引用本文

冀俊忠, 邹爱笑, 刘金铎. 基于功能磁共振成像的人脑效应连接网络识别方法综述. 自动化学报, 2021, 47(2): 278−296 doi: 10.16383/j.aas.c190491

Ji Jun-Zhong, Zou Ai-Xiao, Liu Jin-Duo. An overview of identification methods on human brain effective connectivity networks based on functional magnetic resonance imaging. Acta Automatica Sinica, 2021, 47(2): 278−296 doi: 10.16383/j.aas.c190491

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c190491

关键词

人脑连接组学，功能磁共振成像，脑效应连接网络识别，分类体系，挑战与展望

摘要

人脑效应连接网络刻画了脑区间神经活动的因果效应. 对不同人群的脑效应连接网络进行研究不仅能为神经精神疾病病理机制的理解提供新视角, 而且能为疾病的早期诊断和治疗评价提供新的脑网络影像学标记, 具有十分重要的理论意义和应用价值. 利用计算方法从功能磁共振成像(Functional magnetic resonance imaging, fMRI)数据中识别脑效应连接网络是目前人脑连接组学中一项重要的研究课题. 本文首先概括了从fMRI数据中进行脑效应连接网络识别的主要流程, 说明了其中的主要步骤和方法; 然后, 给出了一种脑效应连接网络识别方法的分类体系, 并对其中一些代表性的识别算法进行了阐述; 最后, 通过对该领域挑战性问题的分析, 预测了脑效应连接网络识别未来的研究方向, 以期对相关研究提供一定的参考.

文章导读

伴随美国、欧盟、日本等国近年来人脑计划的发布和启动, 脑科学的研究得到了越来越多的重视, 许多国家已经将脑科学的研究上升至国家战略的高度. 为理解大脑认知的运行机制以及洞悉脑疾病的发病机理,人脑的研究也必须从各个脑区及其相互作用构成的脑网络来分析和把握大脑的整体性[1], 因此人脑连接组成为继人类基因组、蛋白质组后生命科学乃至自然科学领域中的一项前沿课题. 目前已有的研究发现许多神经精神疾病与脑结构和脑功能网络的异常拓扑变化有关, 所以人脑连接组研究不仅能为神经精神疾病病理机制的理解提供新视角, 而且能为疾病的早期诊断和治疗评价提供新的脑网络影像学标记[2].

脑功能网络主要包括功能连接网络和效应连接网络. 脑功能连接网络是一种由节点和无向边构成的图模型, 其中节点表示脑区, 无向边表示空间上相互分离的脑区之间神经活动的统计依赖关系[3]. 虽然功能连接网络描述了脑区间的统计相关性, 但它无法揭示脑区间神经活动的因果效应. 事实上, 识别脑区间的因果效应为理解人脑的神经活动机制提供了更加丰富的信息[3-4], 并且在一些脑疾病的诊断和预测上依据脑区间的因果效应比统计相关性获得了更好的效果[5-6].

脑效应连接网络是一种由节点和有向边构成的图模型, 其中节点代表脑区, 有向边刻画了一个脑区施加于另一个脑区神经活动的因果效应[7], 而与边相关的连接参数则表示边的连接强度[8-9]. 由于脑效应连接网络的识别是评价正常脑功能和多种脑疾病 (如阿尔兹海默病 (Alzheimer＇ s disease, AD)、帕金森病 (Parkinson＇ s disease, PD)、精神分裂症(Schizophrenia)、抑郁症 (Depression)和自闭症谱系障碍 (Autism spectrum disorder, ASD) 等)相关损伤的有效手段, 故成为人脑连接组研究中的一项极为关键的科学问题. 目前, 利用计算方法从人脑功能磁共振成像 (Functional magnetic resonance imaging, fMRI) 数据中进行脑效应连接网络的识别已成为该项研究中的前沿热点. 这是因为如果能够通过对fMRI数据的学习准确地获得脑效应连接网络, 将对于理解脑疾病的发病机理, 进行脑疾病的早期诊断以及病理的研究具有重要的意义[2, 10-11]. 具体来说, 对脑区间因果效应连接的准确识别, 有益于了解大脑的工作机制, 加深对人脑功能复杂性的理解[10]; 而生命科学的研究表明人脑效应连接的变化通常先于人体异常行为症状的显现, 所以通过脑效应连接模式异常的发现可为一些脑疾病的早期诊断提供新线索[11]. 由于脑效应连接网络识别和应用的研究具有重要的理论意义和应用价值, 所以该研究课题吸引了来自生物、医学、心理、认知和计算机科学等众多领域研究者的广泛兴趣, 掀起了一股跨学科的研究热潮. 近年来, 新的识别方法层出不穷, 新的应用不断被拓展. Science[12-16], Nature[1, 17], Proceedings of the National Academy of Sciences of the United States of America (PNAS)[18-21], Brain[22-23], IEEE Transactions on Pattern Analysis and Machine Intelligence[24-26] 等不同领域的权威国际杂志以及数据挖掘领域权威国际会议ACM SIGKDD[27] 多次报道这方面的研究工作, 极大地推动了脑认知和脑科学的快速发展.

在以上研究背景下, 本文对基于功能磁共振成像的脑效应连接网络识别方法的研究现状进行了综述, 并结合该领域目前所面临的挑战性问题, 对未来可能的前沿方向进行了展望. 论文试图为脑效应连接网络的识别勾画出一个较为全面和清晰的概貌, 以期对该领域的相关研究提供有益的参考.

图1 人脑效应连接网络识别的流程

图2 人脑效应连接网络识别方法的分类体系

图3 神经生理学响应信号映射为BOLD响应信号的过程

脑效应连接网络是人脑连接组研究中的一项重要的研究课题, 识别脑效应连接网络已成为评价脑功能及其与神经退化疾病相关损伤的一种有效手段. 本文首先系统地阐述了脑效应连接网络的识别过程, 然后全面地分析和总结了脑效应连接网络的识别方法, 最后深入地剖析了脑效应连接网络识别的挑战性问题, 并对该领域未来的研究方向做了展望. 总之, 脑效应连接网络识别方法的创新与进步具有十分重要的理论意义和应用前景, 一方面将推动脑认知和临床脑疾病诊断的发展; 另一方面将为脑科学与人工智能的协同发展带来光明前景.

作者简介

冀俊忠

北京工业大学教授. 2004年获得北京工业大学计算机应用技术专业博士学位, 2005年和2010 年分别在挪威科技大学、纽约州立大学布法罗分校做访问学者. 主要研究方向为机器学习, 计算智能, 生物信息学和脑科学. 本文通信作者. E-mail: jjz01@bjut.edu.cn

邹爱笑

北京工业大学信息学部博士研究生. 2017年获得北方工业大学工学硕士学位. 主要研究方向为机器学习, 计算智能和脑科学. E-mail: zouaixiao@emails.bjut.edu.cn

刘金铎

北京工业大学信息学部博士研究生. 2013年获得北京工业大学计算机应用技术专业学士学位. 2018年和2019年分别在纽约州立大学布法罗分校、弗吉尼亚大学做访问学者. 主要研究方向为数据挖掘, 生物信息学和脑科学. E-mail: liujinduo@emails.bjut.edu.cn