機器學習驗證全新腦圖譜，腦科學及AI超凡一步

通過使用更精確的劃分方法，研究人員證實了此前已經確定的 83 個腦區，還發現了 97 個全新的腦區。

【編者按】本文由新智元編譯，來源：Nature、《衛報》等，譯者：聞菲、張冬君

近日Nature刊文，華盛頓大學研究人員結合多種成像技術，利用機器學習系統，繪制了全新的人腦圖譜。通過使用更精確的劃分方法，研究人員證實了此前已經確定的 83 個腦區，還發現了 97 個全新的腦區。學界權威評論稱，這是朝向理解人腦組織和功能結構的“超凡一步”，有望成為今后描述人腦的基礎。更重要的是，該項目使人工智能上升到一個新的階段：利用腦圖譜，在智能系統設計方面，可以明確腦功能基本單元的劃分及其連接模式，從多尺度揭示腦信息處理機制，為新型智能信息處理系統的設計提供啟示。

7月21日，Nature 刊文，華盛頓大學圣路易斯分校的研究人員 Matthew Glasser、David Van Essen 等人，用 MRI 掃描了 210 位健康成年人的腦后，使用得到的多種圖像數據，結合機器學習系統，制作了精確的人腦圖譜。

作者將他們的神經解剖學圖譜稱為 “Human Connectome Project Multi-Modal Parcellation version 1.0（HCP-MMP1.0）”。

HCP-MMP1.0：華盛頓大學圣路易斯分校的研究人員結合三種不同的成像技術以及機器學習系統，繪制了全新的腦圖譜，包括左右半腦皮層各 180 個不同腦區。左邊兩列是三維構圖，右邊一列是二維構圖。其中，紅色表示與聽覺有關的腦區，綠色表示感知及運動腦區，藍色表示視覺相關腦區（黑色和白色詳見下文）。來源：balsa.wustl.edu/WN56

HCP-MMP1.0 將左右半腦各分為 180 個具體的腦皮層區，其中有多達 97 個區域是首次被發現。不僅如此，作者還使用機器學習技術，在另外 210 名參與者中驗證圖譜的正確性。作者在論文“A multi-modal parcellation of human cerebral cortex”中稱，雖然存在個體差異，但他們的方法能準確識別出新參與者腦中的這些區域。

這 210 位健康成年人都是“人類連接組計劃”（Human Connectome Project）的參與者。人類連接組計劃由 NIH 主持，于 2013 年全面展開，美國政府在這個項目上投入超過 4000 萬美元。該計劃旨在了解人腦功能基礎，共享有關人腦結構和功能連接的神經通路數據映射圖。

加州大學舊金山分校的神經科學家 Duan Xu 以評論者的身份，在接受 MIT Technology Review 的采訪時表示，很高興看到人類連接組計劃得出如此高精的成果。

中科院首個活體全腦連接圖譜

此前，學界最常用的腦圖譜是100多年前，德國神經科學家布羅德曼（Brodmann）在單個人的尸體組織標本上，利用細胞構筑繪制的“布羅德曼圖譜”。目前，雖然有實驗室利用超薄切片技術、染色技術及顯微觀察技術，準備基于腦標本的超薄切片構建細胞構筑概率腦圖譜，但仍然不能針對特定個體進行腦區劃分，從而導致許多功能復雜腦區的功能亞區邊界劃分不明。

腦區的功能亞區邊界劃分不明一直以來都是腦科學研究領域的一大問題。

就在本月月初，中科院自動化所腦網絡組研究中心發布了全新的人類腦圖譜。中科院自動化所腦網絡組研究中心的蔣田仔團隊，聯合國內外其他團隊經過 6 年努力，制作出包括 246 個精細腦區亞區的腦圖譜，比傳統布羅德曼圖譜精細 4~5 倍，有客觀精準的邊界定位，也是世界上首次從宏觀尺度上建立的活體全腦連接圖譜。

自動化所腦網絡組研究中心的研究人員利用腦結構和功能連接信息的新思路，繪制腦網絡組圖譜。通過多模態活體腦磁共振成像和靜息態功能磁共振成像，研究人員定量地測量了腦內神經纖維束的行走，并且計算了兩個腦區在一定時間范圍內的功能連接信息。

