Trends in Cognitive Sciences：采用精准方法提高大脑-行为关系预测

从大脑特异性中预测个体行为特征具有广泛的实际应用，但预测结果差异很大。这种限制可能由大脑和行为变量中的信号和噪声组合驱动。本文扩展了这一想法，强调了扩展采样“精准”研究的潜力。首先，我们讨论了它们通过最小化测量噪声来提高个体化估计可靠性的相关性。其次，我们回顾了当与目标内实验相结合时，个体化分析或建模框架如何最大化信号。精准设计带来的信噪比改进有助于提升预测研究。最后，我们讨论了将精准方法与大型样本联盟研究相结合，以利用各自的优势。

1. 扩大样本量以可靠地从大脑测量预测行为

阐明大脑与行为测量之间的联系可以揭示行为表型的神经基础。在这一领域，一种方法已经聚焦于人们大脑结构或功能上的差异如何与认知或心理健康指标上的个体差异相关联，这种方法被称为“全脑关联研究”（BWAS）（图1A）。BWAS，特别是那些旨在使用机器学习和交叉验证在未见数据中预测结果的研究（图1C），为使用脑成像进行诊断和精神障碍的预后，以及预测教育和人力资源领域的未来表现和结果提供了一个强大的工具。

然而，过去十年中，全脑关联研究（BWAS）中较差的可重复性问题受到了越来越多的关注，这限制了BWAS以及更广泛的认知神经科学在实现转化目标方面的实用性。一个主要问题是依赖于小样本研究。该文的目标是综述限制当前BWAS的因素，特别是聚焦于临床关注度高但预测性能低的行为变量，这里我们强调两大潜在瓶颈：测量噪音过大和有效信号微弱。一种解决方案是着力提升个体层面的估计精度，例如采用精准测量法。这类方法（亦称"深度""密集"或"高频采样"法）通过跨场景多日密集采集个体数据，并在分析中严格校正信号对齐偏差及变异源。

图片

图1 大脑特征与行为变量之间联系

2. 目前BWAS的成功与局限

联盟研究为评估BWAS的成功和局限性提供了可能（图2），主要的成功之处如下所示：

‌（1）功能性脑成像（如功能连接）在预测行为方面通常比结构性脑成像（如皮层厚度）表现得更好。（2）基于任务的fMRI（task fMRI）通常比静息态fMRI（resting-state fMRI）能更好地预测行为，可能原因是任务态fMRI放大了与行为测量相关联的潜在过程。（3）结合多种脑特征信息的多变量机器学习方法在预测行为方面表现优于单变量方法。（4）基于计算机测试的认知测试分数通常比自评问卷更容易被预测，例如，词汇测试和阅读测试的认知任务在HCP数据集中表现出最高的预测准确率。（5）针对个体特异性大脑结构和功能连接进行建模，可以显著提高行为预测的精度。

主要的局限性如下：

‌（1）尽管大型联盟数据集（如HCP、ABCD、UK Biobank）增加了样本量，但测量噪声和个体数据不足仍然是限制因素。这可能导致对个体差异的估计不准确，从而影响预测模型的性能。（2）不同认知任务的预测性能存在显著差异。例如，词汇测试的预测准确率较高，而抑制控制任务的预测准确率较低。可能原因是某些任务设计可能限制了对个体认知能力的精确评估。（3）抑制控制等任务的试次间变异性高，导致基于少量试次的行为估计噪声大。（4）模型泛化能力差‌：预测模型在不同性别、年龄或种族群体中的泛化能力较差。（5）大多数当前可重复的BWAS效应量很小，这限制了其在实际应用中的有效性。

通过总结这些成功与局限，研究强调了采用精准方法（如增加个体数据量、实施受控的个体内实验设计、使用个体化测量和神经生物学建模）来提高BWAS预测性能的重要性。

图片

图2 全脑关联研究（BWAS）方法与更成功的预测有关

3. 使用精准方法提高预测性能

我们提出了两条主要路径，通过使用实验方法来最大化信号并最小化噪声，从而改进对脑与行为关联的研究。在本文中，我们进一步阐述了这些观点，回顾了最近的证据，表明精准方法可以通过以下方式提高统计效力：(i) 通过增强测量的可靠性来最小化噪声，以及 (ii) 通过提高测量的有效性来最大化信号（图3）。

图片

图3

3.1 最小化噪声

对于皮层功能的个体水平精度，每个参与者需要超过20-30分钟的fMRI数据。此外，延长认知任务的持续时间（例如，从5分钟到60分钟）可以改善预测性能。不足的数据量会导致高测量误差，进而影响个体内变异性和个体间变异性的估计，噪声会削弱脑与行为之间的相关性，降低机器学习分类算法的预测准确性。通过一项关于抑制控制任务的精准行为数据集研究（图4），发现当每个参与者收集超过1000次试次时，个体估计的一致性显著提高（ICC=0.89），而联盟方法（收集数千名参与者的有限个体数据）的一致性相对较低（ICC=0.38）。

图片

图4 最小化个体水平噪声的重要性

3.2 最大化信号

信号最大化是通过实验设计和分析方法增强目标神经信号的有效策略。其核心实现路径包括（1）实验条件优化：采用任务态fMRI替代静息态扫描，通过认知任务激发特定神经回路活动；设计对比实验范式（如抑制控制任务中的一致/不一致试次）分离目标认知过程。（2）个体化测量技术‌：基于个体功能连接特征定义脑区，相较组水平模板可提升信号特异性达2.7倍；采用动态功能连接分析捕捉神经活动的时变特征。（3）计算建模增强‌：应用漂移扩散模型等计算框架，从行为数据提取更纯净的认知过程指标；通过神经解码算法直接映射脑活动模式与行为变量的定量关系。

4. 整合两种途径迈向预测可靠性

大规模联盟研究在泛化能力和处理跨个体变异方面表现出色，但可能在个体水平特征的精确测量上存在不足。相反，精准研究能够提供高精度的个体水平估计，但受限于样本量，可能难以直接泛化到更广泛的群体。结合这两条路径可以充分利用各自的优势，同时弥补各自的不足。通过精准研究识别出重要的脑与行为关联特征，并在大规模联盟研究中验证这些特征的普适性和可靠性，从而提升整体研究的可信度和实用性。

从精准研究到大规模联盟研究‌：首先，通过精准研究在少量参与者中深入探索脑与行为的关联特征。一旦识别出重要的关联特征，就可以在大规模联盟研究中进一步验证这些特征的存在和普适性。

‌从大规模联盟研究到精准研究‌：另一方面，也可以先利用大规模联盟研究揭示跨个体的普遍关联模式，然后通过精准研究在个体水平上深入探索这些关联模式的机制和动态变化。

5. 总结

尽管在脑与行为关联研究（BWAS）领域取得了显著进展，但当前设计的一个主要局限是脑和行为测量的个体水平精度较低。精准方法通过关注更有效的大脑功能和行为测量手段，提供了一种减少测量噪声并增强信号的手段。我们共同呼吁，除了关注总参与者数量外，还应更加重视每位参与者收集的数据量和形式，以提高BWAS的效果。未来的研究可能会通过结合这类精准研究与联盟研究而获得额外的动力。

参考文献：Using precision approaches to improve brainbehavior  prediction.