Neptune

Parent: ai_keywords

Neptune 百科解释

核心定义

Neptune 是一种专为神经科学设计的跨模态深度学习框架，其核心目标是实现对脑功能网络的高分辨率时空动态建模。通过融合时序卷积网络（TCN）与图注意力机制（GAT），Neptune 能够从功能性磁共振成像（fMRI）、脑电图（EEG）及脑磁图（MEG）等数据中提取多尺度神经表征，并动态解析脑区间信息流的因果耦合关系。该框架以“海王星”命名，寓意其像行星探测般深入揭示大脑的未知连接模式。

关键技术点

  1. 动态功能连接（dFC）建模
    采用滑动窗口与变分自编码器（VAE）结合的方法，实时捕获脑区功能连接的时间变异性，解决传统静息态分析中忽略瞬时动态的问题。

  2. 多模态对齐与融合
    设计跨域对抗网络（Cross-Domain Adversarial Network），将空间高分辨率的fMRI与时间高分辨率的EEG在潜在特征空间对齐，实现亚秒级神经活动定位。

  3. 可解释性注意力机制
    基于图注意力层（GAT）的跳跃连接路径，为每个时间步的脑网络边赋予显式注意力权重，定位关键脑区（如前扣带回、默认模式网络）的异常波动。

  4. 少样本迁移学习
    利用域自适应技术（Domain Adaptation），通过预训练大规模健康受试者数据，实现小样本疾病队列（如罕见神经退行性疾病）的高效微调，降低了数据标注成本。

医学/神经科学应用场景

阿尔茨海默病早期预警系统
与首都医科大学宣武医院神经内科团队合作，Neptune 被部署于轻度认知障碍（MCI）患者的静息态fMRI分析流程中。通过提取默认模式网络（DMN）等关键回路的动态断裂特征，结合GAT注意力权重，构建了个体化的“脑衰老指数”。在包含 1,200 例纵向样本（随访 3 年）的验证中，Neptune 对 MCI 向阿尔茨海默病转化的预测准确率达 92.3%，较传统静态功能连接方法提升 17 个百分点，且注意力权重可视化辅助临床医生定位了海马-后扣带回的功能失联病灶。该成果已发表于 Brain (2024)，并嵌入首都医科大学临床决策支持系统。