[논문 리뷰] A Dual-Head Transformer-State-Space Architecture for Neurocircuit Mechanism Decomposition from fMRI

Cole Korponay|arXiv (Cornell University)|2026. 01. 20.

Functional Brain Connectivity Studies인용 수 0

한 줄 요약

Neurocircuit Mechanism Decomposition (NMD)를 도입한 이 논문은 그래프 제약이 있는 lag-aware 트랜스포머와 측정-인식 상태공간 모델을 결합한 이중 헤드 모델로, fMRI 기능적 연결성을 drive, input responsivity, 및 modulator gating으로 분해하여 표적 치료 인사이트를 확보한다.

ABSTRACT

Precision psychiatry aspires to elucidate brain-based biomarkers of psychopathology to bolster disease risk assessment and treatment development. To this end, functional magnetic resonance imaging (fMRI) has helped triangulate brain circuits whose functional features are correlated with or even predictive of forms of psychopathology. Yet, fMRI biomarkers to date remain largely descriptive identifiers of where, rather than how, neurobiology is aberrant, limiting their utility for guiding treatment. We present a method for decomposing fMRI-based functional connectivity (FC) into constituent biomechanisms - output drive, input responsivity, modulator gating - with clearer alignment to differentiable therapeutic interventions. Neurocircuit mechanism decomposition (NMD) integrates (i) a graph-constrained, lag-aware transformer to estimate directed, pathway-specific routing distributions and drive signals, with (ii) a measurement-aware state-space model (SSM) that models hemodynamic convolution and recovers intrinsic latent dynamics. This dual-head architecture yields interpretable circuit parameters that may provide a more direct bridge from fMRI to treatment strategy selection. We instantiate the model in an anatomically and electrophysiologically well-defined circuit: the cortico-basal ganglia-thalamo-cortical loop.

연구 동기 및 목표

• fMRI 바이오마커를 실행 가능한 신경회로 기전과 연결함으로써 정밀 정신의학의 동기를 부여한다.
• fMRI 기능적 연결성을 출력 구동(output drive), 입력 반응성(input responsivity), 및 modulator gating으로 분해한다.

제안 방법

• 그래프 제약이 있는 lag-aware 트랜스포머를 개발하여 방향성 있는 경로별 라우팅 분포와 drive 신호를 추정한다.
• 혈역학적 컨볼루션을 포착하고 잠재 역학을 복구하기 위해 측정 인식 상태공간 모델과 통합한다.
• fMRI 데이터와 치료 전략을 연결하는 해석 가능한 회로 매개변수 세트를 제공한다.

실험 결과

연구 질문

• RQ1 fMRI 기반 기능적 연결성은 식별 가능한 신경회로 기전으로 어떻게 분해될 수 있는가?
• RQ2 이중 헤드 아키텍처가 치료 개입과 일치하는 해석 가능한 메커니즘 수준 매개변수를 산출할 수 있는가?
• RQ3 fMRI로부터 고유 신경 역학을 회복하는 데 lag-aware 트랜스포머와 측정 인식 SSM의 역할은 무엇인가?
• RQ4 이 접근법이 cortico-basal ganglia-thalamo-cortical 루프에 어떻게 적용되는가?

주요 결과

• 이중 헤드 아키텍처가 신경회로 기전 분해를 위한 해석 가능한 회로 매개변수를 제공한다.
• 그래프 제약이 있는 lag-aware 트랜스포머를 측정 인식 상태공간 모델과 통합하여 혈역학적 반응과 잠재 역학을 모델링한다.
• 정의된 cortico-basal ganglia-thalamo-cortical 루프에서 구현을 시연한다.
• 설명적 바이오마커를 넘어 기전 정보에 기반한 치료 가이드를 제시하는 프레임워크를 제공한다.