人工智能模型绘制大脑动态图谱助力心理健康诊断

摘要：一种新的自适应大脑建模框架为神经精神疾病的客观诊断带来新希望，目前这类疾病缺乏可靠的神经影像生物标志物。研究人员利用改进版的朗道 - 斯图尔特（Landau - Stuart）振子模型模拟大脑活动，以更好地捕捉个体特异性神经动力学。将其应用于重度抑郁症（MDD）和自闭症谱系障碍（ASD）患者的功能磁共振成像（fMRI）数据时，该模型分类准确率更高，并识别出有生物学意义的区域生物标志物。这一突破有助于为更个性化、基于大脑的诊断和治疗方法铺平道路。

关键事实：

• 模型创新：新框架通过自适应学习和梯度调制改进个体层面的大脑动力学模拟。
• 诊断准确性：该模型在识别MDD和ASD方面优于传统方法，有临床实用性。
• 生物标志物见解：丘脑和楔前叶等大脑区域成为与情感和社交障碍相关的潜在诊断生物标志物。

来源：研究

神经精神疾病在全球高发，严重损害认知、情绪调节和社交功能。然而，其诊断仍主要依赖主观评估，缺乏稳定的神经影像生物标志物。本研究聚焦于朗道 - 斯图尔特（LS）振子模型，通过调节全局耦合强度（G）和分岔参数（a）来模拟血氧水平依赖（BOLD）信号，以捕捉大脑区域在不同意识状态和病理条件下的动态演变。值得注意的是，丘脑和顶叶皮层的分岔参数分别与汉密尔顿抑郁量表（HAMD）和孤独症诊断观察量表（ADOS）得分显著相关，表明这些区域可能在情绪和社交功能障碍中起关键作用，有作为神经生物标志物的潜力。

为提高个体层面的适应性和参数拟合稳定性，西安交通大学生命科学与技术学院的蒋俊杰博士和黄自刚博士带领的研究团队利用合成网络和数据进行了大量模拟。他们提出一种新颖、可推广的自适应全脑动态预测框架。通过纳入个性化初始化策略、可变学习率、特定特征梯度调制以及结合梯度调整机制的近似损失函数，该模型大幅提高了重建个体特异性BOLD动力学的能力。这种方法有效克服了传统建模技术固有的收敛性和准确性局限。大量模拟和实证分析证实，该方法在个体间能提供稳健且可推广的参数估计性能。

该方法进一步应用于两个大规模真实世界的fMRI数据集（重度抑郁症和自闭症谱系障碍），实现了个体层面大脑动力学的精确重建。结果表明，与传统方法相比，该模型估计的分岔参数能更准确地捕捉静息态BOLD特征。此外，该方法在MDD亚型分类和诊断以及区分ASD患者与健康对照方面取得了高分类准确率，明显优于传统基于功能连接性的模型。后续分析揭示了健康和病理状态下海马体、辅助运动区、扣带皮层、脑岛和楔前叶存在显著区域差异。值得注意的是，丘脑和顶叶皮层的分岔参数分别与HAMD和ADOS得分显著相关，表明这些区域可能在情绪和社交功能障碍中起关键作用，有作为神经生物标志物的潜力。

展望未来，工作可能集中于完善模型的理论基础，并将其与结构连接组学、时变建模和图神经网络技术相结合。这些进展有望提高其生理可解释性和预测能力，促进转化为临床诊断、反馈系统和个性化神经调节策略。

作者：田田 来源：研究 联系方式：田田 - 研究 图片：图片来源于《神经科学新闻》

自适应全脑动力学预测方法：与精神疾病的相关性 传统参数拟合技术缺乏精度，限制了广泛应用。我们还开发了近似损失函数和梯度调整机制，提高参数拟合准确性和稳定性。这种严格的验证对临床应用至关重要，为神经精神研究中的精确神经病理学识别和新疗法铺平道路，在临床神经学中显示出巨大潜力。