通过神经科学研究，本文提出了一种基于 Transformer 架构的令牌聚类脑模型（TC-BrainTF）来联合社群聚类和分类，通过在神经考察数据集上进行严格测试，显示出了 TC-BrainTF 模型在识别自闭症谱系障碍（ASD）和分类性别方面的准确性提高，并展示了所设计的 TC 模块的效果和对神经科学解释的相关性。

Mar, 2024

本文探讨了基于 Transformer 模型的脑网络分析方法。通过将脑网络构建为固定大小和顺序的图形，使用连接特征提供自然低成本的位置信息，学习不同个体之间具有高预测性的特征强度。基于自监督软聚类和正交投影的正交聚类读取操作包含确定相似行为的基础功能模块，导致具有区分性的簇感知节点嵌入和信息丰富的图嵌入。该方法在公开 ABIDE 和经过限制的 ABCD 数据集上实现了明显的改善，代码实现可以在该 https URL 获取。

Oct, 2022

利用多层图形转化神经网络（METAFormer）模型和自主预训练技术对 407 个孤独症谱系障碍（ASD）患者和 476 个对照组（TC）被试的大脑静息态功能磁共振成像数据进行分类，结果表明，该模型在分类准确性和 AUC 得分等方面优于现有技术。

Jul, 2023

研究使用 R-fMRI 从人们的脑功能区构建个体特定的连通图谱，能够提高自闭症谱系障碍患者的神经心理状态的识别准确率，其数据集可以从多个不同处获取，且所提取的功能脑区明显比参考图谱更具有生物标志物发现的重要性。

Nov, 2016

基于静息态功能磁共振成像 (rs-fMRI) 的深度学习模型被广泛应用于诊断脑疾病，尤其是自闭症谱系障碍 (ASD)。本文提出了一种新颖的可解释的感兴趣区域 (ROI) 选择框架（EAG-RS），通过利用可解释的人工智能技术识别脑区之间的非线性高阶功能关联，并选择具有类别区分能力的脑区进行脑疾病识别。通过使用自闭症脑成像数据库交换（ABIDE）数据集进行实验证实了我们提出方法的有效性，证明其在各种评估指标上优于其他比较方法。此外，我们对选定的感兴趣区域进行定性分析，并鉴别与先前神经科学研究相关的 ASD 亚型。

Oct, 2023

本文提出了一个新的可解释性变换器模型，用于联合分层聚类识别和脑网络分类，以实现对脑区功能组织的可行洞察。

May, 2023

本论文提出了一种新型的多分辨率时空增强变压器去噪网络，利用一个条件扩散过程将噪声和功能磁共振成像（fMRI）转换为对轻度认知障碍（MCI）进行分析的有效连接，该模型不仅预测性能卓越，而且能够识别与临床研究一致的 MCI 相关因果连接。

May, 2023

使用图变换器学习动态功能连接性的表示，实验证明我们的方法在基于 fMRI 数据提取的功能连接性的性别分类和年龄回归任务中优于竞争基准。

Dec, 2023

针对孤独症谱系障碍（ASD）的多因素发病学认识，本研究提出了一种融合遗传、人口统计和神经影像数据的整合模型，采用基因数据引导对模型预测重要性的神经影像特征进行修饰的注意力机制，进一步提高 ASD 分类和严重程度预测的性能。

Aug, 2023

通过图卷积神经网络模型，以自动构建图的方式，预测自闭症患者的大脑活动模式，同时有效解决了图构建不鲁棒性问题，其性能准确，具有更强的鲁棒性。

Apr, 2017