随着世界范围内人们对人脑健康的广泛关注，越来越多的研究者致力于发现个体大脑的发育与老化机制以评估其大脑老化程度与认知能力，功能磁共振成像（functional Magnetic Resonance Imaging, fMRI）技术成为其强大的技术支撑，基于功能磁共振成像技术的功能连接（Functional Connectivity，FC）作为一种建立大脑功能与脑发育、老化程度之间关系的有效指标被研究者广泛应用。静息态FC能够有效地反映大脑自发活动，而任务态FC具备更优的预测潜力，但这些研究中往往仅利用静息态数据，缺乏对被试任务态下的功能连接的考察，可能存在信息利用不足的缺陷，并且往往采用传统分析方法，通常年龄预测误差在8-10岁左右，预测行为评分与真实行为评分的皮尔逊相关系数在0.2至0.5之间。

随着深度学习方法在fMRI研究中的广泛应用，越来越多的研究者将其应用于疾病分类、年龄预测等任务中，从数据驱动的角度自动学习大脑功能模式并执行后续的分类、预测任务，但由于深度学习的“黑箱”效应，如何解释其学习到的模式至今没有公认的标准，故发展有效的、数据驱动的常模有助于在提升模型预测能力的同时探索“黑箱”效应。

近日，太原理工大学相洁团队和电子科技大学董立团队针对以上问题，在《科学通报》发表了题为“基于双范式功能磁共振成像的毕生常模在年龄和认知能力上的预测研究”的研究论文。

文中提出基于双范式功能磁共振成像的毕生常模图谱生成方法，旨在反映被试在静息态和自然刺激两种范式间大脑神经活动的异步（个体对日常事务做出反应时的大脑功能活动的变异性）与同步（人群中一致的大脑自发功能活动），有望提升模型的预测能力，捕捉更丰富的大脑发育、老化及认知敏感的功能信息；

并且，作者采用深度学习方法，利用数据驱动方式实现对年龄、认知能力（如流体智力）的预测，有望跳出传统分析方法的限制，提高预测精度；

最后，针对深度学习的“黑箱”效应，该研究在保证预测效果的同时，将重心放在毕生常模的生成与解释上，从生物医学的角度解释常模，增加了深度学习方法的可解释性，从而有助于刻画大脑功能发育、维持、老化的不同演化模式，并加深人们对大脑功能机制的理解。

研究中使用的方法（ 图1 ）主要分为以下三步：

01

将静息态与自然刺激两种范式的功能连接数据输入到基于变分自编码器（Variational auto-encoder, VAE）的生成器中，分别作为编码器的输入与解码器的输出，以构建常模；

02

利用常模对比计算每个被试的毕生功能连接模式，作为下游预测任务的特征表达；

03

所有被试采用五折交叉验证的方式拆分为训练集与测试集，将每个被试所对应的常模特征输入到基于感受野模块（Receptive Field Block，RFB）的预测模块中，对被试年龄以及认知能力评分（如流体智力、反应时评分）进行预测。

该方法已在剑桥老龄化神经科学中心数据集（样本量：424，年龄：18至88岁）上得到了验证，年龄、流体智力和反应时评分分别获得了5.97、3.72和0.108的平均绝对误差，优于其他相关研究。

毕生常模生成器及基于RFB的预测方法都属于深度学习模型，而深度学习模型的参数设置决定了模型的收敛效果，从弱化参数影响角度出发，作者未对VAE及预测模型进行复杂的参数寻优，而是尽可能的采用经验设置，做到在保证预测效果的同时，将重心放在毕生常模生成、解释上。这样不仅可以突出模型的泛化性能，还能从生物医学的角度解释常模，探索深度学习的“黑箱”效应。

通过分析所提出的方法生成的常模特征，作者发现毕生常模整体呈现左偏侧化，语言加工偏向于大脑左半球，而自然刺激状态是通过观看电影实现的，影片中存在的对白可能是导致常模呈现左偏侧性的原因之一。

毕生常模的连接模式主要集中于额叶、枕叶、颞叶及部分深部核团，既包含了静息态下脑自发活动显著的默认模式网络所涉及脑区，也存在自然刺激状态下活动显著的视觉网络、运动网络、听觉网络等。

在预测年龄阶段，个体功能连接需要结合毕生常模、个体差异模式重参数计算得到特征，由于其计算过程存在高斯分布采样，因而每一个批次训练的潜变量都会发生变化。这样的扰动能够有效地提升预测模型的泛化能力。

预测结果显示，年龄预测误差的变异程度随着年龄增加呈现先降后升的趋势，即年轻人、老年人变化较大，中年人稳定，进而可以推测，大脑功能在毕生中的变化也存在变异性强-稳定-紊乱的变化趋势，这也可能是很多fMRI年龄工作划分年龄段的原因。

结果表明，所提出的常模图谱可以评估个人的认知能力，而预测方法在fMRI数据上能够降低预测年龄的误差，预测误差波动在毕生中的变化趋势符合毕生认知行为评分的变化趋势，这进一步解释了作者先前研究的毕生认知下降、补偿机制，将有助于揭示被试在整个生命周期的大脑神经发育的演化模式。并且该方法提供了参与最终预测任务的特征建模结果，为预测提供了明确的生理解释，为最终的临床应用提供了一定的参考，拥有其实际应用价值。

图1. 基于双范式fMRI的预测模型

太原理工大学相洁教授和电子科技大学董立副研究员为本文的通讯作者，温昕为本文的第一作者。此研究得到了国家自然科学基金和山西省科技厅的支持。

  • 转载、投稿请留言

  • | 关注科学通报 | 了解科学前沿