxyuan/people/people.htm

研究背景

功能磁共振成像（fMRI）分析一直有个老问题：预处理流程和任务专用模型各干各的，互不搭理。主流做法是把四维体数据压成脑区连接矩阵，省了算力，但体素级的时空信息可能就丢了，还顺带引入了图谱的偏置

直接建模4D fMRI倒是条路，可计算量大、时空冗余多，标准的掩码自编码器（MAE）又容易靠邻近信息"偷懒补全"，学不到什么有用的表示。本文就提了一个面向通用fMRI分析的基础模型框架，想在统一表示空间里同时把可迁移性和复现性提上去

实验设计与方法逻辑

本文的实验思路如下：

作者在UK Biobank、ABCD和Human Connectome Project多个子库的未标注静息态和任务态fMRI上做了大规模自监督预训练，语料覆盖超过50,000名参与者、28.65 million fMRI帧，全部统一对齐到MNI152空间的4D体数据输入
Neuroimaging Foundation Model with Spatial–Temporal Optimized and Representation Modelling（NeuroSTORM），主干用了移位窗口Mamba（shifted-window Mamba，SWM）来降低4D建模的复杂度和显存占用。预训练时加了时空冗余丢弃（spatiotemporal redundancy dropout，STRD）抑制局部冗余，迁移阶段用任务特定提示微调（task-specific prompt tuning，TPT），只更新少量任务参数
之后在年龄/报告性别预测、表型预测、疾病诊断、fMRI重识别和状态分类五类任务上，按统一8:1:1划分和一致预处理，对比了ROI-based和volume-based基线，还额外评估了低标注场景下的标签效率

核心发现

发现一：NeuroSTORM在多类下游任务中整体表现更强

在年龄与报告性别预测、表型预测和疾病诊断三类任务里，NeuroSTORM整体优于或匹配对比方法，而且优势不局限在单一数据集上。HCP-YA报告性别分类准确率到了93.28%，ABCD年龄预测误差低于最强基线SwiFT；MND疾病诊断上达到86.50%，HCP-EP早期精神病检测为69.06%

Fig. 2–Fig. 4 展示了跨数据集、跨任务的统一比较，NeuroSTORM在年龄/性别预测、表型预测和疾病诊断上都整体优于或匹配现有ROI-based和volume-based基线，泛化能力不局限于单一任务或数据集

发现二：低标注微调时，NeuroSTORM退化更平缓

作者在多项任务里逐步减少微调标签比例，发现NeuroSTORM通常比基线下降得更慢。HCP-D报告性别任务用50%标签还能到83.7%，ADHD200疾病诊断用50%标签为68.7%，HCP-YA状态分类用10%标签仍有84.2%的总体准确率

图10

Fig. 2、Fig. 4 和 Fig. 6 的label efficiency曲线显示，NeuroSTORM在数据稀缺时性能退化更平缓，预训练表示在低标注场景下更容易迁移

发现三：模型学到的表示对个体和状态都有辨别力

在HCP-YA闭集fMRI重识别任务中，NeuroSTORM达到93.1% rank-1 accuracy和92.4% mAP，超过了最强基线SwiFT；状态分类方面，HCP-YA七类任务状态总体准确率约92.40%，DMT-HAR-MED药物状态分类平均准确率为90.0%

图11

Fig. 5 展示了重识别指标的整体领先，Fig. 6 显示其对任务状态和药物状态都有较强区分能力，但这些结果仍限于特定基准和数据集

图12

省流总结

这篇论文提出了直接建模4D fMRI体数据的基础模型NeuroSTORM，用统一基准显示它在五类下游任务中整体优于或匹配现有方法，低标注时也更稳。它的意义主要是推动通用fMRI表示学习，不是说对所有数据、疾病或临床场景都已经能拿来就用了。预训练语料中任务态fMRI占比不到20%、缺乏解剖先验、以及人群偏倚，是目前明确的边界

分享人：天天

审核：PsyBrain 脑心前沿编辑部

💡 关于我们

👋 你好，这里是「PsyBrain 脑心前沿」

🧠 专注追踪全球认知神经科学的最尖端突破

🔍 视野直击 Nature, Science, Cell 正刊及核心子刊与顶级大刊

📄 每日速递「深度解读」与「前沿快讯」

科研是一场探索未知的长跑，但你无需独行。欢迎加入 PsyBrain 学术社群，和一群懂你的同行，共同丈量脑与心智的无垠前沿。

👇点击卡片进群，欢迎你的到来👇