如何更好地利用神经影像学来获得个人的诊断信息

自20世纪90年代功能磁共振成像技术发展以来，随着研究人员研究如何利用静止大脑的功能磁共振成像数据和大脑解剖结构本身来预测个体特征，如抑郁、认知能力下降和脑部疾病，对神经成像的依赖急剧增加。

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力随着年龄的增长而恢复。但是有多可靠呢大脑成像是用于检测特征一直是广泛争论的主题。

先前对全脑相关研究(称为“BWAS”)的研究表明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。这种规模的研究每项研究都需要数百万美元的投资，这限制了可以研究的特征和脑部疾病。

然而，根据一篇发表在自然在美国，大脑测量和特征之间的联系可以在最先进的情况下得到加强模式识别(或“机器学习”)算法被利用，它可以从适度的样本量中获得高性能的结果。

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一个问题做出了回应早期的分析由华盛顿大学医学院的Scott Marek、麻省总医院/哈佛医学院的Brenden Tervo-Clemmens及其同事领导的全脑关联研究。

早期的研究发现，在几项大型脑成像研究中，一系列特征之间的关联非常微弱，并得出结论，需要数千名参与者才能发现这些关联。

这篇新文章解释说，在之前的论文中发现的非常微弱的影响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(而不是数千名参与者)的fMRI数据来产生有关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联系的一个关键是使用最先进的模式识别算法。“考虑到几乎没有一种心理功能完全由大脑的一个区域完成，我们建议使用模式识别来开发多个大脑区域如何有助于预测特征的模型，而不是单独测试大脑区域，”资深作者托尔·韦格说，他是戴安娜·l·泰勒心理学和脑科学杰出教授，也是达特茅斯大学大脑成像中心主任。

“如果应用多个大脑区域一起工作而不是单独工作的模型，这将为神经成像研究提供更强大的方法，产生的预测效果是测试时的四倍。大脑区域主要作者Tamas Spisak说，他是埃森大学医学诊断和介入放射学和神经放射学研究所预测神经成像实验室的负责人。

然而，并不是所有的模式识别算法都是一样的，寻找对特定类型的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。

当研究人员使用更强大的算法时，效果变得更大，并且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果时，这个数字降到了500人以下。”

“这为研究许多特征和临床条件开辟了领域，这些特征和临床条件是不可能获得数千名患者的，包括罕见患者脑部疾病埃森大学医学院的合著者乌尔里克·宾格尔说，他是埃森大学疼痛医学中心的负责人。

“迫切需要识别标志物，包括涉及中枢神经系统的标志物，因为它们对改善诊断和个性化治疗方法至关重要。我们需要走向以神经科学为基础的个性化医疗方法。不应低估多元BWAS推动我们实现这一目标的潜力。”

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当人们只是在扫描仪中休息而不是执行任务时，这些数据就被收集了起来。但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。

韦格认为，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，许多特征不稳定或不可靠。如果我们用大脑成像来研究精神状态和经历，比如疼痛、同理心和对毒品的渴望，效果会更大、更可靠，”韦格说。“关键是找到正确的任务来捕捉状态。”

“例如，向患有物质使用障碍会引起对药物的渴望，根据早期的一项研究显示渴望的神经标志物韦格说。

宾格尔说:“确定哪些理解大脑和思维的方法最有可能成功是很重要的，因为这影响到利益相关者如何看待并最终资助神经成像的转化研究。”“找到局限性并共同努力克服它们是开发诊断和照顾大脑和精神健康障碍患者的新方法的关键。”