An explainable AI latent space of brain dynamics reveals a cerebello-prefrontal signature of schizophrenia symptoms

ABSTRACT

中文摘要

精神分裂症包含阳性症状、阴性症状和认知损伤等部分独立的维度，但现有神经影像方法很少能同时提供个体级症状预测与可解释的脑区定位。作者提出一种可解释 AI 框架，通过自监督对比学习把高维静息态 fMRI 动力学映射到低维潜在流形，并设计新的归因方法定位对临床特征最具解码能力的脑区。该方法在两个独立的精神分裂症谱系队列上评估；无需症状标签训练得到的潜空间能够支持个体级症状严重程度和认知功能预测。归因图显示，疾病相关表征集中于前额叶、后部小脑和颞叶区域，与健康对照中以听觉、边缘和腹侧纹状体回路为主的潜空间组织不同。结果表明，自监督潜空间既可以表征分布式脑动力学，也可以在个体层面将临床症状预测映射回明确的解剖网络，为研究精神分裂症症状的个体化神经基础提供模型驱动的路径。