功能磁共振成像數(shù)據(jù)的應(yīng)用概述

黃慶坤，朱亞飛

(1.大理護(hù)理職業(yè)學(xué)院，云南 大理；2.西南民族大學(xué)，四川 成都)

0 引言

隨著計(jì)算機(jī)技術(shù)的發(fā)展以及醫(yī)療硬件設(shè)備的提升，fMRI數(shù)據(jù)被廣泛應(yīng)用與腦科學(xué)、認(rèn)知科學(xué)、醫(yī)學(xué)、人工智能等交叉學(xué)科的研究。fMRI技術(shù)基于血氧水平依賴(blood oxygen level dependent，BOLD)，當(dāng)大腦在進(jìn)行認(rèn)知活動(dòng)時(shí)(外界刺激或自發(fā)的神經(jīng)活動(dòng)均會(huì)觸發(fā)大腦的認(rèn)知活動(dòng))相關(guān)的神經(jīng)元被激活，腦血流量(CBF)也顯著增加，導(dǎo)致局部血液中含氧血紅蛋白含量增加，去氧血紅蛋白含量降低，將產(chǎn)生腦磁場梯度差異，引起局部BOLD信號(hào)增強(qiáng)，通過這種變化會(huì)使得磁共振信號(hào)加強(qiáng)對(duì)腦活動(dòng)進(jìn)行成像分析。值得注意的是，BOLD信號(hào)沒有直接反應(yīng)大腦相關(guān)區(qū)域活動(dòng)的強(qiáng)弱，而是反映了由于神經(jīng)活動(dòng)所帶來的周圍區(qū)域血液代謝水平的變化。fMRI技術(shù)不需要額外的放射性核素示蹤劑，就能有效的反映腦組織(體素(voxel)單位1mm×1mm×1mm)的代謝過程并且組織結(jié)構(gòu)清晰，具有較高的空間分辨率、可同時(shí)觀察多個(gè)腦區(qū)的活動(dòng)響應(yīng)、對(duì)人體無損傷以及無副作用等優(yōu)點(diǎn)。(數(shù)據(jù)處理)本文主要通過統(tǒng)計(jì)學(xué)原理與人工智能技術(shù)概述了fMRI數(shù)據(jù)在認(rèn)知科學(xué)與相關(guān)腦疾病診斷中的應(yīng)用，對(duì)未來fMRI數(shù)據(jù)的應(yīng)用進(jìn)行展望。

1 fMRI在認(rèn)知科學(xué)中的應(yīng)用

認(rèn)知科學(xué)，就是關(guān)于心智研究的理論和學(xué)說，是以認(rèn)知過程及其規(guī)律為研究對(duì)象的科學(xué)，認(rèn)知涉及學(xué)習(xí)、記憶、思維、理解以及在認(rèn)知過程中發(fā)生的其他行為。認(rèn)知科學(xué)的重要進(jìn)展，得益于腦科學(xué)的發(fā)展，結(jié)合fMRI技術(shù)、計(jì)算機(jī)及其科學(xué)理論為其提供了新的研究思路。Richardson等人[1]通過以122名兒童(3-12歲)與33名成年人作為被試，來研究兒童和成人是否具有相同的腦網(wǎng)絡(luò)機(jī)制來處理外界信息，以達(dá)到認(rèn)知學(xué)習(xí)的目的。在其實(shí)驗(yàn)中采用任務(wù)態(tài)fMRI(同時(shí)觀看一部簡短的動(dòng)畫電影)，以獲取引起人物的心理狀態(tài)和生理感覺的事件的fMRI數(shù)據(jù)，在大腦感興趣區(qū)域(ROI)的選擇中研究“心智理論”(ToM)網(wǎng)絡(luò)和“疼痛網(wǎng)絡(luò)”，通過實(shí)驗(yàn)證實(shí)兒童和成人的ToM網(wǎng)絡(luò)和疼痛網(wǎng)絡(luò)在發(fā)育上是分離的，基于差異性腦網(wǎng)絡(luò)的角度觀察發(fā)現(xiàn)ROI相關(guān)性隨著年齡的增長而顯著增加(圖1)。此外，Kamalaker等人[2]以大尺度網(wǎng)絡(luò)分析法對(duì)智商(IQ)進(jìn)行預(yù)測，在ROI的選取中分別對(duì)比了獨(dú)立成分分析(ICA)、字典學(xué)習(xí)、K-means聚類、AAL標(biāo)準(zhǔn)腦分區(qū)等多種腦區(qū)選擇方法，將fMRI數(shù)據(jù)與人工智能相結(jié)合，著重介紹了不同算法對(duì)ROI的選擇以及對(duì)預(yù)測模型的影響。

