inverse.com来源

Neuron:不再「一刀切」,AI识别功能脑网络与认知的关系

近日,发表在神经生物学顶级期刊《神经元》(Neuron)的一项研究中,来自宾夕法尼亚大学(University of Pennsylvania)的研究人员使用了机器学习技术来分析近700名儿童、青少年和年轻成年人的功能性磁共振成像(fMRI)的扫描结果。
 
研究首次表明,每一个儿童大脑中的变化具有个体唯一性,并且执行功能相关的功能脑网络变化最大。如同指纹或虹膜识别,这种变化,能鉴别出个体,更能够对其发育后的大脑功能产生影响。


过去关于人类大脑功能的研究普遍的假设是,所有人的脑功能解剖单元均处在大脑皮层相近或相似的位置,这样的假设适用于简单的控制运动的神经功能。近些年的研究则发现,大脑神经网络的功能具有个体差异的特点,这种差异在通过精确的比对大脑结构后更明显。
 
对于成年人来说,由于学习、认知等因素,人的大脑功能会发生巨大变化,而这种变化对于个体来说是独一无二的,通过这些变化,人们甚至可以反推判断属于哪一个人。不过到目前为止,仍没有人在儿童等更年轻的群体中观察大脑功能的变化。为此本文作者提出以下假设:
  • 大脑功能改变会系统地受到大脑皮质发育的影响;

  • 预测变化的大脑功能协同网络将在进行执行功能时产生个体差异;

  • 大脑功能的变化受制于大脑组织基本属性,包括进化扩张和皮质髓鞘形成。

于是,宾夕法尼亚大学的研究人员使用机器学习技术来验证了这些假设。他们招募了693名年龄在8-23岁之间的儿童、青少年、青年群体参加试验,每人首先需要接受时长27分钟的fMRI扫描。这些成像数据则会交由负责机器学习技术的团队分析处理,AI通过学习这些参与者的神经成像数据,为每位参与者的大脑皮层“绘制”了17个功能网络。

图片来源:参考资料[2]

接下来,研究人员分析了这些网络在参与者整个发育期的变化方式,以及它们与参与者所参加的多项认知测试中的表现的关系。结果发现,随着个体年龄的增长,大脑的功能网络会产生变化。而通过了解大脑皮层的体素分属哪一个功能网络,可进行“反向”预测,得知参与者的具体年龄、其大脑执行功能的能力。

▲不同个体所表现出明显有区别的大脑功能网络(图片来源:参考资料:[2])与执行功能相关的功能网络占据的皮层区域多大,儿童在执行特定任务时的表现更好,反之亦成立。具有执行功能的网络负责调节儿童、青少年群体的各种行为,比如冒险、冲动等,从而避免使其陷入各种困境。所以,预测变化的功能脑网络将在进行执行功能时产生个体差异。

文章通讯作者Theodore D.Satterthwaite教授表示:“这一发现令人兴奋的是,人工智能使研究人员确定了不同孩子功能脑网络的空间布局,而不是使用‘一刀切’的方法进行识别。与成年人一样,每个孩子的脑中都有一个独特的功能分区,且在这些功能分区中变化最大是与执行功能相关的功能网络。”
 
这些结果提供了有关儿童发育过程中大脑的可塑性和多元化的见解。作者认为,这些发现未来可能有助于个性化治疗方法和诊断技术的发展。

题图来源:Pixabay

参考资料

[1] Teenagers are a mystery, but machine learning couldhelp crack the code Retrieved Feb 26, 2020 from https://www.inverse.com/innovation/not-all-brains-are-same

[2] Individual Variation in Functional Topography ofAssociation Networks in Youth Retrieved Feb 26, 2020 from https://www.cell.com/neuron/fulltext/S0896-6273(20)30055-6?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS0896627320300556%3Fshowall%3Dtrue

[3] Artificial Intelligence Sheds New Light on Childrens’Brain Structures Retrieved Feb 26, 2020 from https://www.docwirenews.com/docwire-pick/artificial-intelligence-sheds-new-light-on-childrens-brain-structures/

[4] https://www.sohu.com/a/375620029_650136


药明康德AI
药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康,带你看全AI时代的智慧之光。

专栏二维码
产业NeuronAI机器学习
相关数据
机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

神经元技术

(人工)神经元是一个类比于生物神经元的数学计算模型,是神经网络的基本组成单元。 对于生物神经网络,每个神经元与其他神经元相连,当它“兴奋”时会向相连的神经元发送化学物质,从而改变这些神经元的电位;神经元的“兴奋”由其电位决定,当它的电位超过一个“阈值”(threshold)便会被激活,亦即“兴奋”。 目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。 在这个模型中,神经元通过带权重的连接接处理来自n个其他神经元的输入信号,其总输入值将与神经元的阈值进行比较,最后通过“激活函数”(activation function)产生神经元的输出。

推荐文章
暂无评论
暂无评论~