[논문 리뷰] NeuroSSM: Multiscale Differential State-Space Modeling for Context-Aware fMRI Analysis

Furkan Genç, Boran İsmet Macun외 3명|arXiv (Cornell University)|2026. 01. 03.

Functional Brain Connectivity Studies인용 수 0

한 줄 요약

NeuroSSM은 원시 fMRI BOLD 시계열을 분석하기 위해 병렬 미분 분기가 있는 다중 스케일 선택적 상태공간 모델을 도입하며, 빠른 일시적 변화와 느린 경향을 포착하는 효율적이고 엔드투엔드 컨텍스트 인식 표현을 달성한다.

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.

연구 동기 및 목표

• 빠른 순간 변화에서 느린 전역 추세에 이르기까지 fMRI 신호의 다중 스케일 시간 구조를 포착하는 모델의 필요성을 고취한다.
• FC 특징에 의존하지 않고 원시 BOLD 시계열을 처리하는 선택적 상태공간 아키텍처인 NeuroSSM을 제안한다.
• 빠른 동역학과 느린 동역학을 함께 모델링하기 위해 다중 스케일 백본과 병렬 미분 분기를 도입한다.
• 임상 및 비임상 작업에 걸친 대형 공개 fMRI 데이터셋에서 경쟁력 있는 예측 성능을 입증한다.

제안 방법

• 원시 BOLD 신호를 ROI 분할된 형태로 NeuroSSM 모듈 스택으로 처리한다.
• 각 모듈 내에서 다중 시간 스케일에 걸쳐 다중 스케일 차분 상태공간 블록(MSD-SSB)을 적용한다.
• 시간 재스케일링 데이터와 그 1차 시간 차이를 동시 처리하기 위해 이중 스트림 상태공간 모듈(Dual-SSM)을 사용한다.
• 단순 잔여 합으로 스케일 출력을 융합하고 계층 정규화와 GELU 활성화를 적용한다.
• 시계열적으로 풀링하고 선형 헤드로 분류하여 피험자 수준 또는 작업 수준 예측을 얻는다.
• 대각 상태 SSM과 병렬 스케일 스트림으로 시퀀스 길이에 따라 선형 계산 비용을 유지한다.

실험 결과

연구 질문

• RQ1 NeuroSSM이 원시 fMRI 시계열에서 빠른 순간적 다이내믹과 느린 글로벌 추세를 함께 모델링할 수 있는가?
• RQ2 병렬 차분 스트림을 추가하면 빠른 뇌 상태 변화에 대한 민감도가 향상되는가?
• RQ3 HCP 및 PPMI 데이터셋에서 Transformer, CNN/GNN 기반 및 전통적인 SSM 기초 모델에 대해 NeuroSSM의 성능은 어떤가?
• RQ4 다양한 학습 데이터 크기와 임상 대 비임상 작업 간에 NeuroSSM이 견고한가?

주요 결과

• NeuroSSM은 베이스라인 대비 HCP-Rest, HCP-Task, PPMI에서 정확도, F1 및 AUC가 경쟁력 있거나 우수하게 나타난다.
• 제거 실험은 다중 스케일 처리와 차분 입력 스트림이 성능을 향상시키며, 전체 모델이 최상의 성능을 보임을 보여준다.
• NeuroSSM은 특히 데이터가 적은 상황에서 Transformer 및 SSM 베이스라인에 비해 학습 효율이 더 높음을 보인다.
• 데이터셋 전반에 걸쳐 NeuroSSM은 견고한 성능과 경쟁력 있는 AUC를 유지하여 이질적인 데이터에서도 신뢰성을 나타낸다.
• 시간 해상도 제거 실험에서 3-스케일 구성(τ = 1,2,3)이 불필요한 복잡성 없이 효과적임을 시사한다.