Bird’s Eye View of Artificial Intelligence in Neuroscience
神經(jīng)科學(xué)中人工智能的鳥瞰視角
https://www.liebertpub.com/doi/pdf/10.1089/ains.2024.0001
摘要
本綜述采用了一種常見的文獻計量學(xué)技術(shù)，通過分析引用模式來確定人工智能（AI）在神經(jīng)科學(xué)研究中的應(yīng)用領(lǐng)域。利用文獻耦合方法構(gòu)建了相關(guān)出版物的網(wǎng)絡(luò)，重點關(guān)注包含人工智能和神經(jīng)科學(xué)元素的同行評議研究文章和綜述文章。在過去的十年中，人工智能在神經(jīng)科學(xué)領(lǐng)域的應(yīng)用經(jīng)歷了顯著增長，與人工智能相關(guān)的神經(jīng)科學(xué)出版物數(shù)量每4到5年翻一番。卷積神經(jīng)網(wǎng)絡(luò)（CNN）和基于變換器的大規(guī)模語言模型已被應(yīng)用于越來越多的神經(jīng)科學(xué)子學(xué)科，在認(rèn)知、計算、系統(tǒng)和臨床神經(jīng)科學(xué)領(lǐng)域產(chǎn)生了深遠影響。
關(guān)鍵詞：文獻計量學(xué)、腦機接口、臨床神經(jīng)病學(xué)與神經(jīng)外科、認(rèn)知神經(jīng)科學(xué)、計算神經(jīng)科學(xué)、神經(jīng)影像學(xué)
引言
本文是對人工智能（AI）在神經(jīng)科學(xué)不同領(lǐng)域應(yīng)用的綜述。其目的是探索研究文獻的范圍以及其中子學(xué)科之間的關(guān)系。與系統(tǒng)性綜述不同，后者通過對通過詳盡搜索收集的文獻進行批判性分析以得出基于證據(jù)的研究結(jié)論，而本概述則利用引用模式來描述該領(lǐng)域的增長，并揭示“神經(jīng)科學(xué)”這一廣闊領(lǐng)域中子學(xué)科之間的共性，從而識別出互動與合作的機會。
人工智能乃至智能本身并沒有嚴(yán)格的定義。一個較狹義的人工智能定義可能是：能夠模仿或超越通常被認(rèn)為屬于人類能力范圍的任務(wù)的機器。一個更廣義的人工智能定義是：能夠在看似對觀察者而言巨大的搜索空間中快速找到適當(dāng)解決方案的機器。還有一個更廣泛的定義被提出，也是本文所采用的定義，即任何旨在構(gòu)建這種“智能”機器的統(tǒng)計學(xué)、機器學(xué)習(xí)或其他領(lǐng)域的工作。
我們在過去十年中發(fā)現(xiàn)了人工智能與神經(jīng)科學(xué)交叉領(lǐng)域的出版物呈現(xiàn)出一些趨勢。2010年代的人工智能熱潮主要由計算機科學(xué)家在卷積神經(jīng)網(wǎng)絡(luò)（CNN）和變換器等算法上的進步推動，這使得過去十年中與“人工智能”相關(guān)的神經(jīng)科學(xué)出版物數(shù)量增加了五倍以上。這些影響在神經(jīng)科學(xué)的各個學(xué)科中表現(xiàn)得多樣化且深遠。例如，在認(rèn)知神經(jīng)科學(xué)中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）和基于變換器的大規(guī)模語言模型在實時“解碼”顱內(nèi)植入物和功能性磁共振成像（fMRI）中的神經(jīng)信號為流利的語言、圖像和表述思想方面發(fā)揮了不可或缺的作用。在電路和系統(tǒng)研究中，應(yīng)用于數(shù)百萬張電子顯微鏡圖像的卷積神經(jīng)網(wǎng)絡(luò)對于完成果蠅全腦的神經(jīng)元“連接圖譜”以及小鼠視覺皮層的一部分至關(guān)重要。在計算神經(jīng)科學(xué)中，借助最近開發(fā)的大規(guī)模并行神經(jīng)元記錄技術(shù)，研究人員表明卷積神經(jīng)網(wǎng)絡(luò)可以部分解釋視覺、聽覺和其他語言區(qū)域中生物神經(jīng)元的計算響應(yīng)。在臨床神經(jīng)病學(xué)中，過去十年中與人工智能相關(guān)的出版物激增了13倍以上，因為人工智能工具逐漸為臨床醫(yī)生和臨床導(dǎo)向的研究人員所熟悉并可用；這些工具包括使用卷積神經(jīng)網(wǎng)絡(luò)進行醫(yī)學(xué)圖像的分類、分割、增強和加速采集，以及使用人工神經(jīng)網(wǎng)絡(luò)（ANN）改進神經(jīng)系統(tǒng)和精神疾病的診斷和預(yù)后。
方法
我們使用了VOSViewer軟件來可視化與神經(jīng)科學(xué)和人工智能（AI）相關(guān)的研究出版物中的模式和關(guān)系。具體而言，我們使用VOSViewer算法構(gòu)建了出版物網(wǎng)絡(luò)，并基于文獻耦合強度（文章引用參考文獻列表的相似性）識別出相關(guān)文章的“聚類”。任意兩篇出版物之間的文獻耦合強度由其參考文獻列表或參考書目的相似程度決定。這種方法已被用于識別可能共享相似概念的出版物。基于文獻耦合的網(wǎng)絡(luò)類似于基于共引的網(wǎng)絡(luò)。然而，前者基于文章引用參考文獻的相似性，而后者基于文章被引用參考文獻的相似性（即，如果兩篇文章同時被同一篇文章引用，則它們被稱為“共引”）。
VOSViewer中的聚類算法是無監(jiān)督的，正如無監(jiān)督學(xué)習(xí)中常見的那樣，用戶必須選擇一個閾值來確定聚類的分辨率（粒度或“精細(xì)度”）。傾向于“整合”的用戶會選擇較粗的分辨率，從而形成較大的相關(guān)出版物聚類；而傾向于“細(xì)分”的用戶會選擇更精細(xì)的分辨率，從而對研究文獻進行更細(xì)致的刻畫。
為了探索過去十年中“人工智能”及相關(guān)關(guān)鍵詞在神經(jīng)科學(xué)出版物中的使用增長情況，我們分別為2016–2018年、2019–2021年和2022–2024年發(fā)表的文章構(gòu)建了三個獨立的網(wǎng)絡(luò)。這種方法存在局限性（見“局限性”部分），但提供了一個初步框架，用以識別與“人工智能”和神經(jīng)科學(xué)相關(guān)的一些主要研究領(lǐng)域。
對于每個網(wǎng)絡(luò)（覆蓋2016–2018年、2019–2021年或2022–2024年），通過三種不同類型的搜索找到的文章被合并在一起。
(1) 對于每個三年時間段，所有在影響力排名前25%的“神經(jīng)”類期刊中發(fā)表的人工智能相關(guān)文章（n = 129種期刊）：
(a) 首先，使用《期刊引用報告》（Clarivate, 2025）識別屬于神經(jīng)科學(xué)、臨床神經(jīng)病學(xué)和/或神經(jīng)影像學(xué)類別的期刊。
(b) 然后將該期刊列表縮小到2023年期刊影響因子（JIF）在其子學(xué)科中排名前四分之一（Q1）的期刊（521種期刊中的129種）。
(c) 最后，使用Web of Science主題搜索來識別在這些Q1期刊中發(fā)表的相關(guān)三年期內(nèi)的研究或綜述文章，且這些文章的主題必須同時與神經(jīng)科學(xué)以及人工智能、機器學(xué)習(xí)或計算神經(jīng)科學(xué)相關(guān)（見補充數(shù)據(jù)S1中的搜索查詢#1）。
(2) 在多個多學(xué)科科學(xué)類別中，影響力排名前10%的期刊中發(fā)表的與“人工智能”和“神經(jīng)科學(xué)”相關(guān)的文章，包括醫(yī)學(xué)、全科與內(nèi)科和實驗醫(yī)學(xué)類別中排名前10%的期刊（n = 92種期刊），以及精神病學(xué)類別中排名前4的期刊（n = 4）：
(a) 首先，使用《期刊引用報告》（Clarivate, 2024）識別上述多學(xué)科科學(xué)和醫(yī)學(xué)類別中的期刊。
(b) 然后將該列表縮小到其類別中2023年JIF排名前10%的期刊（135種期刊中的14種）。
