个性化深度神经网络揭示儿童数学学习障碍的神经机制：基于数字孪生模型的E/I平衡研究

研究人员针对儿童数学学习障碍(MLD)的神经机制不明问题，开发了生物合理性个性化深度神经网络(pDNN)数字孪生模型。通过调节神经兴奋性(增益G)模拟E/I(兴奋/抑制)平衡，发现高增益导致学习速率降低、神经表征相似性(NRS)增加及流形结构异常。该研究首次将AI与神经科学结合，为MLD的个性化干预提供了新思路，发表于《SCIENCE ADVANCES》。

　　

数学能力是人类认知发展的核心技能之一，但约5-20%的儿童患有数学学习障碍(MLD)，这些孩子在算术问题解决中表现显著落后于同龄人，且这种障碍往往持续到成年，影响其社会经济地位和健康结局。尽管过去二十年进行了大量研究，但MLD的神经生物学基础仍不清楚。现有神经影像学研究虽然发现MLD儿童存在顶内沟(IPS)区域功能异常、神经活动过度同步化等现象，并推测兴奋/抑制(E/I)平衡失调可能是潜在机制，但这些发现多基于相关性分析，缺乏因果验证手段。

斯坦福大学的研究团队在《SCIENCE ADVANCES》发表创新性研究，通过开发个性化深度神经网络(pDNN)数字孪生模型，首次在计算模型中验证了神经兴奋性改变作为MLD核心机制的假说。研究人员构建了模拟背侧视觉通路的生物合理性神经网络，包含V1、V2、V3和IPS四个层级，通过调节神经增益参数G(1.0-5.0)模拟不同E/I平衡状态。模型训练使用包含380种手写体算术问题(结果0-18)的数据集，并与45名7-9岁儿童(21名MLD，24名典型发育TD)的行为和fMRI数据对比。

关键技术包括：(1)构建基于CORnet-S架构的pDNN模型；(2)通过调节批量归一化参数控制神经兴奋性；(3)使用曼哈顿距离匹配儿童标准化数学测试(NumOps)分数与模型准确率；(4)分析神经表征相似性(NRS)和流形几何特性(容量、维度、中心相关性)；(5)fMRI数据验证模型预测的神经表征模式。

【Producing individual differences within pDNNs by tuning neural excitability】
研究发现神经兴奋性水平与学习效率呈负相关(r=0.94, P<10^-7
)，高增益(G=4.76±0.30)的MLD模型需要更多训练迭代达到95%准确率。在固定1100次迭代时，高增益导致测试准确率显著降低(r=-0.92, P<10^-6
)，证实E/I失衡足以引起学习障碍。

【Higher neural excitability in MLD matched pDNNs】
行为匹配显示MLD儿童对应pDNN的神经增益显著高于TD组(4.76 vs 2.73, P<10^-12
)，且模型准确率完美复现了两组儿童的行为差异(MLD:0.36 vs TD:0.70, P<10^-12
)。

【Increase of NRS with neural excitability】
关键发现是神经兴奋性增加导致操作间NRS升高，在IPS层最为显著(add-sub NRS: r=0.94, P<10^-7
)。MLD模型的IPS层NRS比TD模型高1.91个标准差，与儿童fMRI数据预测高度相关(r=0.62, P<10^-5
)。

【Reduction of the number of different responses with neural excitability】
高增益模型表现出更少的有效响应数量(11.5 vs 16.5)、更高的系统误差(0.42 vs 0.21)和数值不精确性(1.22 vs 0.87)，说明E/I失衡导致内部数量表征的粒度降低。

【Impaired structure of representational manifolds with neural hyperexcitability】
流形分析显示MLD模型在IPS层具有更低的流形容积(降低1.14个标准差)、更高维度(增加1.96个标准差)和中心相关性(增加4.51个标准差)，其中中心相关性与行为准确率相关性最强(r=-0.96)。

【Overcoming behavioral deficits in MLD pDNN with extended training】
延长训练(2.7倍)可使MLD模型达到TD行为水平，但部分神经表征缺陷(如操作间NRS)仍持续存在，提示E/I失衡造成的学习障碍可被补偿但非完全逆转。

这项研究开创性地将数字孪生技术应用于认知障碍研究，证实神经兴奋性改变是MLD的充分神经机制，并揭示其通过破坏神经表征的流形几何结构影响学习。发现的三个关键异常——表征相似性增加、响应粒度降低和流形结构紊乱，为MLD提供了新的生物标志物。研究建立的pDNN框架不仅能预测个体神经表征模式，还可用于优化干预方案，如针对特定流形特性的训练策略。该成果为理解神经发育障碍提供了新范式，展示了计算神经科学与AI交叉研究的巨大潜力。未来可探索神经调控技术调节E/I平衡的治疗价值，以及将该框架扩展到其他学习障碍的研究。