2 fMRI在精神分裂癥研究中的應(yīng)用

圖1 ToM網(wǎng)絡(luò)和疼痛網(wǎng)絡(luò)對(duì)平均年齡組的相關(guān)矩陣。每個(gè)年齡段（3歲:n=17；4歲:n=14；5歲:n=34；7歲:n=23；8-12歲:n=34；成人:n=33）ToM（紅色），Pain（綠色）和跨網(wǎng)絡(luò)（藍(lán)色）相關(guān)評(píng)分值。

精神分裂癥(Schizophrenia)是一種高致殘性的精神疾病，多起病于青壯年，常緩慢起病，以思維、情感、行為等方面障礙及精神活動(dòng)不協(xié)調(diào)為主要特點(diǎn)[3]。Hu等人[4]通過t樣本檢驗(yàn)，發(fā)現(xiàn)精神分裂患者在后扣帶回(PCC)、聽覺皮層和感覺皮層區(qū)域(包括雙側(cè)顳回和運(yùn)動(dòng)區(qū))之間的功能連接成正相關(guān)，而正常被試在PCC、顳上回(STG)，前扣帶回(ACC)、運(yùn)動(dòng)區(qū)以及背外側(cè)額上回(SFGdor)的功能連接呈負(fù)相關(guān)。陳曦[5]基于fMRI研究發(fā)現(xiàn)精神分裂癥患者在雙側(cè)小腦下葉(Cere)、顳下回(ITG)、殼核(PUT)、尾狀核(CAU)和海馬(HIP)表現(xiàn)出更高的FOCA值，這意味著病人在這些腦區(qū)有相對(duì)更高的局部自發(fā)活動(dòng)一致性。此外在對(duì)正常被試和精神分裂癥患者分類實(shí)驗(yàn)中，作者[6]通過神經(jīng)網(wǎng)絡(luò)分類模型發(fā)現(xiàn)大腦左半球的額葉、顳葉、和頂葉存在差異性連接，并且海馬與枕葉的有向連接相比正常人的連接更強(qiáng)，這些連接強(qiáng)度改變可能與精神分裂癥中的運(yùn)動(dòng)失調(diào)相關(guān)。結(jié)合大尺度網(wǎng)絡(luò)分析[7]精神分裂患者具有較低的聚類系數(shù)和全局效率，但是精神分裂患者相對(duì)于正常被試特征路徑長度更長，因此精神分裂患者腦網(wǎng)絡(luò)節(jié)點(diǎn)的集團(tuán)化程度較低，腦區(qū)之間的信息傳輸速率要低于正常被試者。

