认知神经科学第一次文献阅读

马俊程 2021K8009929021

1 核心科学问题
我选择了“课题 2 个体化行为预测”中的 4.8《Shared and unique brain network features predict cognitive,
personality, and mental health scores in the ABCD study》进行文献阅读，将在下面阐述对这篇文章的理解。
脑网络组织的个体差异如何导致行为特异性是系统神经科学的一个基本问题，而童年是认知、人格和心理
健康方面神经快速发育和行为变化的时期，因此了解早期形成的脑-行为关系的性质具有特殊的重要性。
本文针对发育中的青少年，根据 Adolescent Brain Cognitive Development 数据，利用静息功能连接和任务
功能连接预测一系列认知、冲动相关的性格和心理健康的行为指标，还探索了结合静息 FC 和任务 FC 是否可
以改善行为预测，研究了行为领域内、行为领域之间以及脑状态之间存在共享和不同的预测网络特征。
从结果上来看，本文表明预测网络特征在认知表现、人格评分和心理健康评估领域之间是不同的，而每个
行为领域内的预测网络特征是相似的，预测网络特征和模型可以在同一行为领域内泛化到的其他行为指标，并
且不同大脑状态之间的预测网络特征是相似的。

2 面临的挑战与困境
(1) 不同脑状态（静息/任务）下功能连接的关系不确定。在过去的研究中，神经发育预测研究使用静息态功能
连接来预测认知表现和冲动评分等个体差异。最近的研究进一步表明，任务状态功能连接比静息 FC 能更
好地预测认知表现，并且通过结合任务 FC 和静息 FC 获得额外的改进，因此，一种假设为“在个体水平
预测认知的功能连接在静息状态和任务状态之间可能有所不同”。同时，其他一些研究表明，在静息和任
务期间，脑功能网络架构大致相似，个体内功能连接组的任务调节远小于个体之间的差异，从而产生另一
种假设，“预测网络特征在不同的脑状态下是相似的”。本文尝试研究这一对矛盾的假说。
(2) 专一行为特征研究的局限性，预测网络特征在不同行为指标中相似或不同的不确定性。之前基于连接组的
预测研究大多数都集中在特定的行为特征，但人脑已经进化到可以执行多种行为，只关注单一行为特征可
能只见树木不见森林。一种假设认为，不同的网络特征支持对不同认知特征的预测。同时，许多研究强调
跨特定脑网络的信息整合，另一种假设为，一组一般的预测网络特征可能可以解释认知方面的个体差异。

3 方案
3.1 数据
作者考虑了来自 ABCD 数据集的 11875 名儿童的数据，经过严格的预处理质量控制（QC）并仅考虑具有
完整静息态 fMRI、任务态 fMRI 和行为数据的参与者，实验的主要分析使用了筛选后的 1858 名无亲属关系儿
童的数据。
实验使用了结构性 T1 图像、静息态功能磁共振成像（resting fMRI）以及来自三个任务的任务相关功能磁
共振成像（task fMRI），三个任务分别为货币激励延迟 (MID)、N-back 和停止信号任务 (SST)，数据均进行
了预处理。并且，本文使用了包含 400 个皮质感兴趣区域 (ROI) 和 19 个皮质下 ROI 的全脑分区，对于每个参
与者和每个功能磁共振成像运行，功能连接（FC）被计算为每对 ROI 的平均时间序列之间的皮尔逊相关性，
FC 矩阵对每个状态的运行进行平均，为每个 fMRI 状态（休息、MID、N-back 和 SST）生成 419 × 419 FC
矩阵。
本文的行为数据包括三个行为领域，分别为 16 项认知、11 项心理健康和 9 项与冲动相关性格的指标。

3.2 预测
3.2.1 单 fMRI 状态预测
文中使用核岭回归（kernel ridge regression ）根据每个脑状态的 fMRI 数据进行预测.
首先，对于 22 个 ABCD 地点 (site)，为了降低不同地点的样本量差异，将地点组合在一起得到 10 个“site-
clusters”，每个集群至少包含 150 个人，并且同一地点内的参与者位于同一 site-cluster 中。
核岭回归是在内嵌的交叉验证过程中执行，研究人员使用了“leave-3-site-clusters-out”的交叉验证方法，
对每个行为度量进行了 120 次重复。每次交叉验证中，选择不同的 3 个 site clusters 作为测试集，剩下的 7
个 site clusters 用于估计核岭回归的参数。在模型选择阶段，正则化参数是在内嵌的交叉验证过程的“inner-
loop”中估计的。在模型评估阶段，训练好的核回归模型被应用于测试集中的所有未见过的参与者。

