【Nature重磅】机器学习验证全新脑图谱，脑科学及AI超凡一步

【新智元导读】今天Nature刊文，华盛顿大学研究人员结合多种成像技术，利用机器学习系统，绘制了全新的人脑图谱。通过使用更精确的划分方法，研究人员证实了此前已经确定的 83 个脑区，还发现了 97 个全新的脑区。学界权威评论称，这是朝向理解人脑组织和功能结构的“超凡一步”，有望成为今后描述人脑的基础。更重要的是，该项目使人工智能上升到一个新的阶段：利用脑图谱，在智能系统设计方面，可以明确脑功能基本单元的划分及其连接模式，从多尺度揭示脑信息处理机制，为新型智能信息处理系统的设计提供启示。

7月21日，Nature 刊文，华盛顿大学圣路易斯分校的研究人员 Matthew Glasser、David Van Essen 等人，用 MRI 扫描了 210 位健康成年人的脑后，使用得到的多种图像数据，结合机器学习系统，制作了精确的人脑图谱。

作者将他们的神经解剖学图谱称为 “Human Connectome Project Multi-Modal Parcellation version 1.0（HCP-MMP1.0）”。

【点击观看2分钟视频】

HCP-MMP1.0：华盛顿大学圣路易斯分校的研究人员结合三种不同的成像技术以及机器学习系统，绘制了全新的脑图谱，包括左右半脑皮层各 180 个不同脑区。左边两列是三维构图，右边一列是二维构图。其中，红色表示与听觉有关的脑区，绿色表示感知及运动脑区，蓝色表示视觉相关脑区（黑色和白色详见下文）。来源：balsa.wustl.edu/WN56

HCP-MMP1.0 将左右半脑各分为 180 个具体的脑皮层区，其中有多达 97 个区域是首次被发现。不仅如此，作者还使用机器学习技术，在另外 210 名参与者中验证图谱的正确性。作者在论文“A multi-modal parcellation of human cerebral cortex”中称，虽然存在个体差异，但他们的方法能准确识别出新参与者脑中的这些区域。

这 210 位健康成年人都是“人类连接组计划”（Human Connectome Project）的参与者。人类连接组计划由 NIH 主持，于 2013 年全面展开，美国政府在这个项目上投入超过 4000 万美元。该计划旨在了解人脑功能基础，共享有关人脑结构和功能连接的神经通路数据映射图。

加州大学旧金山分校的神经科学家 Duan Xu 以评论者的身份，在接受 MIT Technology Review 的采访时表示，很高兴看到人类连接组计划得出如此高精的成果。

中科院首个活体全脑连接图谱

此前，学界最常用的脑图谱是100多年前，德国神经科学家布罗德曼（Brodmann）在单个人的尸体组织标本上，利用细胞构筑绘制的“布罗德曼图谱”。目前，虽然有实验室利用超薄切片技术、染色技术及显微观察技术，准备基于脑标本的超薄切片构建细胞构筑概率脑图谱，但仍然不能针对特定个体进行脑区划分，从而导致许多功能复杂脑区的功能亚区边界划分不明。

脑区的功能亚区边界划分不明一直以来都是脑科学研究领域的一大问题。

就在本月月初，中科院自动化所脑网络组研究中心发布了全新的人类脑图谱。中科院自动化所脑网络组研究中心的蒋田仔团队，联合国内外其他团队经过 6 年努力，制作出包括 246 个精细脑区亚区的脑图谱，比传统布罗德曼图谱精细 4~5 倍，有客观精准的边界定位，也是世界上首次从宏观尺度上建立的活体全脑连接图谱。

自动化所脑网络组研究中心的研究人员利用脑结构和功能连接信息的新思路，绘制脑网络组图谱。通过多模态活体脑磁共振成像和静息态功能磁共振成像，研究人员定量地测量了脑内神经纤维束的行走，并且计算了两个脑区在一定时间范围内的功能连接信息。

