机器学习为更好地理解大脑疾病提供了新的途径

由新加坡国立大学(NUS)的研究人员领导的一个研究小组说，他们成功地利用机器学习发现了人类大脑细胞结构的新观点。科学家们展示了一种利用功能磁共振成像(fMRI)收集的数据自动估计大脑参数的方法，使神经科学家能够推断不同大脑区域的细胞特性，而无需使用外科手术手段探测大脑。

据发表在《科学进展》(Science Advances)杂志上的研究人员称，这项技术可能用于评估神经系统疾病的治疗，并开发新的治疗方法。

“我们考虑了具有区域特异性微尺度特性的人类大脑皮层的大规模动态回路模型。该模型采用随机优化方法进行了反求，得到了更适合于新的样本外静息功能磁共振成像(fMRI)数据的结果。在不假设层次结构存在的情况下，估计的模型参数显示了一个大规模的皮层梯度。在一端，感觉运动区域有很强的周期性连接和兴奋性皮层下输入，与外部刺激的局部处理一致。在相反的一端，默认的网络区域具有微弱的重复连接和兴奋性皮层下输入，这与它们在内部思维中的作用是一致的，”研究人员写道。

此外，反复出现的连接强度和皮层下输入为区分层次结构的水平提供了补充信息，只有前者与皮层层次结构的其他宏观和微观代理(认知功能、主要静息功能磁共振成像梯度、髓磷脂和层状特异性神经元密度的meta分析)显示出强烈的相关性。总的来说，这项研究为动态静息状态下大脑皮层的宏观层次结构提供了微观层面的见解。

“许多疾病的潜在途径发生在细胞层面，许多药物在微观层面运作。知道真正发生在人类大脑最深处的水平,这对我们来说是至关重要的发展方法,深入研究大脑深处的无创,”队长托马斯·杨说,博士,助理教授新加坡脑科学研究所(SINAPSE)在新加坡国立大学,和一个* STAR-NUS临床成像研究中心(中国保监会)。

目前，大多数人类大脑研究仅限于非侵入性方法，如磁共振成像(MRI)。这限制了在细胞水平上对人类大脑的检查，这可能为各种神经疾病的发展和潜在治疗提供新的见解。

杨指出，世界各地的不同研究团队已经利用生物物理模型来弥补非侵入性成像和对人类大脑细胞理解之间的差距。生物物理大脑模型可以用来模拟大脑活动，使神经科学家能够深入了解大脑。然而，这些模型中的许多都依赖于过于简单的假设，例如，所有大脑区域都具有相同的细胞特性，而科学家们在100多年前就已经知道这些假设是错误的。

杨和他的团队与庞贝法布拉大学、巴塞罗那大学和乌得勒支大学医学中心的研究人员合作，分析了452名人体连接体项目参与者的成像数据。与以往的建模工作不同，他们允许每个大脑区域具有不同的细胞特性，并利用机器学习算法自动估计模型参数。

“我们的方法与真实数据更加吻合。此外，我们发现机器学习算法估计的微尺度模型参数反映了大脑如何处理信息。

研究小组发现，大脑中负责感官感知的区域，如视觉、听觉和触觉，表现出与大脑中负责内部思考和记忆的区域相反的细胞特性。人类大脑细胞结构的空间模式紧密地反映了大脑如何分层次地处理来自周围环境的信息。这种形式的分层处理是人类大脑和人工智能最新进展的一个关键特征。

新加坡国立大学工程学院电子与计算机工程系的杨教授说:“我们的研究表明，大脑的处理层次是由其区域间的微尺度分化所支持的，这可能为人工智能的突破提供进一步的线索。”

未来，新加坡国立大学的研究小组计划应用他们的方法来检查个体参与者的大脑数据，以更好地理解个体大脑细胞结构的变化如何与认知能力的差异相关。该研究小组希望，这些最新的研究结果可以为开发针对特定药物或大脑刺激策略的个性化治疗方案迈出一步。