(c) 使用《期刊引用報告》（Clarivate, 2024）識別精神病學(xué)類別中的4種頂級期刊。
(d) 最后，使用Web of Science主題搜索識別在這些期刊中發(fā)表的相關(guān)三年期內(nèi)的研究和綜述文章，且這些文章的主題必須同時與神經(jīng)科學(xué)以及人工智能、機器學(xué)習(xí)或計算神經(jīng)科學(xué)相關(guān)（見補充數(shù)據(jù)S1中的搜索查詢#2）。
(3) 在任何Web of Science（WOS）索引期刊中發(fā)表的與“人工智能”和“神經(jīng)科學(xué)”相關(guān)的前1%高被引文章：
(a) 首先，使用Web of Science的“主題”搜索識別在相關(guān)三年期內(nèi)發(fā)表的文章，且這些文章的主題必須同時與神經(jīng)科學(xué)以及人工智能、機器學(xué)習(xí)或計算神經(jīng)科學(xué)相關(guān)（見補充數(shù)據(jù)S1中的搜索查詢#3）。因此，這些文章可以發(fā)表在任何被Web of Science索引的期刊中，無論其WOS分配的“學(xué)科類別”或其JIF如何。
(b) 從該列表中，識別出前1%“高被引”文章（即在其WOS學(xué)科類別中按引用次數(shù)排名前1%的文章）。為了減少對近期出版物的偏倚，還使用了WOS中的“熱點論文”標(biāo)志，以包括過去兩年內(nèi)發(fā)表且引用率高于同齡文章的文章。
值得注意的是，文獻耦合并不是可視化相關(guān)出版物網(wǎng)絡(luò)的唯一方法。其他選項包括基于文章被其他出版物共同引用頻率的共引網(wǎng)絡(luò)、識別合作研究人員群體的合著網(wǎng)絡(luò)，以及根據(jù)關(guān)鍵詞列表相似性對文章進行分組的關(guān)鍵詞共現(xiàn)網(wǎng)絡(luò)。
本文主要引用綜述文章，因為在包含數(shù)千篇文章的網(wǎng)絡(luò)中引用個別研究文章不太實際。此外，需要強調(diào)的是，由于網(wǎng)絡(luò)中僅包含標(biāo)題、摘要、作者關(guān)鍵詞和/或“Keyword Plus”中明確包含人工智能相關(guān)詞匯的文章，因此它們僅代表神經(jīng)科學(xué)研究的一小部分。（“Keyword Plus”是Web of Science生成的計算機搜索字段，由文章引用參考文獻標(biāo)題中頻繁出現(xiàn)的詞語組成。）
在創(chuàng)建網(wǎng)絡(luò)時，VOSViewer參數(shù)設(shè)置為“默認(rèn)”參數(shù)：
- 方法：關(guān)聯(lián)強度。
- 聚類分辨率：1.00。
- 最小聚類大?。?。
- 合并小聚類：是。
- 布局吸引力：2。
- 布局排斥力：1。
有關(guān)VOSViewer算法的更多詳細(xì)信息，請參閱VOSViewer手冊及其描述其在特定研究領(lǐng)域?qū)嶋H應(yīng)用的文章。
結(jié)果
圖1A顯示，從2014年到2024年，在Web of Science索引的高影響力臨床神經(jīng)病學(xué)期刊和非臨床神經(jīng)科學(xué)/神經(jīng)影像學(xué)期刊中發(fā)表的“人工智能”相關(guān)文章數(shù)量分別增加了14倍以上和3倍以上，總體增長超過5倍。圖1B和C展示了文獻耦合網(wǎng)絡(luò)分析的結(jié)果。在圖1B中，盡可能使用相同的顏色來標(biāo)識不同三年時間段內(nèi)的相似聚類。然而，如下所述，隨著時間的推移，某些聚類發(fā)生了顯著的重組、合并、重新定義和/或分裂。
例如，在2022–2024年期間，聚類3（紫色）主要由關(guān)于顱內(nèi)腫瘤研究中人工智能的出版物組成，其中許多與使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進行腫瘤分割相關(guān)；然而，在2016–2018年和2019–2021年期間，聚類3還包括許多關(guān)于使用CNN對醫(yī)學(xué)圖像中的其他病理（不僅僅是腫瘤）進行分割的出版物。因此，在早期時間段，它是一個“CNN分割”聚類，而不僅僅是專注于腫瘤。這可能是因為腫瘤是醫(yī)學(xué)圖像中最早被研究人員作為自動分割目標(biāo)的病理之一。
此外，到2022–2024年，認(rèn)知神經(jīng)科學(xué)背景下的功能性磁共振成像（fMRI）和腦連接性已經(jīng)成為一個非常大且定義明確的聚類（聚類7，黃綠色）。然而，在早期時間段，這一聚類并未明確定義，fMRI相關(guān)的出版物分布在其他幾個聚類中，包括計算神經(jīng)科學(xué)以及更大的“臨床應(yīng)用”聚類（聚類4，紅色）中的精神病學(xué)“子聚類”。
另一個變化是，一個“電路與系統(tǒng)”（深紫色）聚類在早期時間段（2016–2018年和2019–2021年）出現(xiàn)，但在2022–2024年期間被合并到計算神經(jīng)科學(xué)聚類（聚類1，深藍色）中。這可能與以下因素有關(guān)：自2010年代初以來，大規(guī)模、高時空分辨率神經(jīng)記錄技術(shù)的廣泛可用性，使研究人員能夠通過迭代過程將實驗記錄與神經(jīng)元的計算模型進行比較，從而改進模型，拉近了這兩個領(lǐng)域的距離。此外，人們對利用遞歸神經(jīng)網(wǎng)絡(luò)（RNN）研究神經(jīng)群體動力學(xué)的興趣激增，并在過去十年中在突觸水平連接組映射及伴隨的功能記錄方面取得了顯著進展，如果蠅和小鼠視覺皮層的一部分的研究，這也促進了這兩個子學(xué)科之間的聯(lián)系。
聚類2（青綠色）包括腦機接口（BCI），并在過去十年的所有時間段中都存在，盡管其特征隨著時間的推移發(fā)生了演變：從包含大量關(guān)于假肢機器人技術(shù)的文章，逐漸轉(zhuǎn)變?yōu)榘嚓P(guān)于皮質(zhì)電圖（ECoG）、腦電圖（EEG）和深部腦刺激（DBS）的研究。
如圖1A和B所示，從2014年到2024年的另一個明顯趨勢是人工智能在臨床應(yīng)用（聚類4，紅色）中的使用顯著擴展。這一趨勢早期由利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）分割醫(yī)學(xué)圖像的努力推動，后來則受到利用人工神經(jīng)網(wǎng)絡(luò)（ANN）改進各種神經(jīng)系統(tǒng)疾病的診斷和預(yù)后的努力驅(qū)動，相較于回歸分析和其他傳統(tǒng)機器學(xué)習(xí)技術(shù)有了顯著進步。此外，與阿爾茨海默病相關(guān)的出版物數(shù)量也出現(xiàn)了巨大增長（聚類5，綠色），這可能與2010年代至2020年代初期資金的大幅增加有關(guān)。
有趣的是，在2022–2024年期間（圖1C），阿爾茨海默病聚類（聚類5，綠色）在臨床應(yīng)用聚類（聚類4，紅色）中劃出了一條厚厚的綠色帶。令人欣慰的是，綠色帶下方的紅色聚類4臨床出版物，靠近顱內(nèi)腫瘤（聚類3，紫色），主要是描述腦圖像上中風(fēng)、顱內(nèi)出血及其他顱內(nèi)病變分割的文章；而綠色帶上方的聚類3（紫色）出版物，靠近聚類7（黃綠色，功能性磁共振成像、腦連接性和認(rèn)知神經(jīng)科學(xué)），幾乎全是人工智能在精神病學(xué)中的應(yīng)用。此外，小型的“腦齡”聚類（聚類6，黑色）與阿爾茨海默病聚類非常接近。
最后，我們使用了最近時間段2022–2024年（圖1C）中定義的聚類，為總結(jié)人工智能在神經(jīng)科學(xué)研究中的重要和新興領(lǐng)域提供了一個框架。以下各部分描述了這些出版物聚類的當(dāng)前格局及一些關(guān)鍵主題。
聚類1（深藍色）：計算神經(jīng)科學(xué)、電路與系統(tǒng)
該組的出版物構(gòu)建并研究了突觸和電路層面神經(jīng)過程的計算模型。這些模型范圍從單個神經(jīng)元的詳細(xì)模擬到大型網(wǎng)絡(luò)。它們被用來研究記憶、學(xué)習(xí)、決策和感官數(shù)據(jù)處理背后的腦機制。
