新的深度学习方法可能有助于预测认知功能

西北大学的研究人员开发了一种基于深度学习的方法，可以根据大脑的形状和结构预测认知功能能力，详细内容发表在科学报告．

该方法使用了图形卷积神经网络(gCNNs)的研究，可能也会揭示出对两国关系的新见解大脑形态学和不同的认知功能以及脑功能的衰退。

神经外科助理教授、该研究的合著者S. Kathleen Bandt医学博士说:“当我们将cnn丰富的功能应用到大脑的图形表示时，我们可以以一种以前从未探索过的方式来探索大脑图像。”

在整个生命过程中，大脑结构和认知功能之间的关系是如何变化的，这一点仍然难以理解。然而，先前的研究表明，流动智力——解决问题、思考和抽象推理的能力——在很大程度上依赖于大脑的两个区域:大脑前额叶皮层而且顶叶皮层两者都与决策和感觉知觉等功能有关。

此外，调查之间的联系大脑结构认知功能可以提供关于大脑成熟和衰老的额外信息，以及认知障碍的生理原因。

在目前的研究中，研究人员开发了新的gCNNs，这是一种专门的深度学习模型，可以提取不同的形态特征，如皮质厚度以及转换后的大脑MRI扫描的皮层下结构来预测流体智力。

Bandt说:“我们正在将大脑缩小到它的表面，这意味着我们不仅能够捕捉到关于折叠模式的信息，还能够捕捉到曲率和表面之间的关系，这些信息涵盖了成千上万个节点，包括外皮层表面、内皮层表面和七个皮层下大脑结构的表面。”

利用他们的新型gCNNs，科学家们从两组涉及不同年龄组患者的大型MRI数据集中提取了皮层带和皮层下结构的形态学信息。

使用这种方法，研究人员能够证明他们的模型明显优于其他类似的最先进的方法，并且使用皮质和皮质下结构的组合提供了最准确的预测。

此外，在两组数据中，他们发现杏仁核、海马体和大脑的结构特征伏隔核(NAc)，以及颞叶、顶叶和扣带皮层，推动了流体智力的预测。

“之前对流体智力的神经解剖学基础的研究已经确定了广泛的皮层区域之间的联系，但与皮层下结构的关系报道相对较少。我们的研究通过确定双侧NAc、海马体在预测流体智力方面的参与，增加了这些研究，这与认知科学的方面有关，如判断和决策中的奖励处理以及情绪调节，”McCormick工程学院电气与计算机工程系的研究生Yunan Wu博士说，他是该研究的主要作者。

根据作者的说法，他们基于表面的gcnn为无数的研究目的提供了绘制神经认知和大脑解剖之间已确定的关系的机会。该方法还需要更少的训练时间和计算，使其更有效地应用于其他综合数据集。

例如,另一个最近的研究Bandt领导的小组使用gCNN分析衰老和痴呆，发现健康个体和痴呆患者的大脑衰老速度不同。

Bandt说:“我们现在正在研究，是否可以用这种方法预测类似的认知测量，就像我们在流体智力方面的工作中所做的那样，而且我们还可以预测痴呆的发作，并可能在它开始之前预防或延迟它。”