基于智能計算的腦機制研究

鄔霞，李銳，封春亮

（1. 北京師范大學 人工智能學院，北京 100875; 2. 教育部 智能技術與教育應用教育部工程研究中心，北京100816; 3. 中國科學院心理研究所 健康與遺傳心理學研究室，北京 100101; 4. 華南師范大學 心理學院，廣東 廣州 510631）

腦是人類智能的核心，認知功能的腦機制研究是腦科學研究的重要方向[1-2]。腦功能可以從分子細胞、神經元集群、腦區等不同尺度層面展開研究。其中，利用功能磁共振成像(functional magnetic resonance image, fMRI)等無創腦影像技術在宏觀層面監測和分析腦內不同區域的神經活動[3-4]是目前腦科學研究中的一個重要發展領域，特別是對于回答不同腦區的神經活動如何協同以實現各種認知過程和情緒情感體驗[5]，以及如何變化而產生各種神經精神疾病等一系列腦機制問題[6-7]。

基于腦影像數據的先進智能計算方法為人類高級認知功能腦機制的研究帶來了新的機遇和挑戰[8]。將智能計算方法引入到腦科學研究中建立腦計算模型有助于從數據中挖掘更多信息[9-10]，從數據驅動角度為腦機制研究開辟新的方向，進而推進對人腦高級認知功能神經機制的理解。信息學科中的算法理論，尤其是基于數據驅動的一些智能計算方法，如獨立成分分析(independent component analysis, ICA)[11]、貝葉斯網絡[12]、判別字典學習[13]等在研究腦網絡的組織結構和認知過程的加工機制，以及在腦疾病機制研究和影像學標記物識別等方面表現出很大潛力和應用前景。本文主要列舉我們利用智能影像計算方法在識別腦認知網絡成分、構建腦有向連接模型、預測認知行為變化、構建心理過程神經表征等幾個方面的應用，來介紹智能影像計算在腦運作機理和腦疾病應用領域的重要前景，以及可能為認知心理學研究、腦疾病的識別和干預、以及類腦智能理論研究等提供的借鑒和參考。

1 認知網絡成分識別

功能分化和功能整合是人腦功能活動的重要組織原則[14]。腦內各區域既分工不同又相互作用、互相協調構成一個深度連接的復雜網絡，以支持各種不同的認知功能[15-16]。準確識別和提取參與不同認知功能的網絡成分是腦機制研究普遍關心的一個問題。傳統的單變量方法盡管能觀察到不同空間區域參與任務的腦區，但不能反映這些不同區域之間的連接關系；而普遍采用的基于時間序列相關的連接分析依賴于感興趣區域種子點的準確定位作為先驗信息。數據驅動的認知網絡成分智能識別方法，如ICA在構建大尺度認知網絡方面表現出顯著優勢[17-18]。ICA無需關于認知網絡分布的先驗信息，可以在分離多個認知網絡的同時將噪聲分解為獨立成分，并且通過群體ICA組分析，進一步克服了腦影像數據信噪比低造成的難以精確識別不同腦網絡成分的難題，實現數據驅動式的腦認知網絡成分有效識別。

以語義通達模型為例，我們利用多變量ICA組分析方法對經典認知理論模型進行智能計算，實現對經典認知模型進行定量化表征[19]。通過給被試以視覺或聽覺形式呈現詞語并進行語義(是否具有危險性)判斷任務，我們刻畫了正常人在完成語義任務時腦內3個分離的功能網絡模塊：由枕葉(視覺語義任務)和顳葉(聽覺語義任務)等感覺皮層區域構成的輸入模塊、由左半球額頂葉區域構成的語義通達模塊、由前扣帶回和感覺皮層以及部分額頂葉區域等構成的輸出模塊。通過對比視覺與聽覺兩種不同模態的任務網絡，識別不同模態間共享語義系統的功能腦區定位(圖1[9])。與視覺語義和聽覺語義判斷任務有關的3個認知網絡模型分別對應輸入 (A)、語義通達 (B) 和輸出(C) 3個模塊。該研究結果不但實現了語義通達模型中3個模塊的空間定位，而且直接驗證了不同模態間共有的語義系統。

圖1 語義加工網絡Fig.1 Semantic processing network

除了在任務下建立認知網絡，ICA組分析在靜息態下同樣能夠識別表征認知功能的固有腦網絡，這對無法進行認知任務的腦疾病患者開展神經機制研究以及有關標記物研究具有重要應用前景。以阿爾茨海默病(alzheimer’s disease, AD)為例，本文利用ICA分離出參與自上而下注意指向的背側注意網絡(dorsal attention network, DAN)和參與自下而上處理新異刺激的腹側注意網絡(ventral attention network, VAN)，發現AD選擇性損傷DAN而相對保留VAN的功能連接(圖2[10])，從而可以解釋行為學上觀察到AD在選擇性注意任務時的功能缺陷和對新異刺激做出注意反應的現象[20-21]。同時，基于受試者操作特征曲線發現在已有樣本數據上，基于ICA的DAN功能活動強度和面積等特征比基于相關的傳統方法構建的影像學特征在識別AD上表現出更高的敏感性和特異性[20]。這擴展了對于AD的探究僅限于以默認網絡為研究對象的局限，為AD的識別和干預治療效果評定提供更多參考，同時也為其他基于神經影像信號的腦疾病神經生物標記物臨床診斷與檢測提供借鑒。

