近年来，状态空间模型（Mamba）的研究在神经科学和医学应用领域快速发展。通过融合多模态神经影像与动态系统建模，BNMs 能够定量解析脑疾病背后的大规模网络异常活动，不仅揭示神经精神疾病的时空动态重构机制，还为精准诊疗提供全新路径。

Science合作期刊《Health Data Science》近期发表了来自哈尔滨工业大学（深圳）医工学院叶辰飞/马婷团队的研究论文《Multiscale Contextual Mamba: Advancing Psychiatric Disorder Detection across Multisite Functional Magnetic Resonance Imaging Datasets via State Space Modeling》。该研究首创状态空间模型驱动的静息态功能脑影像分析新框架，突破多中心fMRI数据异质性瓶颈，分别在抑郁症（69.91%准确率）与孤独症（73.08%准确率）的跨中心数据上实现了影像学辅助诊断。通过建模大脑长程依赖与多尺度动态耦合，该框架为精神障碍的脑网络重组的异常模式刻画提供全新计算范式，有望推动脑疾病诊疗进入个体化时代。

以重度抑郁症（MDD）和自闭症谱系障碍（ASD）为代表的精神障碍具有症状复杂、异质性高且存在重叠的特点，使得基于临床表型的传统诊断面临巨大挑战。静息态功能磁共振成像（rs-fMRI）技术提供的血氧水平依赖（BOLD）时间序列数据蕴含了大脑功能连接和动态网络模式的关键信息，是发现潜在生物标志物的理想途径。然而，分析此类高维时间序列数据存在显著困难：现有方法（如CNN、GCN、Transformer）难以有效捕捉大脑网络固有的长程时间依赖性和动态模式，尤其在不同成像站点采集的多中心数据中，还面临站点间变异（如扫描协议、设备差异）和噪声干扰等问题。因此，目前急需研发一种新型计算模型，能够高效处理多站点fMRI数据的长序列，精确建模大脑动态，并实现跨站点的稳健泛化，从而推动更可靠的数据驱动诊断工具的发展。

为应对上述挑战，我们提出了MSC-Mamba（Multi-scale Contextual Mamba）的创新模型。该模型的核心基于状态空间模型（SSM，如图1），特别是借鉴了Mamba架构的优势，能够在处理长序列时保持线性计算复杂度（O(L)），显著优于Transformer的二次方复杂度（O(L²)），解决了传统方法计算效率低下的瓶颈。MSC-Mamba的创新点包括：

1. 多尺度建模： 设计Outer Mamba和Inner Mamba分别处理高分辨率和低分辨率的BOLD时间序列，融合局部细节（如瞬时波动）与全局趋势（如长期依赖），全面捕捉大脑活动的多层次动态。

2. 通道混合与独立性自适应处理： 通过可学习的门控机制，动态平衡“通道混合”（学习脑区间功能交互）和“通道独立”（保留单个脑区独特时间动态）两种处理路径，灵活适应fMRI数据的异构性。

3. 多站点特征对齐与分布适应： 专门设计了类特定的特征对齐损失和基于最大均值差异（MMD）的分布适应损失，有效减少不同成像站点数据间的系统性偏差，提升模型在异构多中心数据上的泛化能力。

4. 选择性注意力机制： 利用SSM的隐式记忆实现线性复杂度的“注意力”，动态加权不同时间点特征对诊断的贡献，增强对关键神经动态（如MDD中的短暂连接波动）的敏感性并抑制噪声。

图1 状态空间模型的选择性机制

研究在两个大型多站点rs-fMRI数据集上验证MSC-Mamba：REST-meta-MDD（MDD/健康对照，16站点）和ABIDE-I（ASD/健康对照，17站点）。通过与广泛基线模型（包括1DCNN、LSTM、ST-GCN、Transformer及多种图神经网络如GCN、BrainGNN、MDCN等）对比，MSC-Mamba取得显著优势：

1. MDD检测：在REST-meta-MDD上达到69.91%准确率，精准率70.62%、召回率67.96%。

2. ASD检测：在ABIDE-I上实现73.08%准确率，精准率72.82%、召回率74.06%。

3. 消融实验证实多尺度设计、通道混合/独立机制及多站点特征对齐策略对性能提升至关重要；

4. 生物标志物识别：模型提取的特征成功定位与MDD（前额叶、前扣带回等）和ASD（梭状回、默认模式网络等）病理相关的关键脑区，与临床认知一致。结果凸显了模型处理异构多中心数据、捕捉长程脑动态的卓越能力。

综上，本研究提出并验证了MSC-Mamba模型，将高效的状态空间模型（Mamba）引入到基于多站点rs-fMRI的精神疾病分类研究中。该模型通过多尺度状态空间建模、自适应的通道处理机制以及针对性的多站点特征对齐策略，有效克服了长序列建模的计算瓶颈，精确捕捉了大脑功能网络的复杂时空动态，并显著提升了模型在异构多中心数据上的泛化能力。实验结果表明，MSC-Mamba在MDD和ASD检测上达到了当前最先进的性能，其高准确率、精准率和召回率证明了其作为数据驱动诊断工具的潜力。这项工作不仅为精神疾病的客观生物标志物发现提供了强大的新工具，也展示了状态空间模型在神经影像研究中的广阔应用前景，有望推动更可靠、可推广的临床诊断方法的开发。未来的工作可探索模型在其他精神或神经疾病上的适用性以及更精细的领域自适应技术。

哈工大深圳校区为论文第一完成单位。哈工大深圳国际人工智能研究院博士后李暑升为论文第一作者。医工学院马婷、叶辰飞为论文共同通讯作者。中山八院毕波、医工学院曹剑锋等参与了相关研究工作。该研究工作获得了国家自然科学基金面上项目和深圳市科技创新项目的支持。

Li S, Bo Y, Chen Y, Cao J, Bi B, Ma T, Ye C. Multiscale Contextual Mamba: Advancing Psychiatric Disorder Detection across Multisite Functional Magnetic Resonance Imaging Datasets via State Space Modeling. Health Data Sci. 2025 Aug 5;5:0224. doi: 10.34133/hds.0224.