斯坦福大学医学研究确定了女性和男性不同的大脑组织模式

斯坦福大学医学院研究人员的一项新研究揭示了一种新的人工智能模型，该模型在确定大脑活动扫描是来自女性还是男性方面成功率超过90%。

该研究结果于2月20日发表在 《美国国家科学院院刊》（Proceedings of the National Academy of Sciences ）上，有助于解决关于人类大脑中是否存在可靠的性别差异的长期争议，并表明了解这些差异对于解决对女性和男性影响不同的神经精神疾病可能至关重要。

“这项研究的一个关键动机是，性在人类大脑发育，衰老以及精神和神经系统疾病的表现中起着至关重要的作用，”精神病学和行为科学教授，斯坦福大学认知与系统神经科学实验室主任Vinod Menon博士说。“在健康的成人大脑中识别一致和可复制的性别差异是更深入地了解精神和神经系统疾病中性别特异性脆弱性的关键一步。

Menon是该研究的资深作者。主要作者是高级研究科学家 Srikanth Ryali 博士和学术人员研究员 Yuan Zhang 博士。

最能帮助模型区分男性大脑和女性大脑的“热点”包括默认模式网络，一个帮助我们处理自我参照信息的大脑系统，以及纹状体和边缘网络，它们参与学习以及我们如何对奖励做出反应。

研究人员指出，这项工作并没有权衡与性别相关的差异是否在生命早期出现，或者可能是由荷尔蒙差异或男性和女性可能更容易遇到的不同社会环境驱动的。

揭示大脑差异

一个人的性别在多大程度上影响了他们大脑的组织和运作方式，长期以来一直是科学家之间的争论点。虽然我们知道我们与生俱来的性染色体有助于确定我们大脑所接触的激素混合物——尤其是在早期发育、青春期和衰老期间——但研究人员长期以来一直在努力将性别与人类大脑的具体差异联系起来。男性和女性的大脑结构往往看起来差不多，之前研究大脑区域如何协同工作的研究也在很大程度上未能找到一致的大脑性别指标。

在他们目前的研究中，Menon和他的团队利用了人工智能的最新进展，以及对多个大型数据集的访问，进行了比以前更强大的分析。首先，他们创建了一个深度神经网络模型，该模型学习对大脑成像数据进行分类：当研究人员向模型展示大脑扫描并告诉它它正在观察男性或女性大脑时，模型开始“注意到”哪些微妙的模式可以帮助它分辨差异。

与以前的研究相比，该模型表现出更好的性能，部分原因是它使用了分析动态MRI扫描的深度神经网络。这种方法捕捉了不同大脑区域之间错综复杂的相互作用。当研究人员在大约1,500次脑部扫描中测试该模型时，它几乎总是可以判断扫描是来自女性还是男性。

该模型的成功表明，大脑中确实存在可检测的性别差异，但以前没有被可靠地发现。事实上，它在不同的数据集中工作得很好，包括来自美国和欧洲多个地点的脑部扫描，这使得这些发现特别令人信服，因为它控制了许多可能困扰此类研究的混杂因素。

“这是一个非常有力的证据，表明性别是人类大脑组织的有力决定因素，”梅农说。

进行预测

直到最近，像Menon团队采用的模型可以帮助研究人员将大脑分类为不同的组，但不会提供有关分类如何发生的信息。然而，今天，研究人员可以使用一种名为“可解释人工智能”的工具，该工具可以筛选大量数据来 解释 模型的决策是如何做出的。

使用可解释的人工智能，Menon和他的团队确定了大脑网络，这些网络对模型判断脑部扫描是来自男性还是女性最重要。他们发现该模型最常使用默认模式网络、纹状体和边缘网络进行调用。

然后，研究小组想知道他们是否可以创建另一个模型，该模型可以根据女性和男性不同的功能性大脑特征来预测参与者在某些认知任务上的表现。他们开发了特定性别的认知能力模型：一个模型有效地预测了男性的认知表现，但不能预测女性的认知表现，另一个模型有效地预测了女性的认知表现，但不能预测男性的认知能力。研究结果表明，不同性别不同的功能性大脑特征具有显着的行为影响。

“这些模型效果非常好，因为我们成功地将两性之间的大脑模式分开，”Menon说。“这告诉我，忽视大脑组织的性别差异可能会导致我们错过神经精神疾病的关键因素。

虽然该团队将他们的深度神经网络模型应用于有关性别差异的问题，但Menon表示，该模型可用于回答有关大脑连接的任何方面如何与任何类型的认知能力或行为相关的问题。他和他的团队计划将他们的模型公开提供给任何研究人员使用。

“我们的人工智能模型具有非常广泛的适用性，”Menon说。“例如，研究人员可以使用我们的模型来寻找与学习障碍或社会功能差异相关的大脑差异 – 我们热衷于更好地了解这些方面，以帮助个人适应和克服这些挑战。

该研究由美国国立卫生研究院（MH084164、EB022907、MH121069、K25HD074652 和 AG072114 资助）、跨学科倡议、Uytengsu-Hamilton 22q11 计划、斯坦福母婴健康研究所和 NARSAD 青年研究员奖赞助。