圖2 注意網絡Fig.2 Attention network

2 腦網絡有向連接架構分析

人腦靜息態網絡的存在體現了與任務刺激無關的腦自發活動內在的連接機制，即人腦功能網絡并不是只有在執行任務時才臨時組織起來，而是作為固有的連接網絡存在于大腦中[22]。在這一理論觀點的啟發下，在分化出不同功能網絡的同時，本文也關注這些功能網絡在腦內如何連接起來形成一個深度連接的復雜功能網絡，這對理解腦網絡的組織機制和運作規律具有重要意義。基于時延關系的Granger因果模型[23]和基于條件概率關系的貝葉斯網絡方法[24]作為數據驅動的有向連接智能計算方法在研究腦區間相互作用關系方面獲得成功運用。其中貝葉斯網絡方法因不依賴時間信息而避免了受fMRI數據時間分辨率低的影響，并能以更全局的方式通過挖掘節點變量間的條件獨立和依賴關系構建連接模型，進而借助方向性連接推斷節點間的信息傳輸和作用路徑。本文將貝葉斯網絡方法聯合ICA引入到靜息態fMRI數據分析，研究了靜息態大尺度功能網絡的分化和整合機制[25]，并在默認網絡[26]和網絡間連接[27]層面研究了AD的失連接機制。

在利用ICA識別大尺度功能網絡的基礎上，本文基于貝葉斯網絡方法構建了網絡間的連接關系，發現靜息態網絡間按照功能層次屬性以層級方式互連(圖3[14])，如視覺、聽覺、運動等感覺功能網絡彼此之間存在顯著連接并形成局部網絡間連接優勢性，從而利于人腦對各種外界刺激信息的感知和整合；同樣認知網絡之間存在緊密連接并接收來自感覺網絡的方向性連接，使得認知網絡可以有效合作，高效地加工處理來自感覺網絡的信息，特別是發現默認網絡在全腦信息的功能整合中可能發揮關鍵作用[14]。通過運用ICA和貝葉斯網絡的方法學優勢本文揭示了腦內功能網絡的分化和整合特性，這種特性也是人類認知和行為靈活性的關鍵神經基礎[17-18]。

圖3 靜息態下大尺度功能網絡間的組織模式Fig.3 Organization mode of large-scale functional network in the resting state

圖3中：SMN為感覺運動網絡；AN為聽覺網絡；VN1為外側視覺網絡；VN2為內側視覺網絡；VAN為腹側注意網絡；DAN為背側注意網絡；DMN為默認網絡；SRN為自省網絡[14]。基于貝葉斯網絡的有向連接智能計算方法在定量驗證腦疾病模型和機制闡釋方面同樣具有重要價值。如上所述，本文通過ICA揭示了AD認知網絡的功能異常，采用貝葉斯網絡方法從有向效應連接的變化考察網絡通路上腦區間的作用關系，有助于進一步明確這些認知功能異常的失連接機制。本文首次構建了AD患者默認網絡的有向連接，從連接效應的角度刻畫了默認網絡內腦區間依賴關系的改變，尤其是發現這些異常連接集中在海馬與網絡內其他腦區的效應連接(圖4)，結合海馬是AD影響的早期靶點腦區，這個結果清晰地提示海馬功能的異常是腦內廣泛的失連接現象的重要原因[26]。在系統層面，本文基于ICA和貝葉斯網絡模型發現AD選擇性損傷高級認知網絡的效應連接，而對感覺網絡的效應連接影響較小，該模型可以很好地解釋AD在記憶、注意等高級認知功能上的衰退[27]。對疾病模型的研究除了揭示其產生發展的機制，也為干預實踐和干預效果提供指導，如老年期和AD相對保留的感知覺網絡連接預示在相應功能區域具有較強的功能可塑性，這種神經可塑性資源是可以充分利用起來以尋找相應的干預方法或者開發有效干預技術的實踐基礎，而受損的通路和連接則是觀察和評估干預效果的重要影像學指標[28-29]。此外，腦疾病模型也是研究腦運作機理的一個重要方法，如發現海馬的功能異常導致連接的損傷實際上也支持海馬驅動腦網絡運作這一重要功能發現[30-31]。

圖4 NC和AD的默認網絡有向連接模型及組間比較Fig.4 Effective connectivity model of DMN and its comparison between NC and AD