計算神經(jīng)科學(xué)和人工智能領(lǐng)域密不可分，它們之間關(guān)系的歷史已被描述過。4,10–16 神經(jīng)生物學(xué)啟發(fā)了20世紀(jì)40年代對人工神經(jīng)網(wǎng)絡(luò)（ANN）的首次理論描述，以及20世紀(jì)80年代強化學(xué)習(xí)的發(fā)展。1958年，首個ANN的物理實現(xiàn)——一臺重達5噸、占據(jù)整個房間的計算機，被稱為感知機（Perceptron），被宣傳為能夠很快解決幾乎所有問題，甚至最終可能達到意識狀態(tài)的計算機的先驅(qū)。然而，這一愿景并未實現(xiàn)，“人工智能寒冬”從20世紀(jì)70年代初持續(xù)到80年代。希望在20世紀(jì)80年代初得以復(fù)興，當(dāng)時工業(yè)界展示了一些有用的“專家系統(tǒng)”，這些系統(tǒng)解決了非常具體且狹窄的實際問題，同時1986年反向傳播算法被提出，作為訓(xùn)練多層ANN的計算解決方案。然而，當(dāng)圍繞專家系統(tǒng)的高期望未能實現(xiàn)時，第二次“人工智能寒冬”從20世紀(jì)80年代末延續(xù)到90年代。
到了2010年代初，計算能力和數(shù)據(jù)存儲能力取得了深刻進步。這為最近的人工智能“繁榮”創(chuàng)造了條件，主要由計算機科學(xué)家基于反向傳播算法探索和改進算法（例如卷積神經(jīng)網(wǎng)絡(luò)CNN、變換器、強化學(xué)習(xí)）推動，而神經(jīng)生物學(xué)的啟發(fā)作用相對較小。16,17 然而，有觀點認(rèn)為，為了在更通用的人工智能方面取得顯著進展，計算機科學(xué)與神經(jīng)科學(xué)之間需要重新建立更緊密的互動。4,16 還有人提出，通用人工智能的基礎(chǔ)將需要首先理解最原始能力背后的神經(jīng)機制，例如感覺運動能力，而不是僅僅關(guān)注最高級、最近進化出的人類能力（如語言、游戲能力）（圖2）。16 在過去十年中，實驗技術(shù)的持續(xù)進步使得以前所未有的空間和時間尺度從真實大腦中獲取并行原位神經(jīng)元記錄成為可能，這為促進和增強計算機科學(xué)與神經(jīng)科學(xué)之間的雙向互動提供了支持（圖3）。
在20世紀(jì)90年代的人工智能寒冬期間，計算神經(jīng)科學(xué)和人工智能逐漸分道揚鑣，計算神經(jīng)科學(xué)家專注于擴大對大腦動態(tài)的生物物理建模。這種傳統(tǒng)的定量神經(jīng)建模方法始于20世紀(jì)50年代霍奇金-赫胥黎（Hodgkin–Huxley）用于動作電位傳播的微分方程，并逐步發(fā)展為復(fù)雜的生物物理模型，這些模型結(jié)合了電路、區(qū)域和/或整個網(wǎng)絡(luò)和系統(tǒng)中的線性與非線性動力學(xué)?，F(xiàn)代大規(guī)模神經(jīng)建模的例子包括平均場模型，22 例如神經(jīng)質(zhì)量模型，23 它們可以模擬電生理信號（如腦電圖EEG、腦磁圖MEG和皮質(zhì)電圖ECoG）的特性，例如通過其微分方程系統(tǒng)的內(nèi)在生理參數(shù)和非線性激活函數(shù)來描述振蕩節(jié)律。它們還被用來研究疾病過程中的神經(jīng)動力學(xué)變化，例如癲癇和精神病。
盡管微分方程一直是描述神經(jīng)過程的最常見數(shù)學(xué)方法，遞歸神經(jīng)網(wǎng)絡(luò)（RNN）不僅可以模擬微分方程系統(tǒng)，還可以直接基于測量數(shù)據(jù)進行訓(xùn)練。由于大約十年前大規(guī)模并行神經(jīng)元記錄技術(shù)的廣泛可用性，許多研究現(xiàn)在可以強調(diào)計算模型與實驗數(shù)據(jù)之間的迭代反饋——將新計算模型的輸出與新的實驗數(shù)據(jù)進行比較，從而在一個迭代的模型驗證和優(yōu)化過程中大大加速了這一領(lǐng)域的進展。24 例如，最近的一項研究使用預(yù)測性自動編碼器模型提出了一種關(guān)于海馬體序列學(xué)習(xí)的新假設(shè)，并直接與動物模型中的實驗神經(jīng)元記錄進行比較；25 這些尖峰RNN模型是計算模型為神經(jīng)生物學(xué)提供信息而非僅從神經(jīng)生物學(xué)中汲取靈感的例子，揭示了工作記憶背后的神經(jīng)機制。25,26 神經(jīng)群體動力學(xué)是另一個用于理解大量互聯(lián)神經(jīng)元如何產(chǎn)生涌現(xiàn)特性的框架。該方法將類腦RNN視為動力系統(tǒng)，并已成功用于建模認(rèn)知、時間感知、導(dǎo)航和運動任務(wù)中單個局部區(qū)域的計算。
隨著過去十年人工智能研究的加速，計算神經(jīng)科學(xué)和人工智能領(lǐng)域再次變得日益緊密相關(guān)。涉及這兩個領(lǐng)域的出版物早在2016–2018年的文獻中就已經(jīng)形成了一個獨特的聚類（圖1B），不像一些其他最近才出現(xiàn)的聚類。這一聚類的出版物在過去十年中迅速增長。該聚類中的大多數(shù)出版物試圖建模記憶、學(xué)習(xí)、決策和感官數(shù)據(jù)處理背后的大腦機制。以下部分中可以看到一些例子。
“逆向工程”靈長類視覺系統(tǒng)
到2012年，已經(jīng)明確“核心物體識別”是通過一系列串行前饋計算實現(xiàn)的，但計算的形式尚不清楚。31 幸運的是，當(dāng)時已經(jīng)開發(fā)出能夠同時在視覺皮層上獲得數(shù)千個神經(jīng)記錄的電極陣列，開啟了以前所未有的精細(xì)空間和時間分辨率研究視覺系統(tǒng)神經(jīng)生理學(xué)的新時代。32 到2014年，訓(xùn)練用于物體識別的卷積神經(jīng)網(wǎng)絡(luò)（CNN）被證明可以預(yù)測顳下皮層（腹側(cè)視覺流的最高層次）中約50%的神經(jīng)元反應(yīng)（圖3A和4）。實驗中，猴子被展示一組圖像，并記錄腹側(cè)視覺系統(tǒng)不同層級排列的神經(jīng)元反應(yīng)。CNN使用相同的圖像進行訓(xùn)練以執(zhí)行圖像識別任務(wù)。值得注意的是，對大量候選CNN模型的評估表明，CNN模型在物體識別任務(wù)中的性能越強，其最后一層的神經(jīng)元活動與顳下皮層中的神經(jīng)活動匹配得越接近。13,33,34 后來，深度神經(jīng)網(wǎng)絡(luò)也被證明可以建模其他區(qū)域的神經(jīng)元計算，例如聽覺皮層，35,36 以及顳上皮層、頂葉和額下回的語言區(qū)域，37 揭示了它們在處理數(shù)據(jù)時的表現(xiàn)。
需要注意的是，參與這項研究的研究人員指出，盡管這些模型取得了成功，但當(dāng)今的人工神經(jīng)網(wǎng)絡(luò)（ANN）可能仍然相對簡單，“尚未完全建模導(dǎo)致生物視覺處理的眾多過程?！爆F(xiàn)代ANN并未包含生物神經(jīng)元不同形態(tài)、神經(jīng)遞質(zhì)和連接類型的復(fù)雜性（圖5）。15 麥克弗森等人指出：“統(tǒng)計學(xué)家長期以來一直強調(diào)解釋性建模和預(yù)測性建模之間區(qū)別的重要性?！?8 因此，如果我們打算使用人工智能系統(tǒng)來建模并可能增進對大腦視覺處理的理解，那么繼續(xù)提高AI模型與其在大腦中的對應(yīng)系統(tǒng)的結(jié)構(gòu)和機制相似性是非常重要的，同時還需要加強度量標(biāo)準(zhǔn)的能力以衡量這種相似性。
最近，支持解釋性建模和預(yù)測性建模之間區(qū)別的論點已經(jīng)出現(xiàn)在文獻中。例如，“腦評分”（量化模型預(yù)測腦活動的能力）和“腦層次評分”（量化模型層級與生物腦層級之間的同源性）被報告在最新高性能卷積神經(jīng)網(wǎng)絡(luò)（CNN）中有所下降。14,39 這一結(jié)果逆轉(zhuǎn)了早期的趨勢，即新模型的性能越好，往往其腦評分越高。在另一條研究線中，研究表明，人類的核心物體識別能力與當(dāng)今性能最佳的CNN不同，它不受3D視角變化（圖6A）或低通濾波和紋理修改（圖6B）的影響，或者僅受到輕微影響；此外，尚未發(fā)現(xiàn)對人類有效的對抗性圖像，而對CNN卻存在這種情況（圖6C）。