1
 预测性能通过计算预测值和实际值之间的相关性来衡量。在对行为度量的预测准确性（相关性）进行平均
时，相关性经过 Fisher-r-to-z 转换，然后在平均后转换回相关性值。研究人员还计算了决定系数（coefficient
of determination），得出了类似的结论

3.2.2 多 fMRI 状态预测

为了探索结合静息 FC 和任务 FC 是否会带来更好的预测准确性，作者利用来自四种脑状态（休息、MID、
SST 和 N-back）的 FC 矩阵，使用多核框架进行预测。与单核回归一样，多核回归假设具有相似 FC 的参与者
表现出相似的行为得分。

3.3 统计检验
作者对预测准确性进行了统计检验。为了测试模型是否达到了超过随机的准确性水平，研究人员进行了置
换检验（permutation tests）。他们在每个地点内对参与者之间的行为度量进行了随机排列，并重复了整个 leave-
3-site-clusters-out 的内嵌交叉验证过程。通过比较两个模型，置换检验无效，因此使用了修正的重采样 t 检验
（corrected resampled t-test）。为了纠正多重比较，研究人员使用了 FDR（False Discovery Rate）进行了校
正（q < 0.05）。

3.4 泛化性测试
研究人员测试了预测模型是否可以在行为指标之间泛化。对于 31 个显着预测的行为指标，他们对来自同一
行为域（或不同行为域）的所有其他行为测量的多核 FC 模型的预测进行了平均，将平均预测与实际行为值进
行比较，以计算交叉行为预测的准确性，根据该准确性来推断预测模型在行为指标之间的泛化性。
研究人员还测试了预测网络的顶级特征是否可以在行为指标之间泛化。对于 31 个显着预测的行为指标中，
他们对来自同一行为域（或不同行为域）和所有脑状态的所有其他行为测量的预测特征矩阵进行平均，然后选
择平均预测特征矩阵中绝对值最高的前 10% 的边缘。对于每个参与者，总 FC 值计算为选定边缘中的具有正预
测特征值的平均 FC 减去具有负预测特征值的平均 FC，用作参与者的预测，将预测与实际行为值进行比较，
以计算交叉行为预测性能，根据该表现推断预测特征在行为指标之间的泛化性。

3.5 模型解释
研究人员使用了 Haufe 等人（2014 年）的方法来解释预测性网络特征。对于每个脑状态（生成方法见第三
段）和每个行为指标，他们得到了一个 419×419 的预测性网络特征矩阵。在这个矩阵中，正值（或负值）的预
测性网络特征表示更高的功能连接与更大（或更小）的行为值相关联。
为了比较两个预测性网络特征矩阵之间的相似性，研究人员计算了预测网络特征在预测特征矩阵对之间表
现出一致方向性（正或负）的网络块的比例。
由于同一行为领域内的行为测量之间的预测特征矩阵比跨领域的行为指标更相似（见结果部分），研究人
员对每个脑状态、在同一行为领域内，通过多核 FC 回归成功预测的行为指标的预测特征矩阵进行平均，从而
为每个 fMRI 状态的每个行为域生成了 419 × 419 的预测特征矩阵。

3.6 多重比较校正
研究人员对所有不涉及预测特征矩阵的统计测试进行了 FDR 校正（q < 0.05），以确定哪些行为被显着预
测，从而在后续分析中使用。

3.7 控制分析
由于与单核模型相比，多核模型包含更多的输入数据，研究人员探讨了输入数据量对模型性能的潜在影响，
进行了单核岭回归分析，还执行了三项分析来调查结果对质量控制（QC）标准的稳健性。

