探索大脑机制和精神疾病风险的人工智能方法研究.pdf

摘要

脑影像数据可以客观准确地反映大脑在一段时间内的状态，近年来，许多研究基

于脑影像数据探索大脑的功能和疾病特征。本文工作主要是开发人工智能算法对脑

影像数据进行分析和处理，以探索大脑的认知机制和高风险精神分裂症的特征。

使用功能性磁共振成像（functionalmagneticresonanceimaging,fMRI）等神经影

像技术解码不同的大脑认知状态可以极大地增进我们对大脑认知方式的理解，并促

进脑机接口和类脑智能的发展。尽管已经有许多研究提出了一些人工智能方法用于

识别与特定认知状态相关的神经活动模式，但对不同认知状态下大脑在空间和时间

上的相互作用仍然存在未知。因此，本文第一个工作提出了一种新的深度学习模型，

该模型结合了时空联合注意力，用于从fMRI时间序列数据中解码大脑的认知状态并

对不同认知状态下大脑的时域和空域特征进行分析。特别地，我们的模型采用了长短

期记忆（longshort-termmemory,LSTM）模块以有效处理不同长度的时间序列数据，

使得我们的方法适用于任意时间长度的大脑认知状态任务。该工作基于Human

ConnectomeProject（HCP）提供的41796个样本的fMRI时间序列数据，采用相同的

实验框架对提出的模型和其它机器学习和深度学习算法包括支持向量机、多层感知

器、门控循环单元和图卷积网络进行了比较，结果显示提出的模型在23个复杂的大

脑认知状态分类任务中表现更佳（准确率为92.59%）。此外，模型中的时空注意力

模块提取的时域和空域特征与大脑认知状态密切相关。我们的工作表明，我们提出的

方法能够整合空间和时间信息揭示大脑的神经活动，推动大脑解码研究朝着更全面

的认知理解方向发展。

对高风险精神分裂症的研究有助于精神分裂症的早期诊断和干预。现有的关于

高风险精神分裂症的研究中采用的临床或基因数据无法反映高风险精神分裂症的大

脑变异情况，而采用客观的脑影像数据可以准确地反应高风险精神分裂症的大脑变

异情况并对精神分裂症和高风险精神分裂症的影像特征进行分析。本文的第二个工

作旨在利用脑影像数据识别典型的高风险精神分裂症样本并探索引发精神分裂症和

精神分裂症高风险的显著特征。基于包含精神分裂症和健康对照的数据集，本研究构

建了一个无偏的双层交叉验证框架和稳定的集成分类器用于评估样本的精神分裂症

风险，并从中筛选出典型的高风险精神分裂症样本集。通过与典型的健康样本集和典

型的精神分裂症样本集之间的分析，本研究提取了与精神分裂症和精神分裂症风险

I

相关的显著特征。本研究在四个独立的数据集中进行的重复实验验证了提出的方法

的稳定性和有效性并得到了稳定的实验结果。此外，本研究还发现大脑特定的一些功

能连接的强度与精神分裂症的风险具有稳定的线性关系，这有助于精神分裂症的诊

断和研究工作。

综上所述，利用脑影像数据结合人工智能算法在大脑的认知机制和精神疾病研

究中有很好的应用前景。

关键词：脑功能核磁共振成像；人工智能算法；大脑认知机制；分类算法；高风险精

神分裂症

ABSTRACT

Brainimagingdatacanobjectivelyandaccuratelyreflectthebrainsstateoveraperiod

oftime.Inrecentyears,manystudieshaveexploredthefunctionsandfeaturesofbrain

disordersbasedonbrainimagingdata.Themainfocusofthispaperistoanalyzeandprocess

brainimagingdatausingartificialintelligencealgorithmstoexplorethecognitive

mechanismsofthebrainandthefeaturesofhigh-riskschizophrenia.

Theuseofneuroimagingtechniquessuchasfuncti