Multiscale Contextual Mamba: Advancing Psychiatric Disorder Detection across Multisite Functional Magnetic Resonance Imaging Datasets via State Space Modeling

摘要

为应对高效处理多站点fMRI数据的长序列，精确建模大脑动态，并实现跨站点的稳健泛化挑战，本文提出了MSC-Mamba（Multi-scale Contextual Mamba）的创新模型。该模型的核心基于状态空间模型（SSM，如图一），特别是借鉴了Mamba架构的优势，能够在处理长序列时保持线性计算复杂度（O(L)），显著优于Transformer的二次方复杂度（O(L²)），解决了传统方法计算效率低下的瓶颈。MSC-Mamba的创新点包括：多尺度建模： 设计Outer Mamba和Inner Mamba分别处理高分辨率和低分辨率的BOLD时间序列，融合局部细节（如瞬时波动）与全局趋势（如长期依赖），全面捕捉大脑活动的多层次动态。通道混合与独立性自适应处理： 通过可学习的门控机制，动态平衡“通道混合”（学习脑区间功能交互）和“通道独立”（保留单个脑区独特时间动态）两种处理路径，灵活适应fMRI数据的异构性。多站点特征对齐与分布适应： 专门设计了类特定的特征对齐损失和基于最大均值差异（MMD）的分布适应损失，有效减少不同成像站点数据间的系统性偏差，提升模型在异构多中心数据上的泛化能力。选择性注意力机制： 利用SSM的隐式记忆实现线性复杂度的“注意力”，动态加权不同时间点特征对诊断的贡献，增强对关键神经动态（如MDD中的短暂连接波动）的敏感性并抑制噪声。