人类脑网络组图谱：由中科院蒋田仔团队等绘制的全新的人类脑图谱，包含了 210 个大脑皮层脑区与 36 个皮层下核团亚区结构，而且定量描绘了不同脑区、亚区的解剖与功能连接模式。

静息态功能磁共振成像是近年来研究脑功能，特别是脑网络连接的一种重要方法，具有可以被各种功能、认知障碍患者接受等优点。参与实验的被试者在保持清醒的休息状态下，进行磁共振扫描，不需要完成特定任务，只需完全放松、闭眼、平静呼吸、尽量保持头部静止不动，避免任何系统性的思维活动。

更精确的划分方法，识别新脑区

而本研究有所突破的地方在于，研究人员使用人类连接计划的数据，以及一种半自动的神经解剖方法（多模态 parcellation），将大脑分割成不同区域，然后对每个区域进行分析。此外，有些图像是在参与者进行数学计算、听故事或者对事物进行归类（如分辨一幅图像中画的是工具还是动物）的情况下扫描得到的。

因此，文章开始第一幅图中，白色表示正在执行任务的脑区，而黑色则表示没有执行任务的脑区（实际上颜色介于黑白之间，颜色越白说明该脑区活跃度越大）。

研究人员使用多模态 parcellation 对人类连接组计划数据进行分析的结果示例。parcellation 方法由数据驱动，比传统分区体系更加客观。

传统的分区体系（如布罗德曼）含有很多主观成分。而本文使用的 paecellation 方法是由数据驱动的，包括功能和结构成像等多通道数据，对脑区的划分结果也相对更为客观。由此，Glasser 等人也得以在结果中确定此前已经确定存在的 83 个脑区，并且发现 97 个新的脑区。

为了验证分区数据是否准确，研究人员又使用该方法分析了 210 名健康成年人的脑扫描数据。但就像上文所说，paecellation 方法由数据驱动，而要分析这么大量的数据是十分困难的。

因此，为了使系统能够自动识别出新发现的这些区域，研究人员训练了一个机器学习系统，使用监督学习算法，将每个不同脑区的特征自动分类，最后结果准确率为 96.6%。也就是说，分区重复率比较高，表示作者使用的这种分区方法是比较准确的。

使用机器学习系统对脑区划分进行验证，其中，黄色区域代表重复率100%的脑区，而最低的重复率平均也达到了 73%。

论文的第一作者 Matthew Glasser 在与论文同时发布的新闻稿中写道，这种情况可以类比天文学从使用望远镜、只能得到模糊影像的时代，跨越到太空望远镜时代。

德国于利希研究中心神经科学与医学研究所的神经科学家 Simon Eickhoff 在接受《卫报》采访时评论，该研究是朝向理解人脑组织和功能结构的“超凡一步”。

牛津大学计算神经科学家 Timothy Behrens 评论称，该研究将为脑科学研究带来重大转变，从今以后，科学家都将以该图谱作为描述人脑的基础。

倡导数据公开，促进脑科学及人工智能发展

HCP-MMP1.0 的数据已经公开，供世界所有研究人员共享。Glasser 也表示，HCP-MMP 目前只是“1.0”，将来还会得到进一步完善，届时可应用于所有人。

中科院脑网络组图谱也在网站公开（http://atlas.brainnetome.org) ，以在线显示以及软件下载的方式提供给国内外相关研究领域的科研人员和临床医生免费使用。

Nature 今天也刊发社论，指出要停止医疗数据私有化，提倡数据公开共享。

该图谱可临床应用于神经外科，并通过与其他灵长类动物进行比较，为人类认知演化带来新的认识。该研究将使人类加深对人脑的理解，并在脑疾病诊疗方面得到进展。

更重要的是，由此带来的结果将使人工智能上升到一个新的阶段。利用脑图谱，在智能系统设计方面，可以明确脑功能基本单元的划分及其连接模式，从多尺度揭示脑信息处理机制，为新型智能信息处理系统的设计提供启示。