以机器学习为基础的脑网络分析方法分析

昝道广 梁肖裕 刘忠青 徐西彤 李晨辉 山东科技大学电气信息系

人体大脑的结构、功能相当复杂，弄清大脑运转的机制是人类面临的挑战之一。世界上各国都注入了大量的人力财力。例如，大脑研究计划的启动。关于大脑的科研成果一方面帮助人类了解大脑、开发大脑的潜能，另一方面对于阿尔茨海默病、帕金森氏症等脑疾病的诊断和治疗也做出了重大贡献。近几年来，科技飞速发展，现代成像技术如磁共振成像、正电子发射断层扫描等成像技术已经能够有效的对人脑进行探索，构建脑网络分析。脑网络分析方法已成为近年来脑影像研究中的热点。脑网络是和大脑连接的一种表示，分为结构性脑网络和功能性脑网络。当前，脑网络的分析方法主要有2种：一是以特定假设为基础驱动的群体测试；二是以机器学习为基础的个体分类预测。第二种研究手段如多用于精神分裂症、抑郁症等疾病的治疗。因为能够自动分析数据而获得规律，并预测未知数据进而寻找和疾病相关的生物标记，以机器学习为基础的脑网络分析方法已成为了研究上的热点，引起了很多研究者的注意。

1 以机器学习为基础的脑网络分析方法

以机器学习为基础的脑网络分析过程有3个关键步骤：(1)脑网络的构建，在数据中完成脑网络结构的构建；(2)特征学习，在构建的脑网络结构中学习生物标记的特征；(3)分类预测，即利用特征学习对未知的样本数据进行预测和分类。

1.1 脑网络的构建

该步骤是第一步，是分析中的基础步骤。脑网络的构建分为结构性脑网络连接和功能性脑网络连接。结构性脑网络连接是基于扩散频谱成像建立的某种追踪，把大脑区域连接成一个矩阵，直接对矩阵进行分析，主要依赖的是医学的连接模式；而功能性脑网络的构建主要是基于相关性、稀疏化的方法来刻画脑区间的交互作用。构建时主要是时间序列的获取，然后根据序列的相关性把大脑表示成被阈值化的连接网。

1.2 特征学习

特征学习决定着脑网络分析的成败，特征学习的好坏会直接影响后续识别的性能，好的特征学习能够对未知的样本数据有着好的分析。脑网络数据结构中能够获取的样本个数少，因此包含着大量的低层次特征。为了解决问题，我们首先要从数据选择上选取有意义的测量特征如最短路径等。然后机器的特征学习时要选择合适的算法过滤掉那些不重要、无意义的特征，只保留对分类和预测重要的特征。这样，对疾病分类的精确度不仅有提高，还可以快速的寻找与疾病相关的标记，更好地对疾病进行诊断和治疗。特征学习主要有两种常见的方法，单一模态的学习和多模态的学习。

1.2.1 单一模态的特征学习方法

较为典型的是最近的一种拓扑结构的特征学习方法，他是依据图形和计算脑网络之间具有相似性，从而选择出了既有局部测量性又有着拓扑结构信息的特征。实验证明，这种方法提高学习能力，而且更容易对疾病敏感的脑区进行分类预测。

1.2.2 多模态特征学习

因为大脑的复杂性，仅用单一模态的方法中寻找生物标志是比较困难的，因此多模态特征学习是不可缺少的，他也为特征学习提供了新的方法。一方面为了精确诊断某种疾病，需要病人的多种模态的数据分析作参考；另一方面，多模态的学习方法在机器学习领域等领域被广泛的应用。多模态特征学习的方法可以弥补以前仅利用单模态分析数据时的不足，更好的进行疾病病理的理解和分析。

1.3 分类预测

分类预测是最后的步骤。脑网络分析中包含着许多模式识别的分类方法。例如精神分裂症、抑郁症、自闭症等脑科疾病。

2 结论

脑网络分析提供了探察脑疾病和脑的结构功能之间的关系的一个有效的工具，寻找一些主要的生物标志来帮助脑科疾病的诊断和治疗。当前许多研究者已把脑网络应用在了脑科疾病的分析治疗中，而且取得了良好的效果。其中，机器学习在分析过程中扮演着重要的角色，并成为了研究热点。本文以机器学习为基础，介绍了脑网络分析的概念、方法和3个主要过程。以机器学习为基础的脑网络分析有着良好的效果应用，是近几年的研究热点，但它的实际应用过程还存在着没有解决的问题和未来能够更好发展的工作，主要有：(1)复杂的交互性网络的刻画问题。脑网络是一个非常复杂的网络系统，如何刻画这种复杂的交互性会是未来的研究中一个话题。(2)多模态的数据下疾病如何进行分类。不同模态得出的数据反映着脑结构功能结构的不同视角，如何充分利用模态信息和数据对未来脑疾病的诊断水平有着深刻的影响，这也是未来的一个研究的方向。(3)小样本和数据不平衡的问题。当下的研究样本数量小且非常不平衡。如何在小样本和极不平衡的数据中得到有意义的信息也是现在的一项挑战。