基于深度学习的静息态fMRI生成任务态脑功能对比图：在群体神经科学中的应用与验证

《Communications Biology》：Generating synthetic task-based brain fingerprints for population neuroscience using deep learning

本研究针对任务态功能磁共振成像(tb-fMRI)在可扩展性、协议标准化和大规模数据覆盖方面的挑战，提出DeepTaskGen深度学习框架，能够从静息态(rs-fMRI)数据生成未采集任务态的对比图。在Human Connectome Project和UK Biobank数据集验证显示，该方法在保持个体差异的同时实现了优越的重建性能，生成的合成图像在预测人口统计学、认知和临床变量方面达到甚至超过真实任务图像和静息态连接组的预测效能，为个体差异研究和任务相关生物标志物开发提供了新途径。

　　

在探索人类大脑奥秘的征程中，科学家们一直致力于理解为什么不同个体在认知、行为和心理健康方面存在显著差异。任务态功能磁共振成像(tb-fMRI)作为一种强大的工具，能够通过测量特定认知任务下的大脑活动变化来揭示这些差异的神经基础。例如，情绪面孔匹配任务能够激活与焦虑和抑郁等精神障碍相关的脑区（如杏仁核），而工作记忆任务则与流体智力等认知能力密切相关。尽管tb-fMRI在揭示个体差异方面表现出色，但其应用面临着严峻的可扩展性挑战：认知任务对参与者要求高、不同研究使用的任务方案差异大、大规模数据集中任务覆盖有限。这些问题在UK Biobank等超大规模人群研究中尤为突出，其中仅包含极少数简单任务。

为解决这些限制，来自Charité-Universit?tsmedizin Berlin等机构的研究团队在《Communications Biology》上发表了题为"Generating synthetic task-based brain fingerprints for population neuroscience using deep learning"的研究，提出了DeepTaskGen深度学习方法。该方法基于静息态和任务态大脑活动共享相同内在网络架构的重要发现，利用深度学习从易于获取的静息态fMRI数据合成任意功能认知任务的大脑活动图像。

关键技术方法包括：使用HCP-YA(n=958)、HCP-D(n=637)和UK Biobank(n=20,792)多中心数据集；开发基于三维U-Net架构的DeepTaskGen模型，包含注意力机制和对比正则化重建损失(CR-R)函数；采用体素-ROI功能连接作为输入特征；通过重建性能（皮尔逊相关）和可判别性（对角化指数）评估模型效果；使用岭回归预测人口统计学、认知和临床变量验证合成图像的实用性。

DeepTaskGen在训练数据集上表现出优越的重建性能和可判别性

研究首先在HCP-YA数据集上训练DeepTaskGen，使用827名参与者作为训练集，92名作为验证集。评估指标包括重建性能（皮尔逊相关系数）和可判别性（标准化对角化指数）。DeepTaskGen在47个任务对比图中的重建性能(μ=0.516,σ=0.167)显著优于线性模型(μ=0.367,σ=0.127)，并在29个任务对比中超过重测扫描。虽然组平均对比图在重建性能上表现最佳，但完全缺乏个体间变异信息。在可判别性方面，DeepTaskGen(μ=0.011,σ=0.009)在40个任务对比中显著优于线性模型，表明其能更好地保留个体差异。

DeepTaskGen在体积方法基础上提供性能增益

尽管基于表面的方法在重建精度和可判别性方面整体优于体积方法，但DeepTaskGen在体积空间内相对于线性模型的性能增益超过其基于表面的对应方法。这表明深度学习模型在生成体积合成任务对比图方面的必要性，凸显了DeepTaskGen在预测体积任务对比图方面的强大能力。

DeepTaskGen能够在未见数据集上生成对比图

研究通过HCP-D数据集评估了模型在新数据集上的泛化能力。微调策略在不同任务对比中表现不一：使用EMOTION FACES-SHAPES微调的模型在GAMBLING REWARD对比中表现改善，而反向微调则导致性能下降。这种差异可归因于HCP-D中GUESSING任务是对HCP-YA中GAMBLING任务的适应性修改，存在范式差异。结果表明微调的效果取决于特定任务对比和数据集间的领域相似性。

预测的任务对比图在预测人口统计学、认知和临床变量方面实现相当或更优性能

在UK Biobank数据集的下游预测任务中，DeepTaskGen生成的合成任务图像在预测年龄、性别、流体智力、握力、整体健康以及多种临床指标（高血压诊断、抑郁症状、酒精使用频率等）时，表现出与真实EMOTION FACES-SHAPES任务对比图和静息态连接组相当或更优的预测性能。特别是在性别和年龄预测方面观察到大幅改善，表明DeepTaskGen能保留与独特生物特征相关的任务活动模式，并通过增强信噪比放大其检测信号。

讨论与结论

DeepTaskGen成功解决了tb-fMRI在可扩展性和标准化方面的关键挑战，为群体神经科学研究提供了强大工具。与先前方法相比，该方法的优势在于能够生成全脑（包括皮层下区域）的任务对比图，并在未见数据集上预测未采集的任务。研究证明合成任务图像不仅保留了个体特异性信息，还通过去噪处理提高了信噪比，在多项预测任务中表现优异。

该方法在神经科学领域具有广泛的应用前景，特别是在难以获取任务fMRI数据的群体（如儿童、神经精神障碍患者）中促进精准精神病学研究，增强成像遗传学研究的统计效能，以及填补规范建模中的年龄组数据空白。然而，研究者也指出需注意合成图像与真实图像在方差分布上的差异，并在模型设计中谨慎考虑这种差异。

DeepTaskGen的提出标志着从静息态fMRI生成任意合成任务图像的技术迈出重要一步，为个体差异研究和任务相关生物标志物开发开辟了新途径，有望深刻影响未来神经科学研究范式。