獎勵與強化學(xué)習(xí)
這一計算神經(jīng)科學(xué)文章組的一個重要子集研究了多巴胺信號傳導(dǎo)以及獎勵、預(yù)測、學(xué)習(xí)和決策的神經(jīng)機制；恐懼與焦慮；以及社會學(xué)習(xí)。模型被用來理解大腦如何學(xué)會將行為與獎勵或懲罰聯(lián)系起來，以及這種學(xué)習(xí)如何導(dǎo)致決策。最近的一篇綜述概述了時間依賴性多巴胺信號的獎勵預(yù)測誤差假說，展示了當(dāng)適當(dāng)調(diào)整以適應(yīng)不同腦系統(tǒng)時，該假說在解釋動物行為的一些基本方面取得了關(guān)鍵成功，同時總結(jié)了尚未解決的問題。
這一子集的文章還包括關(guān)于社會學(xué)習(xí)的神經(jīng)基礎(chǔ)的研究，以及社會信息如何整合到?jīng)Q策過程中的研究?，F(xiàn)實世界中的行為，尤其是人類的行為，受多種因素的影響，包括情緒、社會影響和個體差異。這一集群中的一些研究探討了社會因素（如同伴影響和他人的存在）如何影響學(xué)習(xí)和決策。
這一子集中最常見的AI技術(shù)（除了經(jīng)典機器學(xué)習(xí)技術(shù)之外）包括：用于理解大腦如何學(xué)會將行為與獎勵或懲罰聯(lián)系起來的強化學(xué)習(xí)模型；用于分析神經(jīng)記錄或行為數(shù)據(jù)中復(fù)雜模式的深度神經(jīng)網(wǎng)絡(luò)；以及用于解釋大腦如何通過更新信念來做出決策的貝葉斯推理。分析的最常見類型的數(shù)據(jù)包括行為數(shù)據(jù)（測量動物的選擇、反應(yīng)時間和其他可觀察的行為）和電生理數(shù)據(jù)（記錄單個神經(jīng)元或神經(jīng)元群體的電活動）的動物數(shù)據(jù)。
展望不久的將來，可以設(shè)想一種結(jié)合傳統(tǒng)計算方法的研究，這些方法基于解析求解微分方程，例如描述連接腦回路、區(qū)域、網(wǎng)絡(luò)或系統(tǒng)相互作用動力學(xué)的基于生物物理的神經(jīng)質(zhì)量模型，并將其與基于人工神經(jīng)網(wǎng)絡(luò)（ANN）的新技術(shù)相結(jié)合。這可以利用ANN在數(shù)據(jù)驅(qū)動分類、回歸和分割方面的優(yōu)勢，同時結(jié)合傳統(tǒng)神經(jīng)模型在解釋大腦潛在神經(jīng)生理學(xué)方面的解釋力，因為在大規(guī)模ANN的機制可解釋性方面仍處于起步階段。54 一個例子是使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）和/或變換器網(wǎng)絡(luò)作為生物物理神經(jīng)模型的前端，用于圖像（視覺）、聽覺序列（聽覺）、文本（語言）或電生理數(shù)據(jù)（如尖峰序列、EEG、MEG和ECoG）的降維處理。因此，神經(jīng)模型可以更有效地訓(xùn)練，生成準(zhǔn)確且能夠用其內(nèi)在生理參數(shù)解釋的輸出，因為擬合這些眾多參數(shù)仍然是當(dāng)前人類大腦生物物理模型面臨的一大挑戰(zhàn)。這種改進后的神經(jīng)模型隨后可以被用于，例如，識別神經(jīng)精神疾病的新治療靶點。
連接組映射
如前所述，這一組的出版物通過數(shù)學(xué)方程和計算機模擬構(gòu)建并研究了從單個突觸到大規(guī)模神經(jīng)元網(wǎng)絡(luò)的神經(jīng)系統(tǒng)模型。因此，這一聚類中還出現(xiàn)了通過“自下而上”方法理解大腦的進展——通過在突觸層面繪制連接組為理解神經(jīng)過程奠定基礎(chǔ)。對這些生物體進行連接組映射的一個承諾是，理解所有生物共有的最原始能力（如感覺運動整合）背后的“電路模塊”，而不是僅限于人類最高級的能力（如玩游戲、駕駛機動車和語言），這對于進一步邁向更通用的人工智能至關(guān)重要。
1986年，秀麗隱桿線蟲（Caenorhabditis elegans）的完整連接組被報道，這是通過對大約8000張圖像的手動注釋構(gòu)建的，并且被證明在不同樣本之間高度一致，包含302個形態(tài)簡單、分支較少的神經(jīng)元。41 2023年3月，黑腹果蠅幼蟲（3000個神經(jīng)元和50萬個突觸）的連接組被報道，識別出93種不同的神經(jīng)元類型，這是超過五年努力的成果。40
2024年10月，基于約2100萬張圖像的成年雌性黑腹果蠅全腦連接組（14萬個神經(jīng)元和5000萬個突觸）發(fā)布，42,43 這一里程碑成就只有在人工智能計算技術(shù)進步的支持下才得以實現(xiàn)（圖7）。此外，除了對單個神經(jīng)元和突觸的映射外，還包含了一個“投影組”（projectome），即不同腦區(qū)之間的腦回路及其投射的地圖，提供了關(guān)于腦組織的大規(guī)模信息。在這一案例中，“人工智能”不僅是研究的目標(biāo)，還作為一種重要的實用工具，允許從包含間隙和其他人工偽影的電子顯微鏡圖像中重建神經(jīng)組織，而這些問題無法在沒有人工監(jiān)督的情況下實際糾正。
關(guān)于哺乳動物腦連接組映射，過去一年的另一個里程碑是由皮質(zhì)網(wǎng)絡(luò)機器智能計劃（Machine Intelligence from Cortical Networks）完成的小鼠初級視覺皮層立方毫米（占小鼠腦的0.2%）的重建。41,44,45,60 同樣，對電子顯微鏡數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)（CNN）分析對于填補空缺和修正缺陷至關(guān)重要。該映射不僅包括神經(jīng)元、突觸和膠質(zhì)細(xì)胞，還包括線粒體和血管。
隨著對生物體連接組映射的推進，“結(jié)構(gòu)連接組學(xué)”和“功能連接組學(xué)”這兩個術(shù)語被使用，前者指純物理連接組的映射，后者指將結(jié)構(gòu)連接組與生理實驗數(shù)據(jù)相結(jié)合。與上述果蠅和小鼠初級視覺皮層的標(biāo)志性結(jié)構(gòu)連接組映射一起，功能信息（如活體多光子光譜學(xué)）被用來展示一部分錐體細(xì)胞的視覺反應(yīng)。
除了繪制生物體突觸水平連接組的努力之外，計算模型繼續(xù)被用于通過整合來自不同實驗?zāi)Ｊ降臄?shù)據(jù)，彌合從單個神經(jīng)元到大規(guī)模網(wǎng)絡(luò)的不同研究尺度之間的差距。
神經(jīng)形態(tài)計算
神經(jīng)形態(tài)計算領(lǐng)域的文章也出現(xiàn)在這一聚類中。雖然計算神經(jīng)科學(xué)主要關(guān)注開發(fā)解釋大腦功能的計算原理，但神經(jīng)形態(tài)計算則致力于構(gòu)建受神經(jīng)元和突觸生物學(xué)啟發(fā)的“下一代”計算機硬件和軟件。神經(jīng)形態(tài)系統(tǒng)使用具有類似于生物神經(jīng)元元素的脈沖神經(jīng)網(wǎng)絡(luò)。盡管神經(jīng)科學(xué)在最近的人工智能“繁榮”中作用甚微，這一繁榮主要由計算機科學(xué)家基于反向傳播算法（例如變換器）的探索推動，但這些算法正接近“內(nèi)存墻”或“馮·諾依曼瓶頸”問題。已有人提出，需要利用我們對認(rèn)知背后神經(jīng)機制的理解來啟發(fā)新的“人工智能”計算范式。
聚類2（青綠色）：腦機接口、腦電圖、腦磁圖、深部腦刺激
