神经影像数据特征可关联多领域的认知功能。相比于传统的单变量关联方法，机器学习多变量预测模型可实现跨多个脑区神经影像特征与个体行为认知的复杂关联，以揭示认知行为个体差异的潜在影像学机制（Gabrieli et al., 2015; Sui et al., 2020; Rosenberg et al., 2018; Woo et al., 2017）。基于宏观人脑连接组的个体认知预测模型本质上受到预测框架中人脑连接组构建方法和机器学习预测算法的影响（Cui & Gong, 2018; He et al., 2020; Pervaiz et al., 2020），而人脑白质结构连接组的不同构建方法以及不同机器学习算法对认知功能个体预测性能的影响尚未被系统评价。

北京师范大学认知神经科学与学习国家重点实验室舒妮副教授课题组在《Human Brain Mapping》杂志上在线发表题为“Methodological evaluation of individual cognitive prediction based on the brain white matter structural connectome”的研究论文。

该研究基于北京师范大学的北京老年脑健康促进计划数据库（BABRI，633人）（Yang et al., 2021）和美国人脑连接组计划老化数据集（HCP-Aging，560人）（https://www.humanconnectome.org/study/hcp-lifespan-aging）健康被试的弥散磁共振影像以及神经心理认知测评数据，采用基于交叉验证的机器学习预测框架（图1），系统评价了7种白质结构连接定义方法（单张量和多张量扩散模型，确定性和概率性纤维跟踪算法，不同纤维加权方法）、8种机器学习算法（传统机器学习算法：OLS、LASSO、Ridge、Elastic-Net、SVR、RVR，PLSR；深度学习算法：MLP），针对4种认知功能（执行功能、注意、语言和记忆）和大脑年龄预测任务的预测性能。研究发现，基于人脑白质结构连接组的预测模型可以稳定预测个体认知能力（尤其是执行和注意功能）以及大脑年龄（图2）；不同结构连接定义方法以及不同分区图谱对于认知能力和脑龄预测均存在显著差异（图3）；从个体化预测角度发现不同影像采集参数对于结构连接定义方式存在模型解算偏好；深度学习和Elastic-Net算法表现出更精确和鲁棒的预测精度（图4）。该研究可为今后如何选择合适的人脑白质连接组构建方法和机器学习预测模型提供重要参考依据。

该研究得到了国家自然科学基金（81671761，81871425）、国家重点研发计划（2018YFC1315200），以及认知神经科学与学习国家重点实验室开放课题基金（CNLYB2001）的资助。该论文第一作者为北京师范大学认知神经科学与学习国家重点实验室博士生冯国政，通讯作者为舒妮副教授。该论文发表后立即受到了全球学者们的广泛关注，位居该期刊中国作者2022年第二季度发表文章三月内下载量前五，并荣获2022年第二季度“Wiley中国开放科学高贡献作者”奖。

图1：基于交叉验证的机器学习预测框架

图2：结构连接组的不同构建方法与不同机器学习算法组合的认知预测性能

图3：不同白质结构连接定义方法的认知预测性能比较

图4：不同机器学习算法的认知预测性能比较

论文及链接

Feng G, Wang Y, Huang W, Chen H, Dai Z, Ma G, Li X, Zhang Z, Shu N. Methodological evaluation of individual cognitive prediction based on the brain white matter structural connectome. Hum Brain Mapp. 2022 Aug 15;43(12):3775-3791. doi: 10.1002/hbm.25883. https://onlinelibrary.wiley.com/doi/10.1002/hbm.25883

参考文献

Cui, Z., & Gong, G. (2018). The effect of machine learning regression algorithms and sample size on individualized behavioral prediction with functional connectivity features. NeuroImage, 178, 622–637.

Gabrieli, J. D. E., Ghosh, S. S., & Whitfield-Gabrieli, S. (2015). Prediction as a humanitarian and pragmatic contribution from human cognitive neuroscience. Neuron, 85(1), 11–26.

He, T., Kong, R., Holmes, A. J., Nguyen, M., Sabuncu, M. R., Eickhoff, S. B., Bzdok, D., Feng, J., & Yeo, B. T. T. (2020). Deep neural networks and kernel regression achieve comparable accuracies for functional connectivity prediction of behavior and demographics. NeuroImage, 206, 116276.

Pervaiz, U., Vidaurre, D., Woolrich, M. W., & Smith, S. M. (2020). Optimising network modelling methods for fMRI. NeuroImage, 211, 116604.

Rosenberg, M. D., Casey, B. J., & Holmes, A. J. (2018). Prediction complements explanation in understanding the developing brain. Nature Communications, 9(1), 589.

Sui, J., Jiang, R., Bustillo, J., & Calhoun, V. (2020). Neuroimaging-based individualized prediction of cognition and behavior for mental disorders and health: Methods and promises. Biological Psychiatry, 88(11), 818–828.

Woo, C. W., Chang, L. J., Lindquist, M. A., & Wager, T. D. (2017). Building better biomarkers: Brain models in translational neuroimaging. Nature Neuroscience, 20(3), 365–377.

Yang, C., Li, X., Zhang, J., Chen, Y., Li, H., Wei, D., Lu, P., Liang, Y., Liu, Z., Shu, N., Wang, F., Guan, Q., Tao, W., Wang, Q., Jia, J., Ai, L., Cui, R., Wang, Y., Peng, D., … Beijing Aging Brain Rejuvenation Initiative Workgroup. (2021). Early prevention of cognitive impairment in the community population: The Beijing aging brain rejuvenation initiative. Alzheimers Dementia, 17(10), 1610–1618.