[論文レビュー] NeuroSSM: Multiscale Differential State-Space Modeling for Context-Aware fMRI Analysis

Furkan Genç, Boran İsmet Macun+3 more|arXiv (Cornell University)|Jan 3, 2026

Functional Brain Connectivity Studies被引用数 0

ひとこと要約

NeuroSSM は、生の fMRI BOLD 時系列を分析する並列差分ブランチを備えた多スケール選択的状態空間モデルを導入し、迅速な過渡現象と遅い傾向を捉える、エンドツーエンドの文脈認識表現を効率的に実現します。

ABSTRACT

Accurate fMRI analysis requires sensitivity to temporal structure across multiple scales, as BOLD signals encode cognitive processes that emerge from fast transient dynamics to slower, large-scale fluctuations. Existing deep learning (DL) approaches to temporal modeling face challenges in jointly capturing these dynamics over long fMRI time series. Among current DL models, transformers address long-range dependencies by explicitly modeling pairwise interactions through attention, but the associated quadratic computational cost limits effective integration of temporal dependencies across long fMRI sequences. Selective state-space models (SSMs) instead model long-range temporal dependencies implicitly through latent state evolution in a dynamical system, enabling efficient propagation of dependencies over time. However, recent SSM-based approaches for fMRI commonly operate on derived functional connectivity representations and employ single-scale temporal processing. These design choices constrain the ability to jointly represent fast transient dynamics and slower global trends within a single model. We propose NeuroSSM, a selective state-space architecture designed for end-to-end analysis of raw BOLD signals in fMRI time series. NeuroSSM addresses the above limitations through two complementary design components: a multiscale state-space backbone that captures fast and slow dynamics concurrently, and a parallel differencing branch that increases sensitivity to transient state changes. Experiments on clinical and non-clinical datasets demonstrate that NeuroSSM achieves competitive performance and efficiency against state-of-the-art fMRI analysis methods.

研究の動機と目的

• fMRI 信号の多スケール時系列構造を捉えるモデルの必要性を動機づける（高速な過渡現象から遅い全体傾向まで）。
• FC 特徴に依存せず、生の BOLD 時系列を処理する選択的状態空間アーキテクチャ NeuroSSM を提案する。
• 高速ダイナミクスと遅いダイナミクスを共同でモデリングする多スケールのバックボーンと並列差分ブランチを導入する。
• 臨床および非臨床タスクを含む大規模公開 fMRI データセットで、予測性能が競合・優位であることを示す。

提案手法

• 生の ROI 区分化済み BOLD 信号を NeuroSSM モジュールのスタックで処理する。
• 各モジュール内で、複数の時刻スケールにわたる Multiscale Differential State-Space Block (MSD-SSB) を適用する。
• Dual-Stream State-Space Module (Dual-SSM) を用いて、時刻リスケールデータとその1次時間微分を同時に処理する。
• スケール出力を単純な残差和で融合し、層正規化と GELU 活性化を適用する。
• 時間的にプーリングして線形ヘッドで分類し、被験者レベルまたはタスクレベルの予測を得る。
• 対角状態 SSM と並列スケールストリームにより、シーケンス長に対して計算量を線形に維持する。

実験結果

リサーチクエスチョン

• RQ1 NeuroSSM は生の fMRI 時系列において高速過渡ダイナミクスと遅い全体的傾向を共同でモデルできるか。
• RQ2 並列差分ストリームを追加することで急速な脳状態変化への感度が向上するか。
• RQ3 NeuroSSM は HCP および PPMI データセットで、トランスフォーマー、CNN/GNN ベース、従来の SSM ベースの手法と比較してどうか。
• RQ4 NeuroSSM は訓練データサイズの変動や臨床タスク対非臨床タスクで堅牢か。

主な発見

• NeuroSSM は HCP-Rest、HCP-Task、PPMI のいずれにおいて、ベンチマークと比較して精度・F1・AUC が競争的または優位である。
• アブレーションにより、多重スケール処理と微分入力ストリームの両方が性能を向上させ、全モデルが最良の結果を示す。
• NeuroSSM は特にデータ不足域での学習効率がトランスフォーマーおよび SSM ベースより強い。
• データセットを跨いで NeuroSSM は堅牢な性能と競争力のある AUC を維持し、異種データにおける信頼性を示す。
• 時系列解像度のアブレーションでは、3 スケール設定（τ = 1,2,3）が過度な複雑性なく有効である。