新的深度学习方法可能有助于预测大脑认知功能

人类大脑结构与认知功能的关系很复杂，而这种关系在儿童期和成年期之间有何不同却知之甚少。一个强有力的假设表明，流体智能（Gf）的认知功能依赖于前额叶皮层和顶叶皮层。

在这项工作中，西北大学（Northwestern University）的研究人员开发了一种新颖的图卷积神经网络（gCNN），用于分析局部解剖形状和预测 Gf。

皮质带和皮质下结构的形态学信息是从两个独立队列中的 T1 加权 MRI 中提取的，即儿童青少年大脑认知发展研究（ABCD；年龄：9.93 ± 0.62 岁）和人类连接组计划（HCP；年龄：28.81 ± 3.70 岁）。将皮质和皮质下表面结合在一起的预测为 ABCD（R = 0.314）和 HCP 数据集（R = 0.454）产生了最高精度的 Gf，优于历史文献中任何其他大脑测量对 Gf 的最新预测。

在这两个数据集中，杏仁核、海马体和伏隔核的形态以及颞叶、顶叶和扣带皮质的形态一致地推动了对 Gf 的预测，这表明大脑形态和 Gf 之间的关系发生了重大的重构，包括与奖赏/厌恶处理、判断和决策、动机和情绪有关的系统。

该研究以「A multicohort geometric deep learning study of age dependent cortical and subcortical morphologic interactions for fluid intelligence prediction」为题，于 2022 年 10 月 22 日发布在《Scientific Reports》。

论文链接：https://www.nature.com/articles/s41598-022-22313-x

了解智力的神经基础是一个长期的研究领域，历史上旨在识别涉及各种人类行为的大脑区域，特别是认知任务。Pioneering 和 Binet 的开创性工作发现，从命名对象到定义单词、绘图和解决类比，人类在各种任务中的行为总是不同的。

Spearman 将这些观察结果综合到广义智力因素 g 的假设中，从而将人类行为与大脑功能联系起来，这反映了抽象思维，包括获取知识、适应新事物、开发抽象模型以及从学校教育和学习经验中受益的能力。Cattell 的进一步工作将 g 分为流体智能（Gf），即解决新问题和抽象推理的能力，以及与积累知识有关的结晶智能（Gc）。尽管 Gc 和 Gf 相关并在儿童期直至青春期迅速发展，但 Gf 在延迟下降之前的第三个十年达到稳定状态，而 Gc 在整个生命周期中继续发展。

其中，Gf 已被证明与大量认知活动呈正相关，并且是教育和职业成功的重要预测指标。Gf 的这些高风险效应需要更好地了解其神经基质，首先要了解其神经解剖学基础。然而，如何找到大脑形态与 Gf 之间的关系仍不清楚。

以前试图了解 Gf 的神经基质的工作集中在广泛的神经成像模式和病变模型上，每一种都有其局限性。例如，认知任务的功能成像研究，或血氧水平依赖（BOLO）信号的静息状态振荡之间的同步研究，集中在额顶叶网络，负责以顶叶整合理论的形式整合感觉和执行功能（P-FIT）。或者，结合脑损伤和成像分析的工作探索了多需求（MD）系统如何有助于 Gf。此外，独立于脑损伤的结构成像（即形态测量）也评估了大脑大小与 Gf 之间的相关性，或评估了特定皮质区域和白质纤维束对 Gf 的影响，但没有理论框架。

使用这些成像方法，以前的研究已经确定了 Gf 和皮质形态之间的关联，例如皮质厚度、皮质面积、皮质体积、脑回和灰质密度。然而，没有研究皮层下结构的相对影响，也没有研究皮层下和额顶叶网络之外的大脑皮层区域之间的关系，例如颞叶皮层，这与一些基于洞察力的问题解决的适应性过程有关。

在整个生命早期，神经变化如何与 Gf 相关非常重要，因为它提供了有关大脑成熟和衰老过程的有价值信息，并提供了对认知障碍的生理原因的洞察。研究人员发现 Gf 与年龄相关的强烈下降最近被归因于额叶皮层的白质差异。此外，Kievit 团队认为这些与年龄相关的变化是由灰质体积和前钳介导的。然而，由于神经系统的个体差异和复杂的与年龄相关的大脑变化，在这个问题上还没有达成共识。