這一聚類包括涉及允許神經(jīng)系統(tǒng)與外部世界交互或在體內(nèi)創(chuàng)建人工連接的技術(shù)的文章。大多數(shù)文章使用腦電圖（EEG）、深部腦刺激（DBS）、腦磁圖（MEG），或者描述腦機接口（BCI），例如為腦或脊髓損傷患者設(shè)計的語音和運動假體。一些研究使用功能性近紅外光譜（fNIRS）或事件相關(guān)電位（ERP）。
腦機接口（BCI）使用記錄神經(jīng)信號或在不同空間尺度上刺激神經(jīng)組織的探針。微電極記錄和對單個神經(jīng)元或小群神經(jīng)元的刺激使用直徑約為0.05毫米的探針，具有約0.1毫米的空間分辨率。例如，密歇根探針（Michigan probe）、Neuropixels 和猶他陣列（Utah array），這些設(shè)備在動物研究中被常規(guī)使用，但由于操作和維護的復(fù)雜性，尚未用于臨床。63 皮質(zhì)電圖（ECoG）由直徑為1-3毫米、間距為3-10毫米的硬膜下電極網(wǎng)格組成，空間分辨率約為1毫米，足以探測視覺、體感或聽覺系統(tǒng)等功能系統(tǒng)中的小區(qū)域。63 深部腦刺激（DBS）電極的口徑和空間分辨率與ECoG相似，但用于訪問深層結(jié)構(gòu)（如丘腦底核）以治療運動障礙，并正在研究用于治療抑郁癥等精神疾病以及創(chuàng)傷性腦損傷和中風(fēng)等獲得性腦損傷。相比之下，非侵入性技術(shù)（如EEG）記錄的是“宏觀神經(jīng)元集合”的活動，其空間分辨率約為5厘米（圖8）。
腦機接口的一個子集專注于檢測來自大腦的信號并將其解碼為計算機生成的語音或控制機器人設(shè)備的信號。語音神經(jīng)假體最近引起了特別關(guān)注，因為它們已接近臨床可行階段。55,57–59 這些技術(shù)為因中風(fēng)或神經(jīng)退行性疾病導(dǎo)致癱瘓而失去語言能力的人提供了解決方案。深度學(xué)習(xí)算法在這些語音假體中發(fā)揮了關(guān)鍵作用，通過實時解碼ECoG記錄的神經(jīng)信號并將其轉(zhuǎn)化為計算機生成的語音。該領(lǐng)域的最新進展包括使用更深入放置的微電極進行高時空分辨率神經(jīng)記錄，以及改進深度學(xué)習(xí)技術(shù)，以在最短的訓(xùn)練時間內(nèi)保持高度精確的解碼。
在此聚類的其他研究中，卷積神經(jīng)網(wǎng)絡(luò)（CNN）也被用于促進EEG信號的翻譯，例如用于情緒識別、心臟驟停后接受聽覺刺激的昏迷患者的預(yù)后評估以及EEG去噪。關(guān)于控制機器人肢體假體的出版物也出現(xiàn)在這一聚類中。這包括各種設(shè)備，如軟體機器人可穿戴設(shè)備、動力外骨骼，以及脊髓刺激和人工智能輔助康復(fù)等治療方法。使用人工智能的康復(fù)醫(yī)學(xué)領(lǐng)域應(yīng)用，例如步態(tài)分析和跌倒風(fēng)險評估，也出現(xiàn)在這一聚類中。
腦機接口的發(fā)展進展也引發(fā)了神經(jīng)倫理學(xué)這一新興領(lǐng)域的警示。提出了諸如尚未充分描述的副作用（包括膠質(zhì)增生、可能的免疫系統(tǒng)和原癌基因激活）以及“設(shè)備廢棄”等問題（Hofmann & Stieglitz, 2024）。65,66 其他神經(jīng)倫理學(xué)領(lǐng)域涉及隱私權(quán)、思想自由和自主權(quán)的問題，鑒于監(jiān)測和操控大腦活動的技術(shù)前景；同意和知情決策問題，這些問題可能特別影響弱勢群體或無法提供知情同意的人；使用神經(jīng)技術(shù)增強人類認(rèn)知能力的利弊；基于獲取途徑可能導(dǎo)致現(xiàn)有社會不平等加劇的可能性；以及對新神經(jīng)技術(shù)的監(jiān)管和治理。
聚類3（紫色）：顱內(nèi)腫瘤
最常見的研究與預(yù)測膠質(zhì)瘤或顱內(nèi)轉(zhuǎn)移性疾病患者的生存率相關(guān)。其中大多數(shù)使用了經(jīng)典的機器學(xué)習(xí)技術(shù)和/或放射組學(xué)，69 但至少有一項研究使用了基于臨床、MRI和分子病理數(shù)據(jù)整合的變換器深度學(xué)習(xí)技術(shù)。64
另一組大型研究旨在預(yù)測臨床上相關(guān)的腫瘤分子亞型（如O6-甲基鳥嘌呤-DNA甲基轉(zhuǎn)移酶啟動子甲基化狀態(tài)、異檸檬酸脫氫酶1型、α-地中海貧血/智力障礙、X連鎖膠質(zhì)瘤（包括腦和脊髓室管膜瘤）、腦膜瘤分級、原發(fā)性中樞神經(jīng)系統(tǒng)淋巴瘤的DNA甲基化狀態(tài)以及非典型畸胎樣/橫紋肌樣腫瘤亞型），以區(qū)分H3 K27改變型和H3 K27野生型高級別膠質(zhì)瘤、彌漫性中線膠質(zhì)瘤，和/或原發(fā)性中樞神經(jīng)系統(tǒng)淋巴瘤，或者預(yù)測腦轉(zhuǎn)移瘤的原發(fā)腫瘤類型。這些研究大多使用放射組學(xué)（提取形態(tài)、信號特征、邊界特征或紋理等定量特征），通常結(jié)合至少一種經(jīng)典機器學(xué)習(xí)方法（如支持向量機、隨機森林、XGBoost、樸素貝葉斯、回歸）來選擇最相關(guān)的放射組學(xué)特征。70,71 至少有一項研究使用了無監(jiān)督學(xué)習(xí)來選擇放射組學(xué)特征。72 另一組研究未使用放射組學(xué)，而是使用卷積神經(jīng)網(wǎng)絡(luò)（CNN），包括殘差網(wǎng)絡(luò)（ResNets），在某些情況下還使用3D CNN進行全腦分析，以直接從MR圖像中學(xué)習(xí)特征并預(yù)測腫瘤亞型。
腦腫瘤分割是幾項研究的重點。一項研究表明，目前最先進的基于CNN的腦腫瘤分割算法已經(jīng)達到了一個高水平的準(zhǔn)確率，即使是在大量真實世界多中心MRI數(shù)據(jù)上，也能適應(yīng)不同的協(xié)議并在某些情況下處理缺失序列的情況。75 使用深度學(xué)習(xí)生成合成數(shù)據(jù)的文章也出現(xiàn)在少數(shù)文獻中。生成對抗網(wǎng)絡(luò)（GAN）在一種情況下被用來生成合成T2 FLAIR圖像，當(dāng)時這些圖像未通過其他MRI序列采集；76 在另一種情況下用于生成超分辨率磁共振波譜成像，以更清晰地描繪腫瘤邊界和異質(zhì)性。
幾篇文章聚焦于“液體活檢”：腦脊液（CSF）蛋白質(zhì)組學(xué)和腦脊液脂質(zhì)組學(xué)通常結(jié)合經(jīng)典機器學(xué)習(xí)技術(shù)，用于確定膠質(zhì)瘤的DNA甲基化譜；血清或血液則被用于無創(chuàng)評估腦膜瘤手術(shù)切除后的復(fù)發(fā)可能性。
聚類4（紅色）：臨床神經(jīng)病學(xué)與神經(jīng)外科應(yīng)用
根據(jù)我們的分析方法，聚類4是最大的出版物集群。幾乎所有該聚類中的出版物都圍繞著人工智能在診斷和預(yù)后中的應(yīng)用這一共同主題。常見主題包括預(yù)測特定神經(jīng)系統(tǒng)疾病的結(jié)果（最常見的是中風(fēng)）、不同治療干預(yù)措施的有效性以及醫(yī)學(xué)圖像的自動化分析。近年來，一個相對較新的研究方向是使用自然語言處理從自由文本醫(yī)療記錄中提取可操作的信息，例如用于預(yù)測再入院率或識別高風(fēng)險患者。這一龐大的研究領(lǐng)域?qū)⒃诩磳⒊霭娴囊黄谖恼轮羞M行回顧。
聚類5和6（綠色、黑色）：阿爾茨海默病、腦齡
這些聚類包含大量出版物，其中大多數(shù)涉及神經(jīng)退行性疾病，主要是阿爾茨海默?。ň垲?），另有少數(shù)描述了利用影像技術(shù)確定與實際年齡無關(guān)的“腦齡”（聚類6）。
