大脑连接和机器学习如何增强对人类认知的理解

研究人员通过优先考虑大脑连接智能预测建模的可解释性，为人类认知提供了新的见解

　　

最近的一项研究探讨了大脑连接和智力之间的关系，强调了预测建模中可解释性的价值，可以更深入地了解人类认知。                        

在最近发表在PNAS Nexus上的一项研究中，研究人员通过优先考虑大脑连接的智能预测建模的可解释性，而不是仅仅关注预测性能，为人类认知提供了新的见解。

神经科学中的机器学习

关于人类认知的神经科学研究已经从专注于单变量解释研究发展到采用基于机器学习的预测建模。这种转变使得分析行为和多个神经生物学变量之间的关系能够预测不同样本的行为。

智力是健康和学业成就等生活结果的关键预测指标，人们对它进行了广泛的研究，理论将其分为流动和结晶两种。最近的机器学习方法利用大脑连接数据增强了智能预测。然而，有限的概念见解，对特定智力测量的依赖以及方法上的限制突出了进一步研究系统地探索预测性大脑特征的必要性。

关于研究

本研究遵循严格的方法，所有分析、样本量和变量都在开放科学框架中预先注册。初步分析遵循预先注册的协议，并进行额外的事后分析，以进一步探索与智力预测最相关的大脑连接。

研究参与者来自人类连接组项目（HCP）青年成人样本S1200，包括1200名年龄在22至37岁之间的个体。根据赫尔辛基宣言获得知情同意，所有程序均由华盛顿大学机构审查委员会批准。

在排除了缺失数据、基于迷你精神状态检查（MMSE）得分为26分及以下的认知障碍或过度的头部运动后，最终样本包括806名参与者，其中418名是女性，733名是右撇子。智力测量包括一般智力（gg）、结晶智力（gCgC）和流体智力（gFgF），使用双因素和探索性因素分析从认知测试分数中估计。

在静息状态和七个认知任务中收集功能磁共振成像（fMRI）数据，构建受试者特异性功能连接（FC）矩阵。最小预处理的fMRI数据进行了额外的预处理步骤，包括有害回归、全局信号校正和去除任务诱发激活，以改善连通性估计。预测建模利用前馈神经网络，其中结合了五倍交叉验证、超参数优化和样本外反发现方法来控制协变量，如年龄、性别和头部运动。

使用分层相关传播（LRP）增强了模型的可解释性，以识别对预测最关键的功能性脑连接。使用来自阿姆斯特丹开放MRI收集（AOMIC）的两个独立数据集进行外部复制，从而确保结果的清晰度和普遍性。

统计分析包括Pearson相关系数、基于误差的度量和非参数排列测试，以评估预测性能并比较不同数据集的模型。

研究结果

使用HCP的数据调查了FC及其在预测智力中的作用。在这里，gg、gCgC和gFgF成分从12个认知测量中估计出来，并显示出显著的相互关系。

在静息状态和7个任务状态下，分别用100个皮质节点构建个体FCs。此外，计算了两个潜在的FCs，一个跨越静息和任务状态，另一个跨越任务状态，这导致了总共十种认知状态的分析。

不同智能组件的预测性能各不相同。为此，gg预测在观察得分和预测得分之间的相关性最高，其次是gCgC和gFgF。任务状态也影响预测准确性，认知要求高的任务和潜在的FCs优于其他任务。

在整个大脑网络中，认知网络（如默认模式、控制和注意力网络）提供了最强大的预测能力，因为它们明显优于躯体运动系统和边缘系统等网络。

功能性脑连接的系统选择表明，智能预测依赖于组件、状态和网络之间的相互作用。除了一个网络外，所有网络训练的模型表现出最小的性能下降，从而突出了分布在大脑网络中的代偿智力相关信息。

通过逐步LRP识别出的1000个最相关的大脑连接得到了最好的预测。这些连接广泛分布在皮质区域，并在不同的认知状态下有所不同。

在HCP锁箱样本中的验证证实了研究结果的准确性，在所有智能组件的预测性能方面具有显著的相关性。使用来自AOMIC的数据进行外部复制证明了通用性，尽管效果较小。

跨州和网络的预测性能的关键模式保持一致。此外，基于1,000个最相关连接的模型的表现明显优于随机选择。

结论

与gFgF相比，gg和gCgC的智力预测始终更好，从而突出了它们在神经病理生理上的系统性差异。这些发现因认知状态和网络而异，认知要求高的任务和全脑连接优于静息状态的测量。

基于已建立的智力框架的理论驱动模型提供了有意义的见解，但被全脑模型优于。总的来说，目前的研究确定了大约1000个具有高度预测性的大脑连接，这些连接形成了一个跨越主要功能系统的分布式网络。