GenFAR：大脑结构的广义表示，通过深度学习从 49,246 个多队列 MRI 中得出

神经影像的深度学习模型主要是针对单个任务开发的，限制了跨应用程序的知识转移。在这里，我们介绍 GenFAR，这是一个模块化深度学习框架，可以从大脑 MRI 中学习一般的临床信息特征。我们使用涵盖认知、临床、诊断、人口统计和生物标志物的 17 种不同的分类和回归任务，对 11 个队列的 49,246 名个体进行了这种模块化架构的训练。这会产生聚合的、集中的特征集，捕获丰富的、临床和生物学相关的大脑表征。我们开发了一种顺序学习方法，其中任务逐步建立在先前学习的表示的基础上。通过对 5,000 个任务序列的分析，我们确定了六个任务的最佳序列长度，并引入了捐赠者得分指标来量化每个任务对下游性能的贡献。该分析揭示了五个一致的强供体任务（年龄、AD/MCI、MMSE、高血压、高脂血症），这些任务构成了我们序列模型的基础。我们展示了我们学习到的表示在训练集中包含的各种任务中的实用性，可以作为专门的二级预测器的基础。我们进一步表明，使用学习到的特征表示可以显着提高二次深度学习训练任务和模型的样本效率，并提高其准确性。