将机器学习能力弱脑成像研究?

发展以来的功能性磁共振成像在1990年代,依赖神经影像突飞猛涨作为研究人员调查fMRI数据从大脑在休息,和大脑解剖结构本身,可以用来预测个体特征,如抑郁,认知能力下降,脑部疾病。

脑成像有可能揭示许多特征的神经基础,从疾病如抑郁和慢性广泛的疼痛,为什么一个人有一个比另一个更好的记忆,为什么一些人的记忆是有弹性的,因为他们的年龄。但如何可靠的脑成像探测特性一直是人们广泛辩论的主题。

之前研究brain-wide相关研究(称为“BWAS”)已经表明,大脑功能和结构和特征之间的联系非常弱,成千上万的参与者需要检测可复制的影响。这种规模的研究在每个研究中,需要数百万美元的投资限制的特征和脑部疾病的研究。

然而,根据一项新的评论发表在自然,更强的大脑措施和特征之间的联系时可以获得先进的模式识别(或“机器学习”)算法是利用,从而获得高性能的结果从温和的样本大小。

在他们的文章中,研究人员从达特茅斯和埃森大学医学提供一个响应早期的分析brain-wide协会研究由斯科特Marek在圣路易斯的华盛顿大学医学院,Brenden Tervo-Clemmens麻省总医院/哈佛医学院,和同事。早期的研究发现很弱关联在一系列特征在几个大的脑成像的研究中,得出结论,成千上万的参与者需要检测这些关联。

新文章解释说,很弱的影响在早期发现纸并不适用于所有的大脑图像和特征,而是仅限于特定的情况下。它概述了功能磁共振成像数据如何从数以百计的参与者,而不是数千人,可以更好地利用个人提供重要的诊断信息。

一个关键等更强的大脑图像和特征之间的关联记忆和智力是使用最先进的模式识别算法。“鉴于几乎没有心智功能执行完全由大脑的一个区域,我们建议使用模式识别开发模型的多个脑区有助于预测特征,而不是单独测试大脑区域,”资深作者说Tor打赌戴安娜·l·泰勒特聘教授,心理学和脑科学和主任脑成像中心达特茅斯。

“如果模型的多个脑区一起工作,而不是孤立地应用,这提供了一个更加强大的方法在神经成像研究中,产生四倍的预测效果比在测试大脑区域隔离,”第一作者塔马斯。Spisak说,预测的神经影像实验室诊断和介入放射学和神经放射学研究所的埃森大学医学。

然而,并非所有的模式识别算法是平等的和发现的算法,最适合特定类型的脑成像数据是一个活跃的研究领域。早期论文Marek, Tervo-Clemmens等人还测试了是否可以用来预测模式识别特征从大脑图像,但是Spisak和他的同事们发现他们使用的算法是次优的。

当研究者们采用了一种更强大的算法,得到了更大的影响和可靠的协会可以在较小的样本中发现。“当你计算有多少参与者需要检测可复制的效果,下面的数量下降到500人,“Spisak说。

“这开启了研究领域的许多特征和临床条件获得成千上万的病人是不可能的,包括罕见的脑部疾病,”作者说Ulrike Bingel大学医学埃森,止疼药大学中心的负责人。“识别标记,包括那些涉及中枢神经系统,是急需的,因为它们是改善诊断和量身定制的治疗方法的关键。我们需要朝着个性化医疗的方法基于神经科学。潜在的多元BWAS移动我们朝着这个目标不应被低估。”

该小组解释说,弱关联发现在前面的分析,特别是通过大脑图像,是当人们收集只是休息的扫描仪,而不是执行任务。但是功能磁共振成像也可以捕捉大脑活动与特定的每时每刻都记着的思想和经验。

打赌认为大脑模式与这些经历可能是一个关键的理解和预测个体之间的差异。”的一个挑战与利用大脑成像预测特征是,许多特征不稳定或可靠。如果我们用大脑成像关注学习心理状态和经验,如疼痛,同理心,和药物的渴望,可以影响更大、更可靠,“打赌说。“关键是找到合适的任务来捕获状态。”

“例如,显示图像的物质使用障碍患者药物可以引起药物需求,根据早先研究揭示neuromarker的欲望说:“赌。

”识别理解大脑和思维方法是最可能成功的人是很重要的,因为这最终影响利益相关者如何看待和基金转化研究在神经影像,“Bingel说。“寻找的局限性和发展关键是共同努力克服它们的新方法诊断和照顾患者的大脑和精神健康障碍。”

参考Chauvin RJ: Tervo-Clemmens B, Marek年代,et al。回复:多元BWAS可以用温和的可复制的样本大小。自然。2023,615 (7951):E8-E12。doi:10.1038 / s41586 - 023 - 05746 - w

本文从以下转载材料。注:材料可能是长度和内容的编辑。为进一步的信息,请联系引用源。