在聚類5中，大多數(shù)研究集中于阿爾茨海默病的認(rèn)知障礙診斷和認(rèn)知衰退預(yù)測。盡管在某些情況下使用了人工神經(jīng)網(wǎng)絡(luò)（ANN）和深度學(xué)習(xí)，但這些研究大多主要采用傳統(tǒng)的機器學(xué)習(xí)方法，包括廣義線性模型（線性回歸、邏輯回歸和Cox比例風(fēng)險模型）以及集成學(xué)習(xí)技術(shù)（包括隨機森林、梯度提升和XGBoost），以及其他監(jiān)督學(xué)習(xí)技術(shù)（如支持向量機）。然而，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像分類和分割方面表現(xiàn)出色，并繼續(xù)被廣泛用于MRI上腦區(qū)的分割，現(xiàn)在還被用于病理學(xué)中量化顳葉尸檢樣本中含tau蛋白的神經(jīng)原纖維纏結(jié)或β淀粉樣蛋白斑塊。一些研究聚焦于液體生物標(biāo)志物，包括血漿標(biāo)志物（如p-tau217、磷酸化tau蛋白（P-tau181）、β淀粉樣蛋白（Aβ42/40）、膠質(zhì)纖維酸性蛋白（GFAP）、神經(jīng)絲輕鏈（NfL））或腦脊液（CSF）標(biāo)志物（如CSF tau蛋白磷酸化模式）以及尿液蛋白質(zhì)組學(xué)，作為潛在的診斷或預(yù)后標(biāo)志物。一個持續(xù)的趨勢是多模態(tài)模型的開發(fā)，這些模型結(jié)合了越來越多類型的輸入數(shù)據(jù)（如MRI、PET、基因型、液體生物標(biāo)志物），用于軸向擴散率（AD）中的分類或預(yù)后（圖9）。81 最后，一些研究描述了使用監(jiān)督機器學(xué)習(xí)技術(shù)分析語音和語言，主要用于阿爾茨海默病的診斷或認(rèn)知障礙臨床進展的預(yù)測。
聚類7（黃綠色）：認(rèn)知與行為神經(jīng)科學(xué)、腦連接性、功能磁共振成像（fMRI）和擴散磁共振成像（DTI）
這一聚類的研究探討了健康個體和患有神經(jīng)或精神疾病的人群中，大腦區(qū)域在結(jié)構(gòu)和功能上的連接方式。大多數(shù)研究使用神經(jīng)影像數(shù)據(jù)來理解并預(yù)測健康個體的認(rèn)知能力或行為特征；神經(jīng)精神疾病的癥狀嚴(yán)重程度是否存在；或者研究健康個體大腦在系統(tǒng)層面的組織方式。
認(rèn)知能力和行為特征的研究
這一聚類中的許多研究使用神經(jīng)影像數(shù)據(jù)（如fMRI、DTI、結(jié)構(gòu)性MRI）來理解和預(yù)測認(rèn)知能力和行為特征。這些研究試圖識別神經(jīng)影像數(shù)據(jù)中的模式（例如，fMRI上的激活模式），以預(yù)測連續(xù)測量的認(rèn)知評估（如記憶、注意力、語言和執(zhí)行功能）或連續(xù)測量的行為特征（如特質(zhì)焦慮、沖動性和渴望）。82–85 除了行為數(shù)據(jù)外，這一聚類中的文章還使用其他臨床和人口統(tǒng)計學(xué)協(xié)變量（如年齡、性別），有時還包括遺傳信息。用于提取相關(guān)腦連接模式的技術(shù)包括基于連接組的預(yù)測建模（CBPM）、后循環(huán)-Lasso、深度學(xué)習(xí)、支持向量回歸和隨機森林等。CBPM是一種常用技術(shù)，它是一個具有“內(nèi)置交叉驗證”的框架，旨在從腦連接矩陣中提取最相關(guān)的特征，以預(yù)測某一變量（圖10）。84,88 盡管CBPM最初是在fMRI背景下開發(fā)的，但它也可以應(yīng)用于分析其他類型的數(shù)據(jù)（如擴散成像、EEG）。
神經(jīng)精神疾病
這一聚類中的其他研究通過對神經(jīng)影像數(shù)據(jù)（如fMRI、DTI和結(jié)構(gòu)性MRI）進行類似分析，來研究神經(jīng)或精神疾?。ㄈ缱蚤]癥、精神分裂癥、抑郁癥、注意力缺陷多動障礙和癲癇）中不同腦區(qū)的結(jié)構(gòu)和功能連接方式。這些文章關(guān)注的是神經(jīng)精神疾病，而不是健康人群的認(rèn)知或行為特征。盡管CBPM最初被證明可以基于fMRI數(shù)據(jù)預(yù)測正常（即非臨床）人群中諸如記憶、注意力和流體智力等認(rèn)知能力，84,88 但隨后也被用于研究這些臨床人群中神經(jīng)精神疾病的連續(xù)測量指標(biāo)（如癥狀嚴(yán)重程度）。獨立成分分析（ICA）是一種在此背景下使用的經(jīng)典統(tǒng)計方法，它將觀察到的fMRI信號分解為一組統(tǒng)計上獨立的成分，每個成分代表一個空間上獨特的、連貫的大腦活動模式，對應(yīng)于一個功能網(wǎng)絡(luò)。ICA通常用于檢查患者和對照組之間這些網(wǎng)絡(luò)的群體水平連接差異。在這組文章中，臨床評估通常由問卷和量表組成，用于評估精神癥狀和診斷標(biāo)準(zhǔn)，其他人口統(tǒng)計學(xué)和臨床信息，有時還包括遺傳信息。這一聚類與聚類4（臨床應(yīng)用，紅色）在主題上有部分重疊；那些更直接應(yīng)用于臨床精神病學(xué)且技術(shù)開發(fā)較少的研究出現(xiàn)在聚類4中，它們位于聚類4右上方，緊鄰聚類7。有研究強調(diào)，方法選擇的多樣性使得理解這些選擇對結(jié)果和解釋的影響至關(guān)重要（圖11）。
在計算精神病學(xué)這一過去十年新興的領(lǐng)域中，研究正在構(gòu)建針對成癮、抑郁癥、自閉癥譜系障礙和精神分裂癥等精神疾病的計算模型，以增進對這些疾病的了解并開發(fā)新的治療方法。13,80,91–93
健康個體的大腦組織
這一聚類中的第三個子組研究探討了健康個體大腦在系統(tǒng)層面的組織方式。利用fMRI揭示大腦組織方式的研究背景可以追溯到其誕生之初。到2000年代初，fMRI已被用來展示視覺皮層的某些關(guān)鍵層次和空間布局特性。初級視覺皮層的fMRI測量結(jié)果顯示，即使在沒有意識感知的情況下，也能重現(xiàn)人類觀看圖像的低級特征（如邊緣方向）。94 到2010年代初，fMRI測量還被證明能夠重現(xiàn)想象圖像的語義內(nèi)容，95 這表明感知和想象圖像的低級和高級語義內(nèi)容分別在視覺皮層的低級和高級水平上有所體現(xiàn)，這進一步強化了早期PET研究中觀察到的視覺皮層在想象圖像時的激活現(xiàn)象。13 后續(xù)研究使用由自然場景或講故事引發(fā)的fMRI顯示，語義理解激活了一個覆蓋大部分大腦皮層的特定“語義區(qū)域”網(wǎng)絡(luò)。96,97 更近的一項研究表明，從完全獨立的fMRI實驗中獲得的語義地圖位置具有顯著的一致性，其中一個實驗僅使用口頭故事作為刺激，另一個實驗則使用無聲電影作為刺激，這些地圖分布在視覺皮層邊界兩側(cè)的相對位置上。
健康個體大腦組織研究中的另一個新興領(lǐng)域是動態(tài)連接性，它創(chuàng)建了時間依賴的大腦連接模型，認(rèn)識到連接性并非靜態(tài)，而是會隨著時間變化，在幾秒到幾分鐘的時間尺度上發(fā)生變化，具體取決于大腦狀態(tài)，包括參與特定任務(wù)或暴露于某種刺激的情況。
成像方法這一聚類中的大多數(shù)文章包含對功能性磁共振成像（fMRI）數(shù)據(jù)的分析。在神經(jīng)影像技術(shù)發(fā)展之前，早期認(rèn)知和行為神經(jīng)科學(xué)家研究不同腦區(qū)功能的主要方法是通過觀察具有局灶性腦損傷的受試者。1980年代，正電子發(fā)射斷層掃描（PET）作為一種在不同心理過程中無創(chuàng)定位特定腦區(qū)激活的新方法，開辟了新的視野。另一個范式轉(zhuǎn)變發(fā)生在1991年，當(dāng)時首次展示了使用塊設(shè)計范式（交替進行視覺刺激和休息階段）來顯示人類視覺皮層活動的功能磁共振成像（fMRI）。86 由于fMRI沒有電離輻射，允許對受試者進行重復(fù)實驗，并且比PET具有更高的空間和時間分辨率，再加上到1990年代大多數(shù)醫(yī)院已經(jīng)配備了帶有fMRI功能的臨床MRI掃描儀，因此它迅速受到從事人類腦圖譜研究的認(rèn)知和行為神經(jīng)科學(xué)家的青睞。86,90