人類腦網絡組圖譜：由中科院蔣田仔團隊等繪制的全新的人類腦圖譜，包含了 210 個大腦皮層腦區與 36 個皮層下核團亞區結構，而且定量描繪了不同腦區、亞區的解剖與功能連接模式。

靜息態功能磁共振成像是近年來研究腦功能，特別是腦網絡連接的一種重要方法，具有可以被各種功能、認知障礙患者接受等優點。參與實驗的被試者在保持清醒的休息狀態下，進行磁共振掃描，不需要完成特定任務，只需完全放松、閉眼、平靜呼吸、盡量保持頭部靜止不動，避免任何系統性的思維活動。

更精確的劃分方法，識別新腦區

而本研究有所突破的地方在于，研究人員使用人類連接計劃的數據，以及一種半自動的神經解剖方法（多模態 parcellation），將大腦分割成不同區域，然后對每個區域進行分析。此外，有些圖像是在參與者進行數學計算、聽故事或者對事物進行歸類（如分辨一幅圖像中畫的是工具還是動物）的情況下掃描得到的。

因此，文章開始第一幅圖中，白色表示正在執行任務的腦區，而黑色則表示沒有執行任務的腦區（實際上顏色介于黑白之間，顏色越白說明該腦區活躍度越大）。

研究人員使用多模態 parcellation 對人類連接組計劃數據進行分析的結果示例。parcellation 方法由數據驅動，比傳統分區體系更加客觀。

傳統的分區體系（如布羅德曼）含有很多主觀成分。而本文使用的 paecellation 方法是由數據驅動的，包括功能和結構成像等多通道數據，對腦區的劃分結果也相對更為客觀。由此，Glasser 等人也得以在結果中確定此前已經確定存在的 83 個腦區，并且發現 97 個新的腦區。

為了驗證分區數據是否準確，研究人員又使用該方法分析了 210 名健康成年人的腦掃描數據。但就像上文所說，paecellation 方法由數據驅動，而要分析這么大量的數據是十分困難的。

因此，為了使系統能夠自動識別出新發現的這些區域，研究人員訓練了一個機器學習系統，使用監督學習算法，將每個不同腦區的特征自動分類，最后結果準確率為 96.6%。也就是說，分區重復率比較高，表示作者使用的這種分區方法是比較準確的。

使用機器學習系統對腦區劃分進行驗證，其中，黃色區域代表重復率100%的腦區，而最低的重復率平均也達到了 73%。

論文的第一作者 Matthew Glasser 在與論文同時發布的新聞稿中寫道，這種情況可以類比天文學從使用望遠鏡、只能得到模糊影像的時代，跨越到太空望遠鏡時代。

德國于利希研究中心神經科學與醫學研究所的神經科學家 Simon Eickhoff 在接受《衛報》采訪時評論，該研究是朝向理解人腦組織和功能結構的“超凡一步”。

牛津大學計算神經科學家 Timothy Behrens 評論稱，該研究將為腦科學研究帶來重大轉變，從今以后，科學家都將以該圖譜作為描述人腦的基礎。

倡導數據公開，促進腦科學及人工智能發展

HCP-MMP1.0 的數據已經公開，供世界所有研究人員共享。Glasser 也表示，HCP-MMP 目前只是“1.0”，將來還會得到進一步完善，屆時可應用于所有人。

中科院腦網絡組圖譜也在網站公開（http://atlas.brainnetome.org) ，以在線顯示以及軟件下載的方式提供給國內外相關研究領域的科研人員和臨床醫生免費使用。

Nature 今天也刊發社論，指出要停止醫療數據私有化，提倡數據公開共享。

該圖譜可臨床應用于神經外科，并通過與其他靈長類動物進行比較，為人類認知演化帶來新的認識。該研究將使人類加深對人腦的理解，并在腦疾病診療方面得到進展。

更重要的是，由此帶來的結果將使人工智能上升到一個新的階段。利用腦圖譜，在智能系統設計方面，可以明確腦功能基本單元的劃分及其連接模式，從多尺度揭示腦信息處理機制，為新型智能信息處理系統的設計提供啟示。

最后，記得關注微信公眾號：鎂客網（im2maker），更多干貨在等你！