最近，形状分析已显示出通过分析表面几何特性来检测跨年龄和行为特征组的结构差异的前景。至关重要的是，这些差异通常无法通过体积变化或灰质变化来检测。因此，基于表面的方法可能对与人类行为和认知功能相关的细微大脑变化更敏感。

此外，新皮质扩大主要取决于表面积的增长，这使得在考虑具有显著年龄差异的群组之间的相似性时，皮质和皮质下表面的测量很重要。因此，本研究将开发一种基于表面的方法来识别不同年龄组与 Gf 相关的大脑形态测量的一致和独特特征。

鉴于这些考虑，以及缺乏对皮层下和皮层对 Gf 的影响以及不同年龄组的共同点的研究，这里西北大学研究人员的工作重点是三方面的。

首先，旨在确定哪些大脑区域及其形态测量最能预测 Gf。由于对所有相关的皮层形态学特征进行建模所固有的挑战以及这些特征的预测能力有限，他们使用了一种数据驱动的方法，能够识别复杂的非线性关系，可能跨越遥远的大脑区域，并隐含地包含多种形态特征，如皮质厚度、皮质面积和旋转，以及皮质下结构的形状。第二个目的是单独或结合皮质形态评估皮质下结构对 Gf 的影响。第三个目标特别侧重于研究年龄作为发育阶段的替代指标如何参与 Gf 的预测。

为此，研究人员开发了一种新颖的几何深度学习方法，能够提取相关的皮层和皮层下形态特征。该方法是数据驱动的，并依赖于从自动 MRI 到网格预处理管道中提取的皮质和皮质下表面网格模型，作为图卷积神经网络 (gCNN) 的输入以推断 Gf。在不同年龄组的两个大型独立数据集上使用六折交叉验证方案，评估了该方法的稳健性以及两个具有不同年龄范围的队列的预测的可重复性。最后，基于梯度的反向传播方法使研究人员能够绘制出参与 Gf 预测的最具预测性的皮层和皮层下区域。

图示：Grad-CAM 可视化用于在 HCP 数据集上映射参与流体智能预测的大脑区域。（来源：论文）

「当我们将 CNN 的丰富功能应用于大脑的图形表示时，我们可以用从前未探索过的方式将大脑作为图像进行探索。」神经外科助理教授、该研究的合著者、医学博士 S. Kathleen Bandt 说，「我们只将大脑缩小到表面，这意味着我们不仅能够捕捉关于折叠模式的信息，还能够捕捉关于数以万计节点表面之间的曲率和关系的信息，这些节点包括皮层外表面、皮层内表面和七个皮层下大脑结构的表面。」

「之前研究流体智力的神经解剖学基础的工作已经确定了广泛的皮层区域之间的关联，但与皮层下结构的关系相对较少。我们的研究通过确定双侧 NAc、海马体参与流体智力预测来补充这些研究，这与认知科学的各个方面有关，例如判断和决策中的奖励处理以及情绪调节。」该研究的主要作者 Yunan Wu 博士说。

研究人员表示，他们基于表面的 gCNN 为无数研究目的提供了绘制神经认知和大脑解剖学之间确定关系的机会。该方法还需要更少的训练时间和计算量，使其更有效地应用于其他综合数据集。

例如，最近由 Bandt 领导的另一项研究使用 gCNN 分析衰老和痴呆症，发现大脑衰老的速度在健康人和痴呆症患者之间存在差异。

论文链接：https://www.frontiersin.org/articles/10.3389/fnagi.2022.895535/full?&utm_source=Email_to_authors_&utm_medium=Email&utm_content=T1_11.5e1_author&utm_campaign=Email_publication&field=&journalName=Frontiers_in_Aging_Neuroscience&id=895535

「我们现在正在研究是否可以使用这种方法预测类似的认知测量，就像我们在流体智力的工作中所做的那样，但我们也可以预测痴呆症的发作，并可能在它开始之前预防或延迟它。」 Bandt 说。

相关报道：https://medicalxpress.com/news/2022-11-deep-method-cognitive-function.html