模型中的節點表示默認網絡腦區，其中lHC和rHC分別代表左側和右側海馬；*表示AD減弱的連接，＋表示AD增強的連接。3D 坐標系描繪了Talairach系統，其中x軸是大腦的左/右，y軸是大腦的后/前，z軸底部到大腦的頂部。

3 腦認知行為預測

基于腦影像數據實現對認知功能的預測在腦科學研究領域有重要應用。在很多神經精神疾病中，認知行為的改變往往滯后于腦功能特性的變化[32-33]。在這種情況下，如果能基于多模態神經影像數據，對認知功能改變和疾病發展軌跡進行預測，實現對腦功能性疾病的早期預防和精準干預，對患者和醫院都具有重要意義[34-35]。多模態腦影像數據的異質性、特征維度高、數據復雜等問題使得傳統方法無法應對這些復雜高維特征與行為之間的精確擬合[36-38]。以識別AD早期認知障礙和預測該疾病發展進程為例，本文利用國際AD神經影像計劃(alzheimer’s disease neuroimaging iInitiative, ADNI)多模態影像學數據庫[39]，采用加權多模態稀疏表達智能算法，將加權組合的方式應用于腦影像多特征融合算法，識別出了能夠區分不同疾病進程(認知正常–輕度認知障礙–AD)的模態特異性標記物，發現FDG-PET可能是相對更有效地可以鑒別輕度認知障礙及其轉化的成像方法；尤其是發現融合多模態特征的模態特異性標記物對轉化型輕度認知障礙(progressive mild cognitive impairment, pMCI)的預測準確率達到82.50%(圖5[36])，驗證了加權組合學習在預測AD認知功能行為變化軌跡方面的有效性[40]。這為退行性認知障礙疾病的早發現、早診斷提供了新思路，也提示基于智能計算實現面向大腦認知功能進行預測的應用前景。

圖5 加權多模態稀疏表達算法的認知障礙識別結果Fig.5 Cognitive impairment recognition results of the weighted multimodal sparse expression algorithm

4 構建心理過程神經表征

心理過程的腦機制研究需要能夠準確構建表征不同心理狀態下的腦激活模式以及腦區間的交互關系[41-42]。當前對認知行為任務狀態下大腦功能解碼的研究并未充分考慮與任務條件間的因果關系，導致對心理過程的腦機制研究仍不完整。此外在實驗設計或數據采集過程中，采集設備或任何實驗步驟或參數的不同也都可能引起心理狀態和腦功能狀態的差異，進而影響神經表征的準確性。基于文獻薈萃的元分析方法[43]通過對大量獨立實驗數據的系統定量分析可構建與特定任務相關的穩定可靠的神經表征，避免因采集設備、實驗步驟或參數設置差異帶來的不確定性問題。基于數據驅動的多變量Granger因果智能分析[44-45]，能構建出特定行為任務狀態下不同腦區間在時間上的因果作用關系，進而揭示心理過程背后的神經機制[46-47]。以社會決策任務為例，本文對過往利用最后通牒游戲范式研究公平相關神經機制的20項研究數據進行元分析，識別出公平規范執行依賴于兩個神經環路來表征，由前腦島和腹內側前額葉構成的負責快速評估違反規范行為的直覺系統，以及由背側前扣帶回等負責整合社會規范和個人利益的反思系統[48]。在對公平規范執行進行神經編碼基礎上，本文采用獎懲回報刺激行為認知實驗和Granger因果計算進一步揭示了這些腦區如何相互作用來參與公平規范行為，發現與懲罰規則有關的前腦島區反應減弱，而與獎勵回報提升的相關的腹側前額區、楔前葉、背側前額區反應增加[49]。有意思的是這與受行為主義心理學啟發而發展起來的強化學習人工智能技術思想相吻合，其以回報收益最大化為目標，將一個單元作為懲罰網絡的驅動者，驅動其他單元來調節懲罰代價行為[50-51]。通過對不同心理過程下的腦狀態模式進行神經表征研究，不僅促進理解人類行為和認知加工的神經機制，也為類腦智能研究提供基于腦科學的理論見解。

5 結束語

本文介紹的研究對人腦工作機制的理解只是冰山一隅，但看到智能計算方法在腦影像數據分析的應用對理解腦認知加工機制和腦信息處理機制提供新的途徑，也為認知心理學研究及人工智能理論研究提供新的思路；同時智能影像計算在神經精神疾病領域也表現出重要應用前景，如揭示病理機制、預測疾病進程和構建生物標記等。但仍然需要注意的是，基于數據驅動的智能計算需要和認知理論驅動的實驗發現有機結合起來。通過智能計算構建的腦連接等表征腦信息處理機制的模型，需要通過認知行為實驗去理解這些連接方式對人類行為和認知的功能意義；而認知理論驅動下構建的腦認知模型也需要智能計算方法去驗證并尋找新的線索進一步完善。從“行為”出發的傳統認知實驗研究和從“腦”出發的先進智能影像計算這兩條研究思路主線的交叉融合和互相啟發將共同推動對人腦這個復雜生命系統的理解。