End-to-end Stroke imaging analysis, using reservoir computing-based effective connectivity, and interpretable Artificial intelligence

人类大脑并非静态的零件集合，而是一个动态、流动的网络，信息在不同区域之间不断传递。为了理解大脑如何运作以及在受伤时如何失效，科学家研究了三种类型的连接。结构连接（Structural connectivity）是物理上的布线，就像道路本身。功能连接（Functional connectivity）衡量不同区域同时“亮起”的频率，类似于偶然同时发生的交通模式。有效连接（Effective connectivity）则更进一步，它探究究竟是哪个区域在向另一个区域发送信号，从而在信息流中建立起因果关系。对于中风患者而言，由于大脑部分区域的血流受阻，这些网络会被破坏。这种损伤很少仅仅是组织中出现一个简单的空洞；它会波及整个系统，改变信息从大脑一侧向另一侧移动的方式。理解这些在方向和时序上的具体变化，对于诊断中风的严重程度并预测患者可能的康复情况至关重要，然而传统的工具往往难以准确绘制这些复杂的单向流。

在一项新的研究中，来自克拉科夫AGH大学和Sano计算医学中心的科研人员开发了一套完整的流程，用于绘制这些因果流，并利用它们来区分健康大脑与中风受损的大脑。该团队从104名中风患者和26名健康志愿者获取了磁共振成像数据。这些扫描捕捉了大脑随时间变化的活动，并将其分解为100个不同的区域。研究人员没有使用通常假设区域间存在简单双向关系的常规方法，而是采用了一种被称为“储备池计算”（reservoir computing）的专门计算技术。这种方法将大脑活动视为一个复杂的、基于时间的系统，使计算机能够学习一个区域的信号如何影响另一个区域的信号，从而有效地重建信息流的方向。其结果是为每个人生成了一张详细的“有效连接”图谱，以有向图的形式呈现，其中的箭头精确展示了哪些大脑区域在驱动其他区域的活动。

在创建这些图谱后，研究人员将它们输入到一种专门用于分析网络的类型的人工智能中，即图卷积神经网络（graph convolutional neural network）。其目标是观察计算机是否能仅凭这些定向图谱，学会分辨中风患者与健康对照组的大脑网络。该系统取得了成功，其识别各组的准确率转化为了标准性能量表上的0.69分。虽然这听起来可能并不高，但相比于依赖旧统计技术（如格兰杰因果检验，Granger causality）且得分较低的以往方法，这是一个显著的进步。研究明确发现，新的储备池计算方法比传统方法能更好地捕捉大脑受损网络的细微差别，特别是在揭示左右半球之间的平衡是如何被打破方面。

这项工作最有价值的部分不仅在于分类，还在于能够解释计算机做出决策的原因。通过使用名为LIME的工具，研究人员可以观察人工智能的“思维过程”，查看哪些特定的脑部连接对于识别中风最为重要。他们发现，对于患者而言，最明显的破坏迹象出现在负责注意力的网络中，涵盖了大脑注意力系统的顶端和底端。相比之下，健康对照组则是通过其视觉和语言网络的完整性被识别出来的。这一发现与已知的中风症状（如失语症，即语言处理能力受损）相吻合。研究表明，中风发生的位置极其重要；右脑受损的患者表现出左右半球对称通信更严重的断裂，这可能是因为右半球在言语表达中的参与度较低，且更容易受到损伤连锁反应的影响。

研究人员强调，这是一个端到端的框架，这意味着它能将原始脑部扫描转化为清晰、可解释的诊断结果，而无需人类专家手动追踪每一条连接。尽管数据集具有异质性（中风发生在脑部的许多不同位置），但该系统仍成功找到了破坏性的共同特征。该研究并未声称已经解决了中风诊断问题，也不表示该工具已准备好立即投入医院使用。相反，它展示了一条可行的路径，表明将先进的因果建模与可解释人工智能相结合，可以揭示大脑损伤的隐藏机制。通过将复杂的神经影像数据转化为受损连接的可视化图谱，这项工作提供了一种理解大脑失效的新方式，未来有望为患者分层和制定个性化治疗方案提供助力。