BrainPFN：通过先验数据拟合网络实现摊销式脑—行为预测

arXiv:2611.06934v1 公告类型：交叉收录 摘要：基于功能性磁共振成像预测行为表型的标准方法，是对功能连接（FC）矩阵应用核岭回归（KRR）。然而，这种方法存在局限：必须针对每个评分和每个队列分别拟合模型并调参，模型无法跨数据集迁移，而且当受试者仅有少数几人时，准确性会急剧下降，而这种情况在临床或认知研究中十分常见。尽管开发脑基础模型的兴趣日益浓厚，但尚无模型能在行为预测上持续优于 KRR；大多数已报告的性能提升来自年龄、性别或诊断等更容易预测的目标，而非连续的行为评分。我们提出 BrainPFN，这是一种用于脑—行为回归的先验数据拟合网络。BrainPFN 基于约 7,000 个真实 FC 矩阵构建的领域特定先验进行元训练，我们从该先验中采样生成了十亿个合成训练样本。在推理时，只需将带标签的上下文输入网络，执行一次前向传播，无须针对每个评分或每个队列重新拟合。在四个独立队列中，BrainPFN 在小样本预测上优于 KRR，并领先于近期以其四至九倍数据规模进行预训练的基础模型。我们的元训练数据池汇集自开放存储库，其规模仅为竞争模型所用数据集的一小部分，而这些数据集大多受到严格的数据使用协议限制，例如 UK Biobank。我们公开发布了该数据池以及代码和检查点，表明规模适中且公开可用的数据池，也能使模型达到或超越以生物样本库级别规模数据训练的模型的表现。