3 fMRI在注意缺陷多動(dòng)癥研究中的應(yīng)用

注意缺陷多動(dòng)癥(ADHD)是一種神經(jīng)發(fā)育型精神障礙性疾病，其特點(diǎn)是注意力不足，過度活動(dòng)或難以控制的行為。在ADHD的fMRI研究中，Racine等人[8]發(fā)現(xiàn)ADHD患者在腹內(nèi)側(cè)前額葉(vmMPFC)、額頂網(wǎng)絡(luò)中顯示出一致減少的激活。Steven等人[9]研究表明 ADHD 患者還有研究表明，ADHD 患者的背側(cè)前扣帶回皮(ACG)、丘腦(THA)和頂葉皮層的大腦活動(dòng)也存在異常。Hofvander等人[10]發(fā)現(xiàn)相對(duì)于正常被試，ADHD患者出現(xiàn)了前扣帶回(ACC)、THA、前額葉(PFC)和額葉等區(qū)域功能激活異常降低的現(xiàn)象，而在頂葉區(qū)域則出現(xiàn)了功能激活異常升高的現(xiàn)象。Rubia等人[11]提出，ADHD患者在執(zhí)行相關(guān)的任務(wù)時(shí)默認(rèn)模式網(wǎng)絡(luò)相關(guān)的腦區(qū)的活躍狀態(tài)從靜息態(tài)狀態(tài)持續(xù)至了任務(wù)狀態(tài)，這樣與任務(wù)執(zhí)行相關(guān)的腦區(qū)的活動(dòng)產(chǎn)生了競爭的關(guān)系，從而導(dǎo)致相關(guān)的異常行為，如注意力不集中，記憶力降低等。此外結(jié)合人工智能技術(shù)，在ADHD-200數(shù)據(jù)分類競賽中，譚穎等人[12]通過小波尺度分解，將不同尺度上的信號(hào)能量值作為特征向量，并通過支持向量機(jī)(SVM)分類模型來對(duì)ADHD患者進(jìn)行分類，最終得到62.7%的分類結(jié)果；Dey等人[13]基于差異性腦網(wǎng)絡(luò)來對(duì)ADHD患者進(jìn)行分類，將高活躍度體素選做網(wǎng)絡(luò)節(jié)點(diǎn)來構(gòu)建大腦網(wǎng)絡(luò)，最終得到73.55%分類結(jié)果，將人工智能技術(shù)與腦科學(xué)相結(jié)合來探索ADHD相關(guān)患病機(jī)制。

4 fMRI在輕度遺忘性認(rèn)知障礙研究中的應(yīng)用

輕度遺忘性認(rèn)知障礙(aMCI)是正常認(rèn)知老化與阿爾茨海默氏病(AD)之間的過渡階段。通過fMRI研究發(fā)現(xiàn)aMCI是腦網(wǎng)絡(luò)功能失調(diào)所致[14]，主要與默認(rèn)網(wǎng)絡(luò)(default mode network)和認(rèn)知控制網(wǎng)絡(luò)(Cognitive controlnetwork)的固有連接模式異常有重要關(guān)系。袁等人[15]通過ReHo分析法，發(fā)現(xiàn)aMCI患者右側(cè)壓后皮層(RSC)和右側(cè)背外側(cè)前額葉(LDPFC)局部一致性降低，其中RSC是連接顳葉內(nèi)側(cè)和前額葉重要節(jié)點(diǎn)，在思想記憶的編碼、存儲(chǔ)和提取中發(fā)揮重要作用。Yang等人[16]通過因果關(guān)系分析(GCA)發(fā)現(xiàn)患者右側(cè)腦島(insula.R)、RPUT和dACC的因果效應(yīng)增加，PCF和左眶額葉皮層(OFC)對(duì)dACC的因果效應(yīng)減少(圖2)，分別討論認(rèn)知控制網(wǎng)絡(luò)和默認(rèn)網(wǎng)絡(luò)連接出差異性連接。Bai等人[14]研究發(fā)現(xiàn)后扣帶皮層(PCC)、海馬旁回(PHG)、HIP等部位腦網(wǎng)絡(luò)局部效率減低、PFC部分區(qū)域局部效率增高，提出全腦功能連接模式變化可能是aMCI患者轉(zhuǎn)化為AD的生物性標(biāo)志之一。此外在aMCI fMRI數(shù)據(jù)分類中，張忠敏[17]通過SVM對(duì)aMCI患者和無記憶障礙及其他相關(guān)疾病者進(jìn)行MVPA研究，得到83.19%的分類結(jié)果；員銳娟[18]采用圖論分析法提取結(jié)構(gòu)網(wǎng)絡(luò)的特征，選取與認(rèn)知表現(xiàn)分?jǐn)?shù)高度相關(guān)的特征，通過SVM序列最小優(yōu)化算法模型得到85.71%的最佳分類效果。

