PNAS：深度学习模型揭示人类功能性大脑组织的性别差异

本期推荐一篇2024年2月发表在PNAS的论文《深度学习模型揭示了人类功能性大脑组织中可复制、可推广且与行为相关的性别差异》。在探索人类大脑的奥秘时，科学家们一直对性别是否影响大脑功能组织充满好奇。长期以来，人们普遍认为男性和女性在心理和行为上存在差异，但这些差异是否源自大脑结构和功能的性别特异性，一直是神经科学研究的热点话题。近年来，随着人工智能技术的迅猛发展，科学家们开始利用深度学习模型来探索这一问题。该研究即采用了时空深度神经网络（stDNN）来分析功能性磁共振成像（fMRI）数据，揭示了男女大脑在功能上是否存在可复制、普遍适用且行为相关的差异。

唧唧堂心理学论文导读会员（导读超千篇）

研究使用了三个独立队列的fMRI数据：人类连接组项目（HCP）、纳森·克莱因研究所-洛克兰样本（NKI-RS）和马普莱比锡心智-大脑-身体（MPI Leipzig Mind-Brain-Body）队列。HCP队列作为主研究对象，其数据量大、质量高，适合深入分析。研究者开发了一种基于时空深度神经网络（stDNN）的模型，该模型能够处理fMRI数据的时空特性。通过训练这个模型识别和区分男性和女性大脑的功能性活动模式，研究者探索了性别如何影响大脑功能组织。

为了验证模型的准确性和可复制性，研究者在HCP队列中进行了交叉验证，并在NKI-RS和MPI Leipzig队列中进行了可复制性测试。这些步骤证实了模型在不同数据集中的普遍适用性和可靠性。研究者进一步使用解释性AI（XAI）技术来解析stDNN模型的预测结果，识别哪些大脑区域在性别差异中扮演关键角色。通过XAI，研究者能够理解模型是如何基于大脑功能特征区分性别的，从而揭示了默认模式网络、纹状体和边缘网络等关键区域与性别差异的显著关联。最后，研究者探索了大脑功能性别差异与行为表现之间的关系。通过分析大脑功能特征与性别特定的认知行为模式之间的联系，研究揭示了性别如何影响个体在特定认知任务上的表现。

唧唧堂心理学论文导读会员（导读超千篇）

研究表明，stDNN模型能够以超过90%的交叉验证准确率区分男性和女性的大脑，显示出高度的可复制性和在不同数据集之间的普遍适用性。通过解释性AI（XAI）技术，研究确定了默认模式网络、纹状体和边缘网络的大脑特征与性别差异显著相关（效应大小>1.5）。这些区域的功能动态与性别差异紧密相关，挑战了过去认为男女大脑功能组织存在连续统一性的观点。研究还发现，大脑功能性别差异与性别特定的认知模式之间存在高度的准确性和独立可复制性。这表明大脑功能组织的性别差异不仅存在于生物学层面，而且与个体的行为表现密切相关。

该研究结果不仅提供了一种新的视角来理解性别如何影响人脑的功能组织，还为开发个性化的性别特异性生物标志物在精神病学和神经学障碍中提供了重要的启示。这些发现强调了性别作为人脑组织的一个关键生物学因素的重要性。该研究也展示了深度学习技术在神经科学领域的应用潜力，特别是在解析复杂脑功能数据方面。它为未来探索大脑功能组织的其他潜在差异提供了一个强有力的技术工具。