功能磁共振成像數據的應用概述

黃慶坤，朱亞飛

(1.大理護理職業學院，云南 大理；2.西南民族大學，四川 成都)

0 引言

隨著計算機技術的發展以及醫療硬件設備的提升，fMRI數據被廣泛應用與腦科學、認知科學、醫學、人工智能等交叉學科的研究。fMRI技術基于血氧水平依賴(blood oxygen level dependent，BOLD)，當大腦在進行認知活動時(外界刺激或自發的神經活動均會觸發大腦的認知活動)相關的神經元被激活，腦血流量(CBF)也顯著增加，導致局部血液中含氧血紅蛋白含量增加，去氧血紅蛋白含量降低，將產生腦磁場梯度差異，引起局部BOLD信號增強，通過這種變化會使得磁共振信號加強對腦活動進行成像分析。值得注意的是，BOLD信號沒有直接反應大腦相關區域活動的強弱，而是反映了由于神經活動所帶來的周圍區域血液代謝水平的變化。fMRI技術不需要額外的放射性核素示蹤劑，就能有效的反映腦組織(體素(voxel)單位1mm×1mm×1mm)的代謝過程并且組織結構清晰，具有較高的空間分辨率、可同時觀察多個腦區的活動響應、對人體無損傷以及無副作用等優點。(數據處理)本文主要通過統計學原理與人工智能技術概述了fMRI數據在認知科學與相關腦疾病診斷中的應用，對未來fMRI數據的應用進行展望。

1 fMRI在認知科學中的應用

認知科學，就是關于心智研究的理論和學說，是以認知過程及其規律為研究對象的科學，認知涉及學習、記憶、思維、理解以及在認知過程中發生的其他行為。認知科學的重要進展，得益于腦科學的發展，結合fMRI技術、計算機及其科學理論為其提供了新的研究思路。Richardson等人[1]通過以122名兒童(3-12歲)與33名成年人作為被試，來研究兒童和成人是否具有相同的腦網絡機制來處理外界信息，以達到認知學習的目的。在其實驗中采用任務態fMRI(同時觀看一部簡短的動畫電影)，以獲取引起人物的心理狀態和生理感覺的事件的fMRI數據，在大腦感興趣區域(ROI)的選擇中研究“心智理論”(ToM)網絡和“疼痛網絡”，通過實驗證實兒童和成人的ToM網絡和疼痛網絡在發育上是分離的，基于差異性腦網絡的角度觀察發現ROI相關性隨著年齡的增長而顯著增加(圖1)。此外，Kamalaker等人[2]以大尺度網絡分析法對智商(IQ)進行預測，在ROI的選取中分別對比了獨立成分分析(ICA)、字典學習、K-means聚類、AAL標準腦分區等多種腦區選擇方法，將fMRI數據與人工智能相結合，著重介紹了不同算法對ROI的選擇以及對預測模型的影響。

2 fMRI在精神分裂癥研究中的應用

圖1 ToM網絡和疼痛網絡對平均年齡組的相關矩陣。每個年齡段（3歲:n=17；4歲:n=14；5歲:n=34；7歲:n=23；8-12歲:n=34；成人:n=33）ToM（紅色），Pain（綠色）和跨網絡（藍色）相關評分值。

精神分裂癥(Schizophrenia)是一種高致殘性的精神疾病，多起病于青壯年，常緩慢起病，以思維、情感、行為等方面障礙及精神活動不協調為主要特點[3]。Hu等人[4]通過t樣本檢驗，發現精神分裂患者在后扣帶回(PCC)、聽覺皮層和感覺皮層區域(包括雙側顳回和運動區)之間的功能連接成正相關，而正常被試在PCC、顳上回(STG)，前扣帶回(ACC)、運動區以及背外側額上回(SFGdor)的功能連接呈負相關。陳曦[5]基于fMRI研究發現精神分裂癥患者在雙側小腦下葉(Cere)、顳下回(ITG)、殼核(PUT)、尾狀核(CAU)和海馬(HIP)表現出更高的FOCA值，這意味著病人在這些腦區有相對更高的局部自發活動一致性。此外在對正常被試和精神分裂癥患者分類實驗中，作者[6]通過神經網絡分類模型發現大腦左半球的額葉、顳葉、和頂葉存在差異性連接，并且海馬與枕葉的有向連接相比正常人的連接更強，這些連接強度改變可能與精神分裂癥中的運動失調相關。結合大尺度網絡分析[7]精神分裂患者具有較低的聚類系數和全局效率，但是精神分裂患者相對于正常被試特征路徑長度更長，因此精神分裂患者腦網絡節點的集團化程度較低，腦區之間的信息傳輸速率要低于正常被試者。

