一种改进脑图谱的新统计方法

大脑图谱包括寻找与不同特征相关的大脑区域，如疾病、认知功能或行为，是神经科学研究的一个主要领域。这种方法是基于统计模型，并受到许多偏差的影响。为了解决这些问题，来自巴黎大脑研究所和Inria联合团队ARAMIS团队的研究人员，以及他们在昆士兰大学(澳大利亚)和西湖大学(中国)的合作者，提出了一种新的大脑测绘统计模型。研究结果发表在医学影像杂志．

绘制大脑地图

映射大脑是一个动员了世界各地许多神经科学研究人员的挑战。这种方法的目标是识别大脑区域与不同的特征有关，如疾病、认知得分或行为。这种类型的研究也被称为“全脑关联研究”，它依赖于对大脑区域的彻底筛查，以确定与脑卒中相关的区域特征感兴趣的。

该研究的第一作者Baptiste couvie - duchesne (Inria)解释说:“困难在于我们是在大海捞针，除了我们不知道有多少根针，或者在我们的情况下，有多少个大脑区域需要找到。”

满足信号冗余的挑战

第一个挑战在于每个人可用的大脑测量数据的数量，这可能很快达到100万或更多。此外，大脑区域之间是相互关联的。一些区域高度连接，并与许多其他区域相关联，就像网络中的节点一样。然而，另一些则是孤立的，要么是因为它们独立于其他大脑区域，要么是因为它们有助于非常特定的认知特征或大脑功能。

“如果与我们感兴趣的特征相关的大脑区域是一个高度连接的网络的一部分，分析将倾向于检测整个网络，因为信号在相互关联的区域内传播，”研究人员继续说，“这个信号乍一看可能非常强烈，实际上是多余的。那么，我们如何才能在网络中找到一个或多个区域，真正对我们感兴趣的特征有贡献呢?”

为了解决这个问题，研究人员提出了新的方案统计方法这适用于高维图像，也适用于大脑内复杂的相关结构建模。

模拟开发新的统计方法

为了检验开发的统计方法，研究人员需要非常可控的数据。Baptiste Couvy-Duchesne解释说:“我们不能直接比较真实性状或疾病的方法，因为我们不知道我们应该找到什么。”“一种方法可以找到10个与某种特征相关的区域，另一种方法可以找到20个，尽管我们无法判断哪一个给出了正确答案。”

解决这个问题的关键是使用模拟。研究人员使用真实的大脑图像，但研究的是假的疾病或假的分数，他们将这些疾病或分数与数十或数百个预定义的大脑区域相关联。通过这种方式，他们能够检查统计方法是否检测到预期的区域，以及是否检测到其他区域(“假阳性”)。

一个更可靠的方法和开放的问题

一旦他们的方法通过这些模拟进行校准(这表明所提出的方法比现有的方法更准确)，研究人员就会使用真实的特征作为验证。“我们的新方法平均发现的区域更少，因为它设法去除了一些多余的关联。下一步是将其应用于阿尔茨海默病的研究，”研究人员总结道。

这项研究的一个中心结果是用目前的统计方法证明了冗余关联是多么普遍。因此，到目前为止确定的许多关联可能并不与所研究的性状直接相关。此外，一些难以控制的因素会影响核磁共振成像的质量，如头部运动或使用的机器类型，这可能会加剧问题并导致错误的关联。除了开发更精细的分析方法之外，数据质量和同质性问题仍然至关重要。