如何更好地利用神经影像学来产生有关个体的诊断信息

自 1990 年代功能性磁共振成像发展以来，随着研究人员调查来自静止大脑和大脑解剖结构本身的 fMRI 数据如何用于预测个体特征，例如抑郁症、认知能力下降，对神经影像学的依赖猛增, 和脑部疾病。

大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性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恢复。但是脑成像检测特征的 可靠性一直是一个广泛争论的话题。

先前对全脑相关研究（称为“BWAS”）的研究表明，大脑功能与结构和特征之间的联系非常微弱，以至于需要成千上万的参与者来检测可复制的影响。这种规模的研究需要在每项研究中投入数百万美元，限制了可以研究的特征和脑部疾病。

然而，根据发表的一篇新评论，当使用最先进的模式识别（或“机器学习”）算法时，可以获得更强大的大脑测量和特征之间的联系，这些算法可以从适中的样本量。

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-Clemmens 及其同事领导的全脑关联研究的早期分析做出了回应.

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，因此得出结论，需要数千名参与者才能检测到这些关联。

这篇新文章解释说，在早期论文中发现的非常微弱的影响并不适用于所有大脑图像和所有特征，而是仅限于特定情况。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。“鉴于几乎没有完全由大脑的一个区域执行的心理功能，我们建议使用模式识别来开发多个大脑区域如何有助于预测特征的模型，而不是单独测试大脑区域，”高级作者 Tor Wager 说，戴安娜·泰勒 (Diana L. Taylor) 心理学和脑科学特聘教授以及达特茅斯脑成像中心主任。

“如果应用多个大脑区域一起工作而不是孤立工作的模型，这将为神经影像学研究提供一种更强大的方法，产生的预测效果是孤立测试大脑区域时的四倍，”主要作者 Tamas Spisak 说。，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影像学实验室负责人。

然而，并不是所有的模式识别算法都是平等的，找到最适合特定类型脑成像数据的算法是一个活跃的研究领域。Marek、Tervo-Clemmens 等人的早期论文。还测试了模式识别是否可用于预测大脑图像的特征，但 Spisak 及其同事发现他们使用的算法不是最优的。

当研究人员应用更强大的算法时，效果会变得更大，并且可以在更小的样本中检测到可靠的关联。“当你对检测可复制效应需要多少参与者进行功率计算时，这个数字会下降到 500 人以下，”Spisak 说。

“这为许多特征和临床条件的研究开辟了领域，这些特征和临床条件是不可能获得数千名患者的，包括罕见的脑部疾病，”埃森大学医学中心的合著者 Ulrike Bingel 说，他是大学疼痛中心的负责人药品。

“迫切需要识别标记物，包括涉及中枢神经系统的标记物，因为它们对于改进诊断和个性化定制治疗方法至关重要。我们需要转向以神经科学为基础的个性化医学方法。多变量 BWAS 的潜力推动我们实现这一目标不应被低估。”

该团队解释说，在早期分析中发现的弱关联，特别是通过大脑图像，是在人们只是在扫描仪中休息而不是执行任务时收集的。但是 fMRI 也可以捕获与特定的每时每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。如果我们使用脑成像专注于研究心理状态和体验，例如疼痛、同理心和药物渴望，那么影响可以更大、更可靠，”Wager 说。“关键是找到合适的任务来夺取国家。”

Wager 说： “例如，根据早期的一项研究，向患有物质使用障碍的人展示药物图像可能会引起药物渴望，这是一种神经标志物。”

“确定哪些理解大脑和思维的方法最有可能成功很重要，因为这会影响利益相关者如何看待并最终资助神经影像学的转化研究，”宾格尔说。“找到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疾病患者新方法的关键。”