【原】Nat Rev Neurosci：深度学习能解答神经科学中的什么问题？脑科学顶刊导读

brainnews 2021-01-08

展开全文

✎ 顶刊导读目录

1，基于深部脑网络和全球14468个人的脑年龄和寿命疾病的核磁共振特征

2，发表易受攻击言论的机器人可积极塑造了人类-机器人团队中的人类沟通方式

3，利用机器学习绘制复杂人类特征和多基因结构的脑神经网络连接图谱

4，大脑中的分布式强化学习

5，深度学习能解答神经科学中的什么问题？

1，基于深部脑网络和全球14468个人的脑年龄和寿命疾病的核磁共振特征

期刊：Brain

作者：CholeFu

深度学习现已成为一个构建正常大脑年龄和大脑疾病相关神经病理进程的影像学特征的有效方法。特别是基于MRI的大脑年龄已被用作大脑健康的综合生物标志物，它可以通过与典型脑老化的偏差来识别提前老化和可恢复性老化的个体。包括精神分裂症和阿尔茨海默病在内的各种脑部疾病的影像学特征也已经通过机器学习被识别出来，但由于需要复杂且不易重复的处理步骤，缺乏来源于典型脑老化轨迹的多样化样本，以及不同人群和核磁共振扫描仪的有限可重复性，限制了先前获取这些特征的临床可用性。

本研究使用一套大样本的(n = 11729) MRI扫描结果，开发并测试了一个复杂的深部脑网络(DeepBrainNet)。这些数据来自一个高度多样化的队列，涵盖了世界各地不同的研究、扫描仪、年龄和地理位置。

使用交叉验证和2739人的单独重复队列的测试表明，DeepBrainNet从这些不同的数据集建立了稳健的脑年龄估计模型，且不需要专门的图像数据准备和处理。此外，我们有证据表明，中度拟合的脑龄模型可以提供最能区分患病个体的大脑年龄估计。因为高度拟合的脑龄模型除了脑龄之外，可提供的信息很少；而松散拟合的模型可能包含很多噪音。我们的结果提供了一些反对通常所追求的高度拟合模型的实验证据。

结果表明，在四个疾病组中，与高度拟合模型相比，中等拟合的脑龄模型获得了显著更高的分化。最重要的是，我们证明了与直接在患者和健康对照数据集上训练分类器或使用ImageNet等常见成像数据库相比，利用DeepBrainNet和迁移学习能够让我们构建出对几种脑部疾病更精确的分类器。

因此，我们推出了一个特定领域的深度学习网络，它可以减少对通用深度学习网络的特定应用的适应性和调整需求。我们向同行免费提供了DeepBrainNet模型，用于对普通人群和整个生命周期的大脑健康状况进行基于MRI的方便、稳健和临床信息评估。

https:///10.1093/brain/awaa160

2，发表易受攻击言论的机器人可积极塑造了人类-机器人团队中的人类沟通方式

期刊：PNAS

作者：Loren

意义：先前的工作表明，机器人的社交行为能够在人机交互中塑造人们对机器人的信任、反应和印象。但是，当环境更改为涉及一个机器人和多个人的组内交互时，机器人对群体行为的影响尚不明确。

本研究通过一组三个人和一个机器人参与协作游戏的实验设计，探索社交机器人如何影响团队互动。分析表明，机器人的社交行为会影响人与机器人中人类之间的沟通方式，从而证明机器人具有显著影响人与人互动的能力。

摘要：社交机器人在塑造与其互动的人类行为方面正变得越来越有影响力。本文通过三个人和一个机器人玩30轮合作游戏(n = 51组)来研究社交机器人的行为如何影响人与人之间的交流，而不仅仅是机器人与人类之间的交流。

我们发现, 与机器人做出中性陈述或最终发言的对照组相比，使用机器人做出易受攻击性陈述的小组中人们彼此之间的交流更加充分，他们的对话更加平等、群体更积极。机器人语言的转变不仅能够影响人类与机器人的互动方式，还能影响人类与他人的互动方式，从而为通过在人与机器的混合系统中引入人工智能来改变社会互动展示了前景。

https://www./content/117/12/6370

3，利用机器学习绘制复杂人类特征和多基因结构的脑神经网络连接图谱

期刊：Biological Psychiatry

作者：Ecnuzs

基于CAR评分的年龄、受教育年限和智力方面前20项最佳脑神经网络连接功能图谱。线条粗细代表每个边对于某个功能集的相对重要性，红色和蓝色的线分别表示该特征与表型的正相关和负相关。

本研究基于10343名个体的功能磁共振（fMRI）数据证明了fMRI呈现的大脑神经网络连接对年龄和性别有较高的预测精确性，在教育程度和智力方面的准确性适中但高于随机水平，这些都是复杂但与个体适应、大脑、精神健康高度相关的特征和指标。

相比之下，对于抑郁、焦虑和神经质预测准确性仅为随机水平，它们的遗传学基础主要是基于各自的多基因分数和精神分裂症的多基因风险。这些发现证明了受教育程度和智力能力与大脑功能神经网络连接组织之间的联系，并为绘制临床和精神疾病遗传风险的大脑功能机制的成像研究提供了参考。

https://www./article/S0006-3223(19)31791-3/fulltext

4，大脑中的分布式强化学习

期刊：Trends in Neuroscience

作者：Freya

深度强化学习：（A）强化学习问题的逻辑，（B）深度Q网络的架构，（C）传统式和分布式强化学习的差异，（D）深度Q网络中不同强化学习算法的表现。

学习奖励和惩罚对生存至关重要。一系列经典的研究表明，哺乳动物中脑多巴胺神经元的激活与强化学习算法的奖赏预测误差之间有着惊人的对应关系，后者表达了实际回报与预测平均回报之间的差异。然而，最好是可以不仅了解潜在回报的平均值，还能了解潜在回报的完全分配情况。

机器学习的最新进展揭示了一套生物学上合理的算法，可以从经验中重建这种奖赏分布。本文回顾这些算法的数学基础，以及它们的神经生物学实现的初步证据。最后，我们还强调了有关这些分布式编码的回路计算和行为输出的关键问题。

https:///10.1016/j.tins.2020.09.00

5，深度学习能解答神经科学中的什么问题？

期刊：nature reviews neuroscience

作者：Sniper

神经科学研究正在经历一场小小的革命。机器学习和人工智能研究的最新进展为理解神经计算提供了新的思维方式。深度神经网络能为理解生物大脑感觉、认知和行为提供理论借鉴的可能性，使许多研究人员感到兴奋。这有可能从根本上重塑我们理解神经系统的方法，因为深度网络执行的计算是从经验中学到的，而不是研究人员所赋予的。

那么，神经科学家如何利用深度学习网络来建模和理解生物大脑？寻求表征神经计算和编码，或希望了解大脑感知、注意、记忆和执行功能的神经科学家的前景如何？

在此文章中，作者的目标是为深度学习时代的系统神经科学研究提供一个路线图。作者讨论了在人工和生物系统中比较研究行为、学习动力学和神经表征的概念和方法上的挑战，并重点介绍了由机器学习最新进展引发的神经科学研究问题。

https://www./articles/s41583-020-00395-8

作者信息

校审：Freya（brainnews编辑部）

题图：Singularity Hub

前文阅读

1，Brain神经调控特刊-脑干深部脑刺激最新综述 | 脑科学顶刊导读81期

2，Brain：阿尔兹海默症海马CA1区的突触组织的三维分析| 脑科学顶刊导读第80期