新的深度学习方法可能有助于预测认知功能

西北大学的研究人员开发了一种基于深度学习的方法，可以根据大脑形状和结构预测认知功能能力，详细内容发表在《科学》杂志上的一项研究中科学报告．

该方法使用了图形卷积神经网络(gCNNs)，也可能揭示了对之间关系的新见解大脑形态和不同的认知功能以及脑功能的衰退。

神经外科助理教授、该研究的合著者S. Kathleen Bandt医学博士说:“当我们将cnn的丰富功能应用于大脑的图形表示时，我们可以以一种以前从未探索过的方式探索大脑图像。”

理解大脑结构和认知功能之间的关系在整个生命过程中是如何变化的仍然是难以捉摸的。然而，先前的研究表明，液态智力——解决问题、抽象思考和推理的能力——在很大程度上依赖于大脑的两个区域:左脑和右脑前额叶皮层而且顶叶皮层这两个神经元都参与决策和感觉知觉等功能。

进一步，研究了两者之间的关系大脑结构认知功能可以提供更多关于大脑成熟和衰老的信息，以及认知障碍的生理原因。

在目前的研究中，研究人员开发了新的gcnn，这是一种专门的深度学习模型，可以提取不同的形态特征，如皮质厚度和大脑皮层下结构转换MRI扫描来预测流体智力。

Bandt说:“我们将大脑缩小到它的表面，这意味着我们不仅能够捕捉到关于折叠模式的信息，还能捕捉到成千上万个节点之间的曲率和关系，包括外层皮层表面、内部皮层表面和七个皮层下大脑结构的表面。”

利用他们的新型gcnn，科学家们从两个涉及不同年龄组患者的大型MRI数据集中提取了皮层带和皮层下结构的形态学信息。

使用这种方法，研究人员能够证明他们的模型明显优于其他类似的最先进的方法，并且使用皮质和皮质下结构的组合提供了最准确的预测。

此外，在这两个数据集中，他们发现杏仁核、海马体和大脑的结构特征伏隔核(NAc)与颞叶、顶叶和扣带皮层一起驱动流体智力预测。

“先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联系，但与皮层下结构之间的关系相对较少。我们的研究通过确定双侧NAc、海马体在流体智力预测中的参与来补充这些研究，这些研究与认知科学的方面有关，如判断和决策中的奖励处理以及情绪调节，”麦考米克工程学院电气与计算机工程系的研究生、该研究的主要作者吴宇南博士说。

根据作者的说法，他们基于表面的gcnn为无数的研究目的提供了映射神经认知和大脑解剖之间已识别的关系的机会。该方法还需要较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,最近的另一项研究Bandt领导的团队使用gCNN分析衰老和痴呆症，发现健康个体和痴呆症患者大脑衰老的速度不同。

Bandt说:“我们现在正在寻找是否可以使用这种方法来预测类似的认知测量，就像我们在液体智力方面所做的工作一样，而且我们还可以预测痴呆症的发作，并有可能在它开始之前预防或延迟它。”