一些研究結(jié)合了fMRI和擴散磁共振成像（diffusion MRI），后者通過測量水分子的擴散來評估大腦白質(zhì)微觀結(jié)構(gòu)和結(jié)構(gòu)連接性。99 例如，結(jié)合fMRI和擴散MRI數(shù)據(jù)可以研究結(jié)構(gòu)-功能關(guān)系，并將其與行為/認(rèn)知測試（如記憶、注意力、語言）、臨床評估（如癥狀問卷）和人口統(tǒng)計學(xué)數(shù)據(jù)（如年齡、性別）相關(guān)聯(lián)，以嘗試預(yù)測個體的認(rèn)知和臨床特征或癥狀嚴(yán)重程度。有研究表明，通過fMRI獲得的功能性腦連接數(shù)據(jù)在預(yù)測認(rèn)知和行為指標(biāo)以及神經(jīng)精神疾病方面可能優(yōu)于僅通過擴散MRI獲得的結(jié)構(gòu)連接數(shù)據(jù)，而其他研究表明，在局灶性腦損傷患者中，結(jié)構(gòu)連接比功能連接更能準(zhǔn)確預(yù)測整體認(rèn)知能力。100
靜息態(tài)fMRI這一聚類中的很大一部分文章使用靜息態(tài)fMRI，其中功能性連接/腦網(wǎng)絡(luò)分析通過對未暴露于任何特定刺激或未參與特定認(rèn)知任務(wù)的受試者的區(qū)域血流低頻振蕩的相關(guān)性進行研究。1995年，也就是任務(wù)型fMRI首次展示后的幾年，一篇不太引人注目的文章描述了“靜息態(tài)fMRI”現(xiàn)象背后的原理——即使受試者既未參與任何特定任務(wù)也未接受任何特定刺激，不同腦區(qū)之間的低幅值、低頻振蕩（約0.1 Hz）血流波動仍存在相關(guān)性。對靜息態(tài)fMRI的興趣快速上升直到大約十年后才開始。靜息態(tài)fMRI提供了關(guān)于大腦功能組織的信息，也被稱作腦連接性fMRI。然而，由于區(qū)域間的fMRI功能連接并不一定意味著通過白質(zhì)實現(xiàn)的解剖學(xué)連接，也無法確定因果影響的方向，一些神經(jīng)科學(xué)家更嚴(yán)格地將這些稱為“相關(guān)性”。為了從fMRI中推斷因果關(guān)系，許多工作通過測量“有效連接性”來進行，最初使用傳統(tǒng)統(tǒng)計技術(shù)（如動態(tài)因果建模和格蘭杰因果關(guān)系），但其有效性存在爭議。然而，最近使用深度學(xué)習(xí)的研究可能代表了fMRI有效連接性的新前沿，101 這對于追蹤信息在大腦中的流動至關(guān)重要，而這些新的人工智能方法的性能可能會隨著fMRI采集、預(yù)處理和分析技術(shù)的逐步進步而繼續(xù)提高。
自2005年以來，報告的功能節(jié)點或網(wǎng)絡(luò)數(shù)量已從5個增加到超過350個。90 盡管尚無統(tǒng)一的命名約定，但在文獻中常見的網(wǎng)絡(luò)包括默認(rèn)模式網(wǎng)絡(luò)、顯著性網(wǎng)絡(luò)、執(zhí)行控制網(wǎng)絡(luò)、感覺運動網(wǎng)絡(luò)、視覺網(wǎng)絡(luò)、聽覺網(wǎng)絡(luò)、額頂網(wǎng)絡(luò)和小腦網(wǎng)絡(luò)。102 確定功能連接的最常見分析技術(shù)包括低頻波動幅度和低頻波動分?jǐn)?shù)幅度、區(qū)域同質(zhì)性、圖論、基于種子的功能連接和獨立成分分析。102
任務(wù)型或事件相關(guān)fMRI這一聚類中的許多其他文章使用任務(wù)型或事件相關(guān)fMRI來研究特定認(rèn)知任務(wù)或感官刺激期間的大腦活動和連接性。1991年首次展示的fMRI研究，86,90 顯示了人類視覺皮層的活動，使用的是交替進行視覺刺激和休息階段的塊設(shè)計范式。隨后，開發(fā)了其他范式來激活大腦的某些區(qū)域并提取相關(guān)信號。
自然刺激在過去的十年中，使用“自然刺激”作為一種策略越來越普遍，這種策略旨在讓大腦在fMRI采集過程中被“激活”，這種方式更接近于日常生活的常見體驗，而不是狹隘的刻板刺激或任務(wù)。103 受試者在fMRI采集期間觀看電影、聽故事，或者從多種動作/刺激菜單中選擇以自己的節(jié)奏執(zhí)行或體驗。盡管這些自然刺激較為復(fù)雜，但可以記錄下特定明確的目標(biāo)刺激發(fā)生的時刻。通過將隨時間變化的神經(jīng)活動圖像（基于血流動力學(xué)響應(yīng)函數(shù)）與標(biāo)記特定刺激發(fā)生的時間依賴性函數(shù)進行卷積，就可以識別出由該刺激激活的大腦區(qū)域?！熬幋a”是引入的一個術(shù)語，用來指代這種技術(shù)，用以繪制大腦區(qū)域與盡可能多的特定刺激之間的對應(yīng)關(guān)系。96,104
盡管靜息態(tài)fMRI被稱為“腦連接性fMRI”，為靜息態(tài)fMRI開發(fā)的相同分析技術(shù)也可以用于上述任務(wù)誘發(fā)和自然刺激期間采集的fMRI數(shù)據(jù)。近年來，研究者還利用任務(wù)誘發(fā)的fMRI和自然刺激期間的fMRI來研究腦連接性。任務(wù)誘發(fā)和自然刺激的fMRI展示了在特定刺激或任務(wù)期間大腦不同區(qū)域如何協(xié)同工作，而靜息態(tài)fMRI則揭示了靜息狀態(tài)下的功能連接。事實上，最近的研究表明，基于任務(wù)和基于自然刺激的連接性圖譜可能在預(yù)測某些特征以及神經(jīng)精神障礙方面表現(xiàn)更好。
語音與思維的“神經(jīng)解碼”
這一聚類還包括在fMRI數(shù)據(jù)解碼方面的顯著進展，這些進展只有通過使用大型語言模型才得以實現(xiàn)。以往利用fMRI進行語言解碼的演示局限于從有限數(shù)量的可能詞序列中確定正確的輸出，這是因為將緩慢的血氧水平依賴（BOLD）信號振蕩（約0.1 Hz）轉(zhuǎn)化為語音（通常以每秒超過2個詞的速度生成）存在“病態(tài)逆問題”。在一項新的里程碑研究中，能夠構(gòu)建連續(xù)的詞序列，捕捉感知語音、想象語音甚至無聲視頻的語義內(nèi)容（在某些情況下甚至是確切的詞語）。106
研究人員通過使用大型語言模型生成給定詞之后最有可能出現(xiàn)的下一個詞的候選集，并計算每個候選詞產(chǎn)生所測量到的BOLD信號的概率，從而實現(xiàn)了這一突破。算法并沒有立即丟棄所有“落選”的候選詞，而是保留了前k個候選詞，并為每個前k個候選詞生成更可能的下一個詞。通過組合方法保留候選詞串，當(dāng)下一個時間點的BOLD信號可用時，這些新的候選詞串再次被重新排序（圖12）。
第8類：分子生物學(xué)
雖然在VOSViewer中，這個聚類較為分散，只有在高分辨率設(shè)置下才可見，但仍值得關(guān)注?？臻g轉(zhuǎn)錄組學(xué)在過去十年中迅速發(fā)展，它能夠?qū)φ麄€組織樣本中的單個細(xì)胞的全轉(zhuǎn)錄組及其空間位置進行映射。深度學(xué)習(xí)在這一快速進步中發(fā)揮了關(guān)鍵作用，通過實現(xiàn)基于基因表達模式的細(xì)胞類型高通量原位分類，同時保留細(xì)胞在組織樣本中的空間位置，從而降低了成本（見圖13）。除了細(xì)胞類型分類，深度學(xué)習(xí)算法還用于識別基因表達數(shù)據(jù)的空間模式，并將空間轉(zhuǎn)錄組學(xué)數(shù)據(jù)與其他數(shù)據(jù)（如成像）進行整合。今年的一項研究采用這種技術(shù)表明，在去核小鼠中，視覺區(qū)域細(xì)胞的轉(zhuǎn)錄譜向同一模塊中相鄰皮層區(qū)域的轉(zhuǎn)錄譜靠攏；這表明感覺輸入對于“細(xì)化”皮層模塊內(nèi)區(qū)域的詳細(xì)特異性轉(zhuǎn)錄組譜至關(guān)重要。這個例子展示了空間轉(zhuǎn)錄組學(xué)與實驗設(shè)計相結(jié)合（在其中進行遺傳或環(huán)境干擾）將為理解細(xì)胞功能、細(xì)胞間相互作用、組織結(jié)構(gòu)以及疾病機制創(chuàng)造前所未有的機會。