圖2 輕度認(rèn)知障礙與對(duì)照組大腦區(qū)域表現(xiàn)出明顯的因果關(guān)系(P＜0.05)

5 總結(jié)與展望

現(xiàn)今fMRI技術(shù)被運(yùn)用于科研與醫(yī)療領(lǐng)域中，由于神經(jīng)活動(dòng)本身的復(fù)雜多變性，使得fMRI數(shù)據(jù)存在著噪聲大的特點(diǎn)，導(dǎo)致了fMRI數(shù)據(jù)存在著有效信息提取困難以及信息冗余等問題。在此背景下，fMRI數(shù)據(jù)分析通過使用統(tǒng)計(jì)學(xué)原理或人工智能技術(shù)，結(jié)合計(jì)算機(jī)、醫(yī)療影像學(xué)等學(xué)科來獲取大腦的真實(shí)特征，能夠在復(fù)雜信號(hào)的干擾下，從理論層面深度研究大腦的活動(dòng)運(yùn)行機(jī)制。

采用統(tǒng)計(jì)學(xué)原理大多對(duì)組內(nèi)水平fMRI數(shù)據(jù)來進(jìn)行研究，例如在被試組內(nèi)進(jìn)行腦疾病診斷、研究某種刺激任務(wù)下，大腦腦區(qū)之間的激活狀態(tài)(一般線性模型分析法、t樣本檢驗(yàn)、方差分析等)或者觀察靜息態(tài)(任務(wù)態(tài))fMRI被試腦網(wǎng)絡(luò)的功能性連接等，針對(duì)被試組內(nèi)水平，缺乏組間比較與數(shù)據(jù)泛化能力；采用人工智能技術(shù)大多對(duì)組間水平fMRI數(shù)據(jù)進(jìn)行研究，例如在被試組間進(jìn)行相關(guān)腦疾病預(yù)測分類、采用深度學(xué)習(xí)算法對(duì)任務(wù)態(tài)fMRI進(jìn)行行為預(yù)測(預(yù)測當(dāng)前所接受的刺激任務(wù)類型，或者重現(xiàn)刺激任務(wù))等，針對(duì)被試組間水平，大腦ROI的選擇多依賴于先驗(yàn)知識(shí)，并且分類預(yù)測效果取決于算法的擬合度(不同數(shù)據(jù)相同模型結(jié)果不同)。fMRI技術(shù)在未來的發(fā)展中：(1)更充分地挖掘大腦隱藏體素。在體素水平更加深入對(duì)大腦區(qū)域進(jìn)行更精準(zhǔn)定位，對(duì)現(xiàn)有fMRI數(shù)據(jù)中非ROI中體素運(yùn)用實(shí)驗(yàn)研究中，更深層次挖掘大腦信息；(2)更加深入算法研究。在特征選擇中，將嘗試更多不同特征選擇算法，例如基于差異腦區(qū)或腦網(wǎng)絡(luò)，可以嘗試集成學(xué)習(xí)、遷移學(xué)習(xí)等算法等，通過實(shí)驗(yàn)數(shù)據(jù)更加優(yōu)化特征選擇算法；在分類算法中使用3D卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)等深度學(xué)習(xí)算法，有效地處理fMRI時(shí)間序列，由組內(nèi)水平泛化到組間水平，更好的解決小樣本高維度學(xué)習(xí)帶來的問題。