如何更好地利用神经成像来产生关于个体的诊断信息

自20世纪90年代功能性磁共振成像技术发展以来，随着研究人员研究如何利用大脑静止状态的fMRI数据和大脑解剖结构本身来预测个体特征，如抑郁、认知能力下降和大脑疾病，对神经成像的依赖急剧上升。

脑成像有可能揭示许多特征的神经基础，从抑郁症和慢性广泛疼痛等疾病，到为什么一个人的记忆力比另一个人好，以及为什么有些人的记忆随着年龄的增长而有弹性。但是有多可靠大脑成像技术用于检测性状一直是一个有广泛争议的话题。

先前对全脑相关研究(称为“BWAS”)的研究表明，两者之间的联系大脑功能结构和特征是如此脆弱，以至于需要成千上万的参与者来检测可复制的效应。这种规模的研究需要在每项研究中投入数百万美元，这限制了可以研究哪些特征和大脑疾病。

然而，根据一篇发表在自然在美国，大脑测量和性格特征之间的联系更紧密模式识别(或“机器学习”)算法被利用，它可以从中等样本量中获得强大的结果。

在他们的文章中，达特茅斯大学和埃森大学医学院的研究人员对这种情况做出了回应早期的分析由华盛顿大学医学院的Scott Marek，马萨诸塞州总医院/哈佛医学院的Brenden tervo - clemens及其同事领导的全脑关联研究。

早期的研究在几项大型脑成像研究中发现，一系列特征之间的关联非常微弱，结论是需要数千名参与者来检测这些关联。

这篇新文章解释说，早期论文中发现的非常微弱的效应并不适用于所有的大脑图像和所有的特征，而是仅限于特定的情况。它概述了如何更好地利用来自数百名参与者(而不是数千人)的fMRI数据来产生关于个人的重要诊断信息。

大脑图像与记忆力和智力等特征之间更强关联的一个关键是使用最先进的模式识别算法。“鉴于大脑的一个区域几乎没有完全执行的心理功能，我们建议使用模式识别来开发多个大脑区域如何预测特征的模型，而不是单独测试大脑区域，”达特茅斯戴安娜L.泰勒心理和脑科学杰出教授、脑成像中心主任、资深作者Tor Wager说。

“如果应用多个大脑区域共同工作而不是孤立工作的模型，这将为神经成像研究提供更强大的方法，产生比测试时大四倍的预测效果大脑区域埃森大学医学诊断与介入放射学和神经放射学研究所预测神经成像实验室负责人、首席作者Tamas Spisak说。

然而，并不是所有的模式识别算法都是一样的，找到对特定类型的大脑成像数据最有效的算法是一个活跃的研究领域。Marek, Tervo-Clemmens等人的早期论文也测试了模式识别是否可以用于从大脑图像中预测特征，但Spisak和同事发现他们使用的算法是次优的。

当研究人员应用更强大的算法时，影响变得更大，可以在更小的样本中检测到可靠的关联。斯皮萨克说:“当你计算需要多少参与者才能检测到可复制的效应时，这个数字会下降到500人以下。”

“这为研究许多特征和临床情况打开了大门，获得数千名患者是不可能的，包括罕见患者脑部疾病合著者、埃森大学医学院的乌尔里克·宾格尔说，他是大学疼痛医学中心的负责人。

“迫切需要识别包括中枢神经系统在内的标记物，因为它们对改进诊断和个性化治疗方法至关重要。我们需要朝着以神经科学为基础的个性化医疗方法迈进。多元BWAS推动我们实现这一目标的潜力不应被低估。”

研究小组解释说，在早期的分析中发现的弱关联，特别是通过大脑图像这些数据是在人们只是在扫描仪中休息时收集的，而不是在执行任务时。但是功能磁共振成像也可以捕捉到与特定时刻的想法和经历相关的大脑活动。

Wager认为，将大脑模式与这些经历联系起来可能是理解和预测个体差异的关键。“使用脑成像来预测特征的挑战之一是，许多特征并不稳定或可靠。如果我们用脑成像来研究精神状态和经历，比如疼痛、同理心和药物渴望，效果就会大得多，也更可靠。”“关键是找到正确的任务来捕捉这种状态。”

“例如，向患有物质使用障碍能引起人们对毒品的渴望，根据早期的一项研究显示渴望的神经标志物”韦格说。

Bingel说:“确定哪种理解大脑和思维的方法最有可能成功是很重要的，因为这影响了利益相关者如何看待并最终资助神经影像学的转化研究。”“发现局限性并共同努力克服它们是开发诊断和护理大脑和精神健康障碍患者的新方法的关键。”