01 摘要
功能磁共振 fMRI 是解析脑功能、神经精神疾病评估的重要手段，但现有分析流程依赖繁琐、多步骤人工预处理，不同中心可复现性差，多数模型为任务定制模型，泛化受限。本文提出 NeuroSTORM 通用 fMRI 基础模型，直接以原始四维 fMRI 体积作为输入，无需传统复杂预处理；依托多中心 5 万 + 被试、2865 万帧时序 fMRI 数据完成大规模自监督预训练。模型使用移位窗口 Mamba 主干网络与时序冗余丢弃模块捕捉脑时空动态信号，搭配轻量提示调优策略快速适配下游任务。在人口统计学预测、脑表型预测、疾病诊断、身份重识别、脑状态分类五大任务取得最优性能；多国多中心临床队列针对 17 种神经系统疾病实现有效诊断，同时可以预测认知、心理行为表型。该研究证明直接从原始四维 fMRI 学习的基础模型，可实现跨中心、跨年龄泛化，推动 fMRI 分析走向标准化、可复现。
02 研究背景
一、研究问题
二、相关工作
03 模型设计
图 1 五大下游任务示意图、模型表征可视化图
04 实验设置
一、数据集划分
-
预训练集：多中心汇总 5 万 + 被试 fMRI；
-
内部测试基准：五大任务：人口统计学预测、脑表型预测、神经系统疾病诊断、身份重识别、脑状态分类；
-
多国独立外部临床队列：17 种神经系统疾病，用于跨中心泛化验证。
二、对比基线
传统 fMRI 功能连接机器学习；基于 CNN/Transformer 的 fMRI 专用模型；现有脑结构 MRI 基础模型。
三、评测任务集合
-
人口学预测：年龄、性别预测；
-
脑表型预测：认知、心理行为表型回归；
-
疾病诊断：17 类神经、精神疾病分类；
-
身份重识别：个体 fMRI 样本匹配；
-
脑状态分类：不同任务态、静息态脑功能状态识别；
-
消融实验：主干网络选择、时空冗余丢弃模块、提示调优策略；跨年龄、跨中心泛化能力测试。 
图2 各任务指标汇总、跨中心泛化对比柱状图
四、统计方法
AUROC、MAE、准确率；bootstrap 计算 95% 置信区间。
05 结果与分析
1.五大基准任务综合表现
06 结论
本研究提出 NeuroSTORM，一款面向功能磁共振 fMRI 的通用基础模型，实现原始四维 fMRI 时序影像端到端自监督学习，摆脱传统繁琐预处理流程。基于 5 万余名被试、2865 万帧多中心 fMRI 数据预训练；通过轻量化提示调优高效适配人口学、表型、疾病诊断、身份重识别、脑状态分类五大类任务；多国多中心队列对 17 种神经系统疾病取得优秀诊断效果，具备跨年龄、跨中心泛化能力。NeuroSTORM 为 fMRI 提供标准化、可复现的基础模型分析范式。局限：仍然依赖 fMRI 图像质量，运动伪影会干扰模型；预训练数据以公开回顾数据集为主，仍需要更大规模真实临床前瞻性队列进一步验证。
07 论文评价
✅方法创新亮点
-
端到端原始四维 fMRI 学习范式，摆脱传统 fMRI 复杂手工预处理流水线，减少预处理引入的人为偏差。 -
Shifted‑Window Mamba 主干 + 时空冗余丢弃模块，高效建模脑时空动态信号；轻量化提示调优，下游任务适配成本低。
-
构建覆盖五大方向的统一 fMRI 任务基准；大规模多中心预训练，同时做多国临床外部队列验证，完整证据链。
-
证实 fMRI 基础模型可以跨年龄、跨采集中心泛化，对神经精神疾病、认知表型都有效，为脑科学、神经影像 AI 提供新底座。
⚠方法不足
对 fMRI 运动伪影、图像噪声比较敏感；没有完全解决扫描质量差样本的鲁棒性问题。预训练以公开回顾数据集为主，缺少大样本单中心前瞻性临床队列；尚未完成临床落地验证。模型可解释性分析较为有限，对模型学到的脑生理机制还需要进一步挖掘。
08 参考资料
Article:
编辑：陈宣辰
审核：吴朝
Nature Medicine（一区 IF=52.5）PRISM2：具备临床对话能力的端到端多模态病理全切片基础模型
Nature Medicine（一区 IF=52.5）对MASLD中脂肪性肝炎和纤维化相关影像及血清诊断生物标志物的前瞻性验证：LITMUS影像研究
Nature（一区 IF=56.1）Merlin：面向 CT 的 3D 视觉‑语言基础模型及配套数据集
JACC（一区 IF=22.3）基于人工智能无造影心脏磁共振 VNE 技术评估心肌瘢痕：一项前瞻性多中心研究