這項“鳥瞰式”調(diào)查使用了文獻耦合方法，對神經(jīng)科學(xué)領(lǐng)域中包含“人工智能”和“機器學(xué)習(xí)”相關(guān)關(guān)鍵詞的研究文章和綜述文章的一個子集進行了分組。相比于共引網(wǎng)絡(luò)，文獻耦合網(wǎng)絡(luò)的一個優(yōu)勢在于，它對于非常近期的文章（例如過去幾個月內(nèi)發(fā)表的）更加有效，因為這些文章存在時間尚短，尚未被廣泛引用。然而，這種方法也有其局限性（見“局限性”部分）。不過，這個“萬米高空概覽”的目標(biāo)是提供一個人工智能在神經(jīng)科學(xué)各子領(lǐng)域應(yīng)用的近似表征，而不是準(zhǔn)確量化這些子領(lǐng)域的研究活動相對水平。
在本文使用的文獻計量分析方法的限制下，我們識別出了過去十年中人工智能與神經(jīng)科學(xué)交叉領(lǐng)域的若干趨勢。新的AI技術(shù)被開發(fā)為推動許多子學(xué)科進展的關(guān)鍵工具。例如，在過去的十年里，臨床神經(jīng)學(xué)應(yīng)用領(lǐng)域出現(xiàn)了巨大的增長——卷積神經(jīng)網(wǎng)絡(luò)（CNN）被用于醫(yī)學(xué)圖像的分類和分割、圖像增強以及更快的圖像采集，而人工神經(jīng)網(wǎng)絡(luò)（ANN）則廣泛應(yīng)用于診斷和預(yù)測神經(jīng)系統(tǒng)疾病的其他臨床場景中。過去十年還見證了AI在神經(jīng)“編碼-解碼”演示中的驚人進步，例如，CNN和大型語言模型使計算機能夠?qū)崟r翻譯腦記錄信號，無論是侵入式的還是非侵入式的（如ECoG和fMRI），轉(zhuǎn)換為流利的語言、圖像和表達的思想。CNN在這方面起到了關(guān)鍵作用，例如將來自ECoG和深度腦植入物的信號轉(zhuǎn)化為殘疾人士的流利語音，以及重建受試者觀看的圖像。大型語言模型同樣在“編碼-解碼”fMRI信號中發(fā)揮了重要作用，用于生成人們觀看的電影或閱讀的故事的文字?jǐn)⑹觥４送?，在過去十年中，利用功能性磁共振成像（fMRI）和擴散數(shù)據(jù)進行腦連接性分析的努力已經(jīng)擴展到個體診斷，而不僅僅是展示患者與對照組之間的“群體差異”，尤其是在神經(jīng)和精神疾病領(lǐng)域。
在過去十年中，CNN作為一種關(guān)鍵的圖像處理工具，使得果蠅大腦和小鼠視覺皮層的一小部分完整的神經(jīng)元“接線圖”得以生成。繪制整個小鼠大腦的努力正在進行中。這些高度資源密集型工作的驅(qū)動力在于，人們相信了解這些地圖在突觸水平上的細(xì)節(jié)，對于理解神經(jīng)元群體在回路和系統(tǒng)層面的高階相互作用至關(guān)重要。由此推論，理解并“逆向工程”最原始的感覺運動能力，不僅是通往更通用智能的重大進步的必要條件，也是充分條件。未來十年，很可能會看到構(gòu)建AI模型的努力，這些模型將越來越符合生物神經(jīng)元的復(fù)雜形態(tài)、神經(jīng)遞質(zhì)和連接類型，這些信息正通過繪制完整神經(jīng)元接線圖的工作逐步揭示出來，涵蓋從突觸水平到整個生物體的大腦。
上述例子描述了AI在過去十年中為神經(jīng)科學(xué)的各個子領(lǐng)域提供了新的實用工具，從而推動了新發(fā)現(xiàn)和成就的實現(xiàn)。此外，生物神經(jīng)元行為的計算模型也取得了進展。大約十年前，實驗技術(shù)的進步使得從物理大腦中以前所未有的空間和時間尺度獲取并行原位神經(jīng)元記錄成為可能。這促進了計算神經(jīng)科學(xué)與回路和系統(tǒng)神經(jīng)科學(xué)之間的重疊，通過允許計算模型與實驗數(shù)據(jù)之間的迭代反饋——將新計算模型的輸出與新實驗數(shù)據(jù)進行比較，從而實現(xiàn)模型驗證和改進的迭代過程。例如，過去十年見證了ANN作為腹側(cè)視覺通路、聽覺皮層和其他語言區(qū)域神經(jīng)元計算響應(yīng)模型的進展。另一個例子是，盡管微分方程一直是描述神經(jīng)過程最常見的數(shù)學(xué)方法，但現(xiàn)在可以利用模擬這些微分方程的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）直接在大量新實驗數(shù)據(jù)上進行訓(xùn)練。
圖1中的不同研究出版物集群在某種程度上對應(yīng)于調(diào)查的空間和時間尺度。在未來十年，AI以及其他神經(jīng)影像學(xué)、腦記錄技術(shù)和其它工具的技術(shù)進步無疑將繼續(xù)縮小不同子學(xué)科中實驗數(shù)據(jù)分辨率的時空尺度差距。然而，鑒于這些時空尺度的巨大差異，隨著AI繼續(xù)推進每個子學(xué)科的發(fā)展，概念上的差距可能會比時空尺度的差距更早得到填補?；蛟S類似于經(jīng)典力學(xué)、熱力學(xué)、統(tǒng)計力學(xué)和量子力學(xué)，這些子學(xué)科將繼續(xù)作為獨立且基本的框架，最適于描述在大規(guī)模不同的時空觀察尺度上的現(xiàn)象。
在此分析方法中包含的文章集合中，其他模式包括帶有AI相關(guān)關(guān)鍵詞的出版物的增長，過去十年中這類文章數(shù)量的倍增時間為4.6年，以及臨床精神病學(xué)和阿爾茨海默病及其他神經(jīng)退行性疾病領(lǐng)域與基礎(chǔ)研究領(lǐng)域的顯著且不斷增長的重疊。
多年來，AI及其應(yīng)用在普及性和可及性方面經(jīng)歷了顯著增長。這一點在臨床神經(jīng)學(xué)中AI相關(guān)文章的急劇增加中尤為明顯。隨著AI工具的日益普及以及臨床醫(yī)生對其逐漸熟悉，我們預(yù)計這一趨勢在未來幾年只會加速。
強化學(xué)習(xí)主要被用于研究獎勵與決策，相較于神經(jīng)科學(xué)的其他子學(xué)科。這些模型為大腦如何將行動與獎勵和懲罰聯(lián)系起來，以及這種學(xué)習(xí)如何影響決策提供了見解。然而，隨著AI強化學(xué)習(xí)技術(shù)在加速科學(xué)研究中的應(yīng)用增加，例如AlphaFold的開發(fā)（該成果因在合成生物學(xué)領(lǐng)域的貢獻而榮獲2024年諾貝爾化學(xué)獎），我們可以期待在不久的將來涌現(xiàn)出大量采用這些方法的新神經(jīng)科學(xué)研究和實驗技術(shù)。
局限性
這項工作存在一些局限性。它是一項廣泛但較為表面的調(diào)查，僅包括被Web of Science索引的期刊。一個顯著的遺漏是預(yù)印本服務(wù)器（如arXiv、bioRxiv、medRxiv和PsyArXiv）上的出版物以及會議論文集中的內(nèi)容。這兩種形式在基礎(chǔ)科學(xué)研究中已日益成為主要的發(fā)表方式。另一個遺漏是沒有涵蓋那些未處于期刊影響因子（JIF）前四分之一的神經(jīng)科學(xué)出版物；其中一些是專業(yè)期刊，盡管讀者群體較小，但質(zhì)量極高。因此，計算神經(jīng)科學(xué)和基礎(chǔ)科學(xué)研究可能被低估，導(dǎo)致不同集群中出版物數(shù)量的相對偏差。此外，那些過于新而尚未獲得影響因子的期刊中的文章也未被納入。
用于對出版物進行分組的無監(jiān)督聚類算法基于文獻耦合，這種方法可能會將相似性較低的文章關(guān)聯(lián)在一起，特別是當(dāng)引用的許多出版物是關(guān)于某個廣泛領(lǐng)域或?qū)W科的非常通用的參考文獻時。文獻耦合可能受到偏見的影響，例如可能存在一種傾向，即引用知名文章或高影響力期刊，即使它們與文章的具體主題相關(guān)性較弱。此外，我們在使用VOSViewer構(gòu)建網(wǎng)絡(luò)時采用了“默認(rèn)”分辨率級別，因此細(xì)節(jié)層次并不特別精細(xì)。
正如所討論的那樣，有若干集群圍繞臨床神經(jīng)疾病組織而成。這些集群可以進一步細(xì)分為更小的子集群，這將有助于識別不僅與同一種神經(jīng)系統(tǒng)疾病或狀況相關(guān)，而且在方法論（包括機器學(xué)習(xí)的類型）、分析的數(shù)據(jù)類型或其他特征上具有共同點的研究工作。
原文鏈接： https://www.liebertpub.com/doi/pdf/10.1089/ains.2024.0001
熱門跟貼