点击蓝字 关注我们

自 1990 年代功能性磁共振成像发展以来，研究人员研究来自静息时大脑的 fMRI 数据和解剖学大脑结构本身如何用于预测个体特征（如抑郁症、认知能力下降和脑部疾病等）。脑影像学的相关研究有可能揭示许多个体特征的神经基础，既能够用于探究抑郁症和慢性广泛疼痛等疾病的病理机制，又可以回答诸如为什么一个人的记忆力比另一个人好？为什么有些人的记忆随着年龄的增长而具有弹性变化？等大脑相关问题。但是，脑影像检测特征的可靠性一直是广泛争论的主题。先前对全脑相关研究（Brain-wide association studies或“BWAS”）的研究表明，大脑功能与结构和特征之间的联系非常弱，需要成千上万的参与者来检测可复制的效果。由于这种规模的研究需要每项研究投入数百万美元，因而对研究哪些特征和哪些脑部疾病具有一定的限制作用。

2023年3月8日，圣路易斯华盛顿大学医学院的博士后Scott Marek和马萨诸塞州总医院/哈佛医学院的博士后Brenden Tervo-Clemmens在Nature发表上的一篇题为“Multivariate BWAS can be replicable with moderate sample sizes”的评论中指出，当使用最先进的模式识别（或“机器学习”）算法时，可以获得大脑测量和特征之间更强的联系，这可以从中等样本量中获得高倍的结果。

文章首页截图

早期的研究发现，在几项大型脑成像研究中，一系列特征的关联非常弱，由此得出的结论，为检测这些关联，需要采集数千名参与者的数据。研究解释说，早期论文中发现的非常微弱的影响并不适用于所有大脑图像和所有特征，而是仅限于特定情况。而本研究概述了如何更好地利用来自数百名参与者而不是数千名参与者的fMRI数据来产生有关个人的重要诊断信息。

大脑图像与记忆和智力等特征之间更紧密联系的关键是使用最先进的模式识别算法。鉴于几乎没有完全由大脑的一个区域执行的心理功能，研究者建议使用模式识别来探究多个大脑区域如何有助于预测特征的模型，而不是单独测试某个大脑区域。研究者指出，如果应用多个大脑区域一起工作而不是孤立的模型，则为神经影像学研究提供了一种更强大的方法，产生的预测效果比单独测试大脑区域时大四倍。

然而，并非所有模式识别算法都是平等的，找到最适合特定类型的脑成像数据的算法是一个活跃的研究领域。Marek以及Tervo-Clemmens等人早期的论文也测试了模式识别是否可用于预测大脑图像的特征，但Spisak及其同事发现他们使用的算法是次优的。Spisak认为，“当你对检测可复制效应需要多少参与者进行功效计算时，这个数字下降到500人以下”。当研究人员应用更强大的算法时，效果变得更大，并且可以在更小的样本中检测到可靠的关联。

图注：在低到中等样本量的情况下提供无偏效应大小和高重复性的多变量BWAS示例

这项研究为许多特征和包括罕见脑部疾病的临床研究开辟了领域。当前的脑疾病研究迫切需要识别包括涉及中枢神经系统的标志物，因为这些标志物对于改善诊断和个性化定制治疗方法至关重要。由此，需要研究者转向基于神经科学的个性化医疗方法。从这个层面上讲，多元BWAS推动实现这一目标的潜力不应被低估。

研究小组解释说，在早期脑影像分析中发现的弱关联是静息态而非任务态数据，任务态功能磁共振成像也可以捕捉与特定时刻的想法和经历相关的大脑活动。将大脑模式与这些经历联系起来可能是理解和预测个体之间差异的关键。研究者指出，与使用大脑成像预测特征相关的挑战之一是许多特征不稳定或不可靠。如果我们使用脑影像来专注于研究精神状态和体验，例如疼痛，同理心和对药物的渴望，效果可能会更大，更可靠。

研究者指出，确定哪些理解大脑和思维的方法最有可能成功很重要，因为这会影响利益相关者如何看待并最终资助神经成像的转化研究，发现局限性并共同努力克服它们是开发诊断和护理大脑和精神疾病患者的新方法的关键。

参考文献

Spisak, T., Bingel, U. & Wager, T.D. Multivariate BWAS can be replicable with moderate sample sizes.Nature 615, E4–E7 (2023). https://doi.org/10.1038/s41586-023-05745-x.

资讯来源

Dartmouth College. "How neuroimaging can be better utilized to yield diagnostic information about individuals." ScienceDaily. ScienceDaily, 14 March 2023. <www.sciencedaily.com/releases/2023/03/230314205337.htm>.