3 fMRI在注意缺陷多動癥研究中的應用

注意缺陷多動癥(ADHD)是一種神經發育型精神障礙性疾病，其特點是注意力不足，過度活動或難以控制的行為。在ADHD的fMRI研究中，Racine等人[8]發現ADHD患者在腹內側前額葉(vmMPFC)、額頂網絡中顯示出一致減少的激活。Steven等人[9]研究表明 ADHD 患者還有研究表明，ADHD 患者的背側前扣帶回皮(ACG)、丘腦(THA)和頂葉皮層的大腦活動也存在異常。Hofvander等人[10]發現相對于正常被試，ADHD患者出現了前扣帶回(ACC)、THA、前額葉(PFC)和額葉等區域功能激活異常降低的現象，而在頂葉區域則出現了功能激活異常升高的現象。Rubia等人[11]提出，ADHD患者在執行相關的任務時默認模式網絡相關的腦區的活躍狀態從靜息態狀態持續至了任務狀態，這樣與任務執行相關的腦區的活動產生了競爭的關系，從而導致相關的異常行為，如注意力不集中，記憶力降低等。此外結合人工智能技術，在ADHD-200數據分類競賽中，譚穎等人[12]通過小波尺度分解，將不同尺度上的信號能量值作為特征向量，并通過支持向量機(SVM)分類模型來對ADHD患者進行分類，最終得到62.7%的分類結果；Dey等人[13]基于差異性腦網絡來對ADHD患者進行分類，將高活躍度體素選做網絡節點來構建大腦網絡，最終得到73.55%分類結果，將人工智能技術與腦科學相結合來探索ADHD相關患病機制。

4 fMRI在輕度遺忘性認知障礙研究中的應用

輕度遺忘性認知障礙(aMCI)是正常認知老化與阿爾茨海默氏病(AD)之間的過渡階段。通過fMRI研究發現aMCI是腦網絡功能失調所致[14]，主要與默認網絡(default mode network)和認知控制網絡(Cognitive controlnetwork)的固有連接模式異常有重要關系。袁等人[15]通過ReHo分析法，發現aMCI患者右側壓后皮層(RSC)和右側背外側前額葉(LDPFC)局部一致性降低，其中RSC是連接顳葉內側和前額葉重要節點，在思想記憶的編碼、存儲和提取中發揮重要作用。Yang等人[16]通過因果關系分析(GCA)發現患者右側腦島(insula.R)、RPUT和dACC的因果效應增加，PCF和左眶額葉皮層(OFC)對dACC的因果效應減少(圖2)，分別討論認知控制網絡和默認網絡連接出差異性連接。Bai等人[14]研究發現后扣帶皮層(PCC)、海馬旁回(PHG)、HIP等部位腦網絡局部效率減低、PFC部分區域局部效率增高，提出全腦功能連接模式變化可能是aMCI患者轉化為AD的生物性標志之一。此外在aMCI fMRI數據分類中，張忠敏[17]通過SVM對aMCI患者和無記憶障礙及其他相關疾病者進行MVPA研究，得到83.19%的分類結果；員銳娟[18]采用圖論分析法提取結構網絡的特征，選取與認知表現分數高度相關的特征，通過SVM序列最小優化算法模型得到85.71%的最佳分類效果。

圖2 輕度認知障礙與對照組大腦區域表現出明顯的因果關系(P＜0.05)

5 總結與展望

現今fMRI技術被運用于科研與醫療領域中，由于神經活動本身的復雜多變性，使得fMRI數據存在著噪聲大的特點，導致了fMRI數據存在著有效信息提取困難以及信息冗余等問題。在此背景下，fMRI數據分析通過使用統計學原理或人工智能技術，結合計算機、醫療影像學等學科來獲取大腦的真實特征，能夠在復雜信號的干擾下，從理論層面深度研究大腦的活動運行機制。

采用統計學原理大多對組內水平fMRI數據來進行研究，例如在被試組內進行腦疾病診斷、研究某種刺激任務下，大腦腦區之間的激活狀態(一般線性模型分析法、t樣本檢驗、方差分析等)或者觀察靜息態(任務態)fMRI被試腦網絡的功能性連接等，針對被試組內水平，缺乏組間比較與數據泛化能力；采用人工智能技術大多對組間水平fMRI數據進行研究，例如在被試組間進行相關腦疾病預測分類、采用深度學習算法對任務態fMRI進行行為預測(預測當前所接受的刺激任務類型，或者重現刺激任務)等，針對被試組間水平，大腦ROI的選擇多依賴于先驗知識，并且分類預測效果取決于算法的擬合度(不同數據相同模型結果不同)。fMRI技術在未來的發展中：(1)更充分地挖掘大腦隱藏體素。在體素水平更加深入對大腦區域進行更精準定位，對現有fMRI數據中非ROI中體素運用實驗研究中，更深層次挖掘大腦信息；(2)更加深入算法研究。在特征選擇中，將嘗試更多不同特征選擇算法，例如基于差異腦區或腦網絡，可以嘗試集成學習、遷移學習等算法等，通過實驗數據更加優化特征選擇算法；在分類算法中使用3D卷積神經網絡、圖神經網絡等深度學習算法，有效地處理fMRI時間序列，由組內水平泛化到組間水平，更好的解決小樣本高維度學習帶來的問題。