A foundation-model approach to pediatric headache classification from rs-fMRI

📄 arXiv: 2608.07287v1 📥 PDF

作者: Guilherme S. Imai Aldeia, Clara Moon, Julie Shulman, Navil Sethna, Allison Smith, Alyssa Lebel, William G. La Cava, Scott Holmes

分类: cs.LG

发布日期: 2026-08-07

备注: 22 pages, 6 figures. In Proceedings of Machine Learning Research, Volume 340, 2026 (Machine Learning for Healthcare Conference)

💡 一句话要点

提出基于NeuroSTORM的儿童头痛分类方法

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 儿童头痛 功能磁共振成像 机器学习 NeuroSTORM 多类分类 神经科学 个性化医疗

📋 核心要点

  1. 现有方法主要依赖功能连接性矩阵，难以有效区分不同类型的儿童头痛，且在数据有限的情况下表现不佳。
  2. 本文提出利用NeuroSTORM模型对rs-fMRI数据进行编码和微调，以实现儿童头痛的分类，克服传统方法的局限性。
  3. 实验结果显示，NeuroSTORM在区分头痛与非头痛方面表现优异，且在多类分类中也取得了良好的效果，尤其在慢性偏头痛的识别上具有潜力。

📝 摘要（中文）

头痛是儿童中最常见的神经系统疾病，严重影响生活质量。本文研究了静息态功能磁共振成像（rs-fMRI）在儿童头痛分类中的应用，采用NeuroSTORM这一基础模型对rs-fMRI数据进行编码，并进行微调以区分健康对照与头痛儿童，并进一步分类头痛亚型。研究结果表明，NeuroSTORM在区分头痛与非头痛方面的AUROC为0.82，AUPRC为0.93，显著优于基于功能连接性矩阵的传统方法。这一研究为基于fMRI的儿童头痛预测提供了概念验证，并为未来的亚型识别和个性化治疗策略奠定了基础。

🔬 方法详解

问题定义：本文旨在解决儿童头痛分类中的准确性问题，现有方法依赖功能连接性矩阵，难以有效区分不同头痛类型，且在数据有限时表现不佳。

核心思路：通过使用NeuroSTORM这一基础模型对rs-fMRI数据进行编码和微调，旨在捕捉潜在的脑功能特征，从而提高头痛分类的准确性。

技术框架：研究首先收集189个rs-fMRI扫描数据，利用NeuroSTORM进行数据编码，随后进行模型微调以实现头痛与非头痛的区分，并进行多类分类。

关键创新：NeuroSTORM模型的应用是本研究的核心创新，其通过直接处理rs-fMRI数据而非依赖功能连接性特征，显著提升了分类性能。

关键设计：在模型训练中，采用了适当的损失函数和参数设置，以优化分类效果，具体细节包括使用AUROC和AUPRC作为性能评估指标。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，NeuroSTORM在区分头痛与非头痛方面的AUROC为0.82，AUPRC为0.93，明显优于基于功能连接性矩阵的传统方法（AUROC为0.67，AUPRC为0.85）。在多类分类中，NeuroSTORM的宏观AUROC为0.69，显示出良好的分类能力。

🎯 应用场景

该研究的潜在应用领域包括儿童神经病学和临床心理学，能够为儿童头痛的早期诊断和个性化治疗提供支持。未来，基于fMRI的头痛分类方法可能会推动个体化医疗的发展，提高患者的生活质量。

📄 摘要（原文）

Headache is the most common neurological disorder in children and substantially affects quality of life. We investigated whether resting-state functional MRI (rs-fMRI) can support pediatric headache classification using machine learning. We encoded rs-fMRI data using NeuroSTORM, a recent foundation model, and fine-tuned it to distinguish healthy controls from children with headache and subsequently classify headache subtypes. We compared NeuroSTORM with a standard neuroscience approach using functional-connectivity (FC) matrices derived from brain activity as predictors. Using 189 rs-fMRI scans from 110 individuals collected across two visits (prevalence of any headache: 74%), NeuroSTORM achieved an area under the receiver operating characteristic curve (AUROC) of 0.82 (95% CI, 0.82-0.82) and an area under the precision-recall curve (AUPRC) of 0.93 (95% CI, 0.93-0.94) for discriminating headache from non-headache. In contrast, models trained on FC matrices showed lower performance (AUROC, 0.67 [95% CI, 0.67-0.67]; AUPRC, 0.85 [95% CI, 0.85-0.85]). In multiclass classification of healthy controls, chronic migraine, and non-chronic headaches (e.g., post-viral headache, new daily persistent headache, post-traumatic headache), NeuroSTORM achieved a macro-AUROC of 0.69 (95% CI, 0.68-0.69). Results suggest that the approach can distinguish chronic migraine but has difficulty differentiating other headache subtypes from chronic migraine. Overall, under limited-data conditions, NeuroSTORM appears to capture latent rs-fMRI representations that transfer to headache-related tasks without relying on FC features. These findings provide proof of concept for fMRI-based prediction of pediatric headache and highlight potential future utility for subtype identification and individualized treatment strategies.