Self-Supervised Learning to Unveil Brain Dysfunctional Signatures in Brain Disorders: Methods and Applications

摘要

自监督学习（SSL）作为一种新兴的人工智能学习范式，在处理大规模、未标记的神经影像数据方面展现出巨大潜力，为脑疾病的自动化分析和理解提供了新的途径。典型的基于SSL的脑疾病分析流程通常包含两个核心阶段：首先，上游的脑网络构建阶段涉及从个体采集的原始神经影像数据（如fMRI、EEG等）出发，经过数据预处理，生成结构化的大脑表征，例如功能/结构连接矩阵或时间序列特征。随后，这些大脑表征被输入到下游的自监督学习模型中，该模型通常采用编码器-解码器架构，编码器将输入数据映射到低维的潜空间。通过精心设计的代理任务和相应的损失函数，模型从未标记数据中学习有意义的特征表示。这些学习到的鲁棒特征最终被用于各种下游任务，包括疾病检测、疾病预测以及其他相关的临床应用，从而促进对脑功能障碍机制的深入理解和临床决策支持。该论文系统综述了自监督学习（SSL）技术在神经影像数据分析中的应用，特别关注其在解析各类神经精神疾病中脑功能障碍特征的潜力。研究团队系统梳理了近年来SSL在神经退行性疾病、精神障碍及其他神经系统疾病中的成功应用案例，展示了其在识别疾病特异性生物标志物、理解疾病进展的脑网络动态变化等方面的潜力。例如，在阿尔茨海默病研究中，SSL模型能够捕捉到脑功能网络的早期轻微病变；在孤独症谱系障碍研究中，则有助于揭示复杂的连接模式异常。