大脑连接和机器学习如何增强对人类认知的理解

最近的一项研究探讨了大脑连接性与智力之间的关系，强调了预测模型的可解释性对于更深入地了解人类认知的价值。

研究： 选择解释而不是性能：来自机器的见解。图片来源：Christoph Burgstedt / Shutterstock.com

在最近发表的一项研究中美国国家科学院院刊研究人员通过优先考虑大脑连接智能预测模型的可解释性，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关注单变量解释性研究发展到采用基于机器学习的预测模型。这种转变使得能够分析行为与多个神经生物学变量之间的关系，以预测不同样本的行为。

智力是健康和学业成绩等生活结果的关键预测因素，已被广泛研究，理论将其分为流体和结晶成分。最近的机器学习方法利用大脑连接数据增强了智力预测。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表明需要进一步研究来系统地探索预测性大脑特征。

关于该研究

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上预先注册。主要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。

研究参与者选自人类连接组计划 (HCP) 的年轻人样本 S1200，其中包括 1,200 名年龄在 22 岁至 37 岁之间的个体。根据赫尔辛基宣言获得知情同意，所有程序均得到华盛顿大学机构审查委员会的批准。

在排除缺失数据、基于简易精神状态检查 (MMSE) 分数为 26 或以下的认知障碍或过度头部运动后，最终样本包括 806 名参与者，其中 418 名是女性，733 名是右利手。智力测量包括一般智力（gg），结晶智力（gCgC),和流体智力（gFgF）是使用认知测试分数的双因素和探索性因素分析来估计的。

在静息状态和七​​个认知任务期间收集功能磁共振成像（fMRI）数据，以构建受试者特定的功能连接（FC）矩阵。对经过最少预处理的功能磁共振成像数据进行了额外的预处理步骤，包括干扰回归、全局信号校正和消除任务诱发的激活，以改善连接估计。预测建模利用前馈神经网络，该网络结合了五重交叉验证、超参数优化和样本外去混杂方法来控制年龄、性别和头部运动等协变量。

使用分层相关性传播（LRP）来识别对预测最关键的功能性大脑连接，增强了模型的可解释性。使用来自阿姆斯特丹开放 MRI 集合 (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、基于误差的指标和非参数排列检验，以评估预测性能并比较跨数据集的模型。

研究结果

使用 HCP 的数据研究了 FC 及其在预测智力中的作用。在此处，gg, gCgC， 和gFgF各组成部分是根据 12 项认知测量进行估计的，并显示出显着的相互相关性。

各个 FC 由静息状态和 7 个任务状态下的 100 个皮质节点构建而成。此外，还计算了两个潜在 FC，一个跨越休息和任务状态，另一个仅跨越任务状态，从而总共产生了 10 个用于分析的认知状态。

不同情报组件的预测性能各不相同。为此，gg预测在观察到的分数和预测的分数之间实现了最高的相关性，其次是gCgC和gFgF。任务状态也影响了预测的准确性，认知要求较高的任务和潜在 FC 的表现优于其他任务。

在整个大脑网络中，默认模式、控制和注意力网络等认知网络提供了最强的预测能力，因为它们的表现明显优于躯体运动和边缘系统等网络。

对功能性大脑连接的系统选择表明，智力预测取决于成分、状态和网络之间的相互作用。使用除一个网络之外的所有网络训练的模型显示出最小的性能下降，从而突出了分布在大脑网络中的补偿性情报相关信息。

最佳预测是使用通过逐步 LRP 识别的 1,000 个最相关的大脑连接获得的。这些联系广泛分布在皮质区域，并且在认知状态之间有所不同。

HCP 密码箱样本的验证证实了研究结果的准确性，所有情报组件的预测性能均存在显着相关性。使用 AOMIC 数据进行的外部复制证明了普遍性，但效果较小。

跨州和网络的预测表现的关键模式保持一致。此外，基于 1,000 个最相关连接的模型显着优于随机选择。

结论

情报预测始终更好gg和GCgC相比于gFgF,从而强调了他们的神经病理生理学的系统差异。这些发现因认知状态和网络而异，认知要求较高的任务和全脑连接性优于静息态测量。

基于已建立的智能框架的理论驱动模型提供了有意义的见解，但其性能优于全脑模型。总的来说，当前的研究确定了大约 1000 个高度预测的大脑连接，这些连接形成了一个跨越主要功能系统的分布式网络。