Foundation models for discovering robust biomarkers of neurological disorders from dynamic functional connectivity

📄 arXiv: 2604.22018v1 📥 PDF

作者: Deepank Girish, Yi Hao Chan, Sukrit Gupta, Jing Xia, Jagath C. Rajapakse

分类: q-bio.NC, cs.AI, cs.LG, eess.SP

发布日期: 2026-04-23

🔗 代码/项目: GITHUB

💡 一句话要点

提出RE-CONFIRM框架与Hub-LoRA微调方法，提升脑疾病生物标志物识别的鲁棒性。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 脑功能连接 深度学习 生物标志物 鲁棒性评估 微调 神经精神疾病 功能磁共振成像 低秩适应

📋 核心要点

  1. 现有脑疾病预测模型，特别是脑基础模型，在识别生物标志物时缺乏鲁棒性评估。
  2. 提出RE-CONFIRM框架评估生物标志物鲁棒性，并设计Hub-LoRA微调方法提升模型性能。
  3. 实验表明Hub-LoRA优于传统微调方法，能产生更可靠且符合神经生物学认知的生物标志物。

📝 摘要（中文）

本文提出RE-CONFIRM框架，用于评估深度学习模型（包括脑基础模型FM）识别的潜在生物标志物的鲁棒性，这些模型通过建模动态功能连接（FC）来预测脑部疾病。通过对自闭症谱系障碍（ASD）、注意力缺陷多动障碍（ADHD）和阿尔茨海默病（AD）的五个大型数据集的实验，发现常用的性能指标不足以评估模型识别的生物标志物的鲁棒性。RE-CONFIRM指标表明，简单地微调FM会导致模型无法有效捕捉区域中心，即使在已知中心与疾病相关的疾病中，如ASD和ADHD。因此，本文提出Hub-LoRA（低秩适应）作为一种微调技术，使FM不仅优于定制的深度学习模型，而且产生神经生物学上可靠的生物标志物，并得到荟萃分析的支持。RE-CONFIRM具有通用性，可以很容易地应用于确定在功能磁共振成像数据集上训练的深度学习模型的鲁棒性。

🔬 方法详解

问题定义：现有基于深度学习的脑疾病预测模型，特别是脑基础模型，虽然在预测性能上表现出色，但在识别潜在生物标志物时，缺乏对其鲁棒性的有效评估。简单地依赖模型性能指标（如准确率）无法保证识别出的生物标志物在不同数据集或条件下的一致性和可靠性。此外，直接微调预训练的基础模型可能会导致模型失去对关键脑区（如hub区域）的敏感性，从而影响生物标志物识别的准确性。

核心思路：本文的核心思路是提出一个名为RE-CONFIRM的框架，用于系统地评估深度学习模型（包括基础模型）识别的生物标志物的鲁棒性。同时，针对传统微调方法可能导致模型失去对关键脑区敏感性的问题，提出Hub-LoRA微调策略，旨在保留或增强模型对这些关键区域的关注，从而提高生物标志物识别的可靠性。

技术框架：RE-CONFIRM框架包含以下几个关键步骤：1）使用深度学习模型（包括基础模型）对功能磁共振成像（fMRI）数据进行训练，以预测脑部疾病；2）从训练好的模型中提取潜在的生物标志物（例如，与疾病相关的脑区连接）；3）使用RE-CONFIRM指标评估这些生物标志物的鲁棒性，这些指标考虑了生物标志物在不同数据集、不同模型和不同条件下的稳定性；4）如果生物标志物的鲁棒性不足，则使用Hub-LoRA等微调策略对模型进行优化，并重新评估生物标志物的鲁棒性。

关键创新：本文的关键创新在于：1）提出了RE-CONFIRM框架，为评估深度学习模型识别的生物标志物的鲁棒性提供了一个系统的方法；2）提出了Hub-LoRA微调策略，该策略通过低秩适应的方式，有选择性地调整模型中与关键脑区相关的参数，从而保留或增强模型对这些区域的关注，提高生物标志物识别的可靠性。与现有方法相比，Hub-LoRA能够更好地保留预训练模型的知识，同时针对特定任务进行优化，避免了过度拟合和灾难性遗忘。

关键设计：Hub-LoRA的关键设计在于：1）使用低秩矩阵来参数化模型的更新，从而减少了需要训练的参数数量，提高了训练效率；2）有选择性地将低秩更新应用于模型中与关键脑区相关的参数，从而保留或增强模型对这些区域的关注；3）使用损失函数来鼓励模型关注关键脑区，例如，可以使用L1正则化来稀疏化模型中与非关键脑区相关的参数。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，Hub-LoRA微调后的基础模型不仅在疾病预测性能上优于定制的深度学习模型，而且能够产生更符合神经生物学认知的生物标志物。具体而言，Hub-LoRA能够更好地捕捉与自闭症谱系障碍和注意力缺陷多动障碍相关的关键脑区中心，并得到荟萃分析的支持，验证了其识别生物标志物的有效性和可靠性。

🎯 应用场景

该研究成果可应用于神经精神疾病的早期诊断、个性化治疗方案制定以及药物研发。通过识别鲁棒性高的生物标志物，可以更准确地预测疾病风险，评估治疗效果，并为新药开发提供靶点。RE-CONFIRM框架的通用性使其能够应用于其他基于fMRI数据的深度学习模型，推动脑科学研究的进展。

📄 摘要（原文）

Several brain foundation models (FM) have recently been proposed to predict brain disorders by modelling dynamic functional connectivity (FC). While they demonstrate remarkable model performance and zero- or few-shot generalization, the salient features identified as potential biomarkers are yet to be thoroughly evaluated. We propose RE-CONFIRM, a framework for evaluating the robustness of potential biomarker candidates elucidated by deep learning (DL) models including FMs. From experiments on five large datasets of Autism Spectrum Disorder (ASD), Attention-deficit Hyperactivity Disorder (ADHD), and Alzheimer's Disease (AD), we found that although commonly used performance metrics provide an intuitive assessment of model predictions, they are insufficient for evaluating the robustness of biomarkers identified by these models. RE-CONFIRM metrics revealed that simply finetuning FMs leads to models that fail to capture regional hubs effectively, even in disorders where hubs are known to be implicated, such as ASD and ADHD. In view of this, we propose Hub-LoRA (Low-Rank Adaptation) as a fine-tuning technique that enables FMs to not only outperform customised DL models but also produce neurobiologically faithful biomarkers supported by meta-analyses. RE-CONFIRM is generalizable and can be easily applied to ascertain the robustness of DL models trained on functional MRI datasets. Code is available at: https://github.com/SCSE-Biomedical-Computing-Group/RE-CONFIRM.