4 主要结果
(1) 基于任务态 FC 的预测在认知方面优于静息态 FC，但在性格和心理健康方面没有明显区别。其中，SST 任
务的 FC 在认知预测上差于静息态 FC，但后者的 timepoint 比前者高 50%，作者认为这可以解释此特殊结
果。
(2) 结合任务态 FC 和静息态 FC 可以提升预测效果，尤其是认知方面。多核 FC 在不同行为指标的预测性能
并不相同，在认知和人格测量方面的表现优于 N-back FC（具有最佳预测表现的单核 FC），但在心理健康
测量方面并不优于 N-back FC。

2
(3) 预测性脑网络特征在行为领域内聚类、相似。对于所有脑状态的 31 种显着预测行为，文中进行了“假设驱
动”和“数据驱动”两种方法的分类和排序，前者按 ABCD 规定分类为认知、性格和心理健康并排序，后
者将预测特征矩阵进行层次化聚类从而对行为指标进行重新排序，这两种情况下预测特征矩阵在每个行为
领域内都高度相似，并且“数据驱动”通过层次化聚类得到的三个行为领域与“假设驱动”的三个行为领
域高度相似。
(4) 不同脑状态的预测性脑网络特征是相似的。对同一行为领域的行为指标的预测特征矩阵求均值，可以得到
每个脑状态、每个行为领域的预测特征矩阵（共 4 个脑状态 *3 个行为领域 =12 个），通过比较这些矩阵
之间的相似度，发现预测网络特征在行为领域内比跨行为领域更相似，并且不同脑状态的预测网络特征是
相似的。
(5) 预测模型和预测网络特征可以在同一行为领域内泛化到其他行为指标。对于 31 个显着预测行为，使用来自
同一行为领域的其他行为指标的预测模型可以得到有意义的预测，使用来自同一行为领域的其他行为指标
的主要特征也可以得到有意义的预测。
(6) 通过复杂的控制分析，验证了结果的稳健性。

5 讨论
5.1 批判性质疑
(1) 为了保证数据的质量，本文将 11875 名儿童的数据筛选到 1858 名，我认为这个样本量太小了。一方面，
较小的样本量在年龄、性别、种族构成和家庭收入等方面不太能代表整个青少年群体。另一方面，每个样
本的 fMRI 是 419*419 的 FC 矩阵，这种数据具有复杂的结构，站在人工智能专业的角度来看，1k 量级的
样本量较难让模型学到普适的通用特征。
(2) 文中使用的 ABCD 数据集本身有很强的偏见，即样本均为青少年，因此，本文得出的结论是否能推广到其
他年龄段的人，特别是临床诊断的群体尚未可知。并且，研究的横截面性质和参与者的有限年龄范围使研
究人员无法彻底检查随时间或年龄变化的神经发育变化，而功能网络在整个青春期变得更加分散，研究中
的预测网络特征如何受到发育过程的影响还有待进一步验证。

5.2 阐述与延伸
总的来说，在本篇文章中，研究人员提出了一种预测青少年认知、性格和心理健康分数的方法，并发现任
务 FC 相比静息 FC 可以改善对认知的预测，但没有显著提高（与冲动相关的）性格或心理健康；结合静息
FC 和任务 FC 可以进一步改善对认知和性格的预测，但不能改善对心理健康的预测；通过考虑认知、性格和
心理健康方面的大量指标，发现行为域之间的预测特征差别较大，这些行为领域是通过很大程度上不同的大脑
网络特征模式来预测的；但在行为领域（例如认知）中和不同大脑状态中，预测网络特征是相似的，这表明可
能存在共享神经机制来解释每个行为领域内的个体差异。
站在非生物专业的角度来看，本文得出的一些结论是符合直觉的，比如行为领域内和不同脑状态的预测性
脑网络特征是相似的，人脑作为超越目前所有 ai 的智能体，理应利用共享的结构处理具有共享特征的任务；又
比如结合静息 FC 和任务 FC 可以进一步改善对认知和性格的预测结合，不同大脑状态的数据可以求同存异，
更容易发现对于特定行为指标共同激活的部分。
相比于过去的工作，本文利用全脑连接组学方法来预测广泛的行为特征，而非集中在特定的大脑回路，将
人脑作为统一的整体考虑，为未来的研究提供了新的方向。我认为这是一篇有意义的工作，期待这篇工作的结
果被进一步扩展和验证，并在临床上对青少年认知发展做出有价值的指导。