VRPTR 用静息态 fMRI 预测个体语言激活图，并给出经校准的不确定性估计
核心概要
该研究提出 VRPTR——一种结合压缩 Transformer 瓶颈、变分潜变量采样与多尺度跳跃连接的三维编码器-解码器，在 WU-Minn 人类连接组计划 360 名健康成人上训练、40 名留出被试上评估故事对数学的语言对比，取得平均体素图 Pearson r=0.642 与 Dice AUC=0.519，分别比紧凑体积版 BrainSurfCNN 类与 SWIFUN 类比较模型高 Δr=0.0376 与 0.0335，并显示 Transformer 处理与图相关性的提升相关（Δr=0.0168），而原始 95% 区间仅覆盖 4.7% 观测值、经留出队列内五折校准后覆盖率升至 94.8%。
深度剖析
VRPTR 在留出被试上预测故事对数学语言对比的个体激活图，平均体素图 Pearson r=0.642、Dice AUC=0.519。 相对紧凑体积版 BrainSurfCNN 类与 SWIFUN 类比较模型分别提升 Δr=0.0376 与 0.0335，说明该架构在同等紧凑设定下取得更高的图相关性。 训练集为 WU-Minn 人类连接组计划 360 名健康成人，评估集为同一数据集 40 名留出被试，采用体素图 Pearson 相关与 Dice AUC 两项指标。
与从 360 张训练图固定的模板相比，VRPTR 提升了相关性，但未改善平均绝对误差或均方根误差；模板本身的残差相关为 0.364。 这一对照把“个体化预测”与“共享群体模式”区分开来，提示相关性提升并不等同于逐体素误差的全面改善。 以 360 张训练图固定模板作为基线，报告残差相关 0.364，并同时比较相关性与平均绝对误差、均方根误差。
匹配因子消融显示 Transformer 处理与图相关性提升相关（Δr=0.0168），而变分主效应未通过多重比较校正；组件互换表明被试特异性激活模式更依赖多尺度跳跃特征而非瓶颈表示。 把 Transformer 处理的作用与被试特异性空间条件化、以及瓶颈表示的作用区分开，指出不同组件承担不同功能。 采用匹配因子消融与组件互换两类实验设计，并报告多重比较校正结果。
潜变量采样产生的后验标准差与体素绝对误差仅呈弱关联（平均 Spearman ρ=0.091）；原始 95% 区间仅覆盖 4.7% 观测值，留出队列内五折校准后覆盖率升至 94.8%，空间变化的不确定性在概率评分上略优于恒定宽度模型，且输入退化时不确定性上升。 说明相对不确定性估计需要校准才能达到名义覆盖率，并展示不确定性对输入退化的响应。 报告平均 Spearman ρ、原始与校准后的区间覆盖率，以及概率评分比较与输入退化条件下的不确定性变化。
启示与展望
该工作面向健康成人静息态 fMRI 到故事对数学语言对比激活图的个体化预测，训练与评估均在同一数据集内完成，适用于需要个体化语言图估计并希望获得相对不确定性刻度的研究场景；其校准后的不确定性区间与空间变化的不确定性评分，为后续在独立样本与临床队列中检验提供了起点。
摘要未说明跨数据集或跨对比的泛化表现，也未给出临床队列结果；校准后的 94.8% 覆盖率来自留出队列内五折校准，其独立验证仍是开放问题；此外，原始 95% 区间仅覆盖 4.7% 观测值这一结果提示不确定性刻度对校准流程较为敏感，具体机制有待正文展开。