Evaluating State-Transition Models in Short Resting-State fMRI with Continuous-Dynamics Controls
本研究表明，短时静息态功能磁共振成像中表观的离散脑状态转换可能是连续动力学和时间滤波造成的伪影，而非真实的生物开关，因为连续向量自回归模型在预测真实和模拟数据方面通常优于隐马尔可夫模型。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类大脑并非一台静态的机器；它是一个充满活力的、不断变化的景观，庞大的神经元网络在其中进行着持续且有节奏的对话，时而闪烁，时而暗淡。长期以来，科学家们一直试图绘制这些对话的图谱，特别是在大脑不专注于特定任务的休息时刻。研究这种现象的一种流行方法是将大脑想象成一个在几个不同的“状态”之间跳跃的旅行者，就像一个人在房子里的不同房间之间切换。每个房间代表一种特定的活动模式，而它们之间的旅程被认为揭示了大脑是如何组织自身的。这种方法依赖于一种统计工具，该工具通过猜测大脑何时从一个状态跳转到另一个状态，将这些转变视为突然的、离散的事件。然而，这种方法假设大脑是在进行跳跃，但实际上，神经活动的流动可能更像是一条河流——平滑、连续，且从未真正停止。如果大脑的本质是一条流动的河，而我们却试图将其描述为一系列踏脚石，那么我们可能会看到并不存在的模式。
一个研究小组决定测试这些明显的跳跃是真实的，还是仅仅由观察数据的方式所创造的幻象。他们比较了两种预测大脑下一步行动的不同方法。第一种方法（即假设存在不同房间的方法）试图通过判定大脑当前处于哪种“状态”来猜测下一个时刻。第二种方法（他们将其作为对照组）则仅仅观察大脑活动的近期历史，并基于那种平滑、连续的流动来预测未来，而不假设存在任何突然的跳跃。为了测试哪种方法更好，他们创建了数千个计算机模拟。在其中一些模拟中，他们编写程序让大脑活动真正地在状态之间跳跃。在另一些模拟中，他们编写程序让其进行平滑、连续的运动，就像轮子转动或波浪翻滚一样。然后，他们让这两种预测方法去猜测这些虚拟大脑的下一个活动时刻，并观察哪一个预测得更准确。
当条件稳定时，结果非常明确。当模拟的大脑确实在状态间跳跃时，“跳房”方法的预测通常更准确。当模拟的大脑进行平滑运动时，假设连续流动的模型则表现得更为精准。这表明，从理论上讲，这两种方法可以区分出大脑是在跳跃还是在流动。然而，研究人员随后引入了一个转折点，以测试这些结论有多脆弱。他们保持底层大脑活动完全相同，但改变了测试阶段数据平滑处理的方式，以模拟真实脑扫描中为了去除噪声而进行的预处理。在一个令人惊讶的转折中，这种对数据处理方式的微小改变导致“跳房”方法突然看起来成为了赢家，尽管大脑实际上仍在进行平滑的连续运动。由于测量数据的方式发生了变化，而非大脑本身开始跳跃，导致那个假设跳跃的模型开始更好地预测平滑的数据。
研究人员随后将同样的比较应用于来自270人的真实脑扫描数据，其中包括认知正常者、轻度记忆问题患者以及痴呆症患者。他们将这些扫描数据输入到两个预测模型中，以观察哪个模型能更好地猜出下一个时刻的大脑活动。在绝大多数情况下，假设平滑连续流动的模型是更好的预测者。在184次足够长且可靠的记录中，该模型在160次中胜过了“跳房”模型，甚至在许多较短的记录中也是如此。这表明，对于本研究中的人群而言，他们在休息时的脑活动看起来更像是一个连续的流，而非一系列离散的停顿。此外，当研究人员强迫“跳房”模型在平滑连续的模拟中寻找跳跃时，它确实找到了。它识别出了一个偏好的移动方向，仿佛大脑正在从一个状态移动到另一个状态，尽管原本并不存在这样的状态。这证明了该模型可以从一个完全连续的过程之中，编造出一个离散转换的故事。
研究结论指出，在扫描中看到大脑“切换”状态并不自动意味着大脑确实发生了切换。这些明显的跳跃可能是分析数据时所使用的数学工具产生的伪影，也可能是由于信号在分析前经过滤波和平滑处理的结果。研究人员发现，改变测试过程中使用的滤波器可以反转结果，使一个连续的过程看起来像是离散的过程。这并不证明大脑从未有过截然不同的状态，但它表明，我们不能仅仅因为一个模型发现了状态，就假设这些状态的存在。为了理解大脑活动的真实本质，科学家必须将他们的发现与假设连续流动的模型进行对比，并确保其结论即使在测量数据的方式发生变化时依然成立。来自这些模拟和现实世界的扫描证据表明，大脑的休息活动通常是波动的连续舞蹈，而将其解释为一系列突然的跳跃，需要比以往认为的更加谨慎。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。