2020年11月20日，由中国科学技术协会主办，中国国际科技交流中心、中国人工智能学会、新加坡通商中国承办的“中新数字经济与人工智能高峰论坛”云端召开。主题报告环节，中科院自动化所蒋田仔研究员为我们带来了《人工智能与脑健康》的精彩演讲。

蒋田仔

中科院自动化所研究员、欧洲科学院外籍院士、IEEE/AIMBE Fellow

以下是蒋田仔研究员的演讲实录：

很高兴有这样一个机会来和大家一起分享我们在这个领域里的思考，利用人工智能来解决脑健康里面的一些问题，特别是一些挑战性的问题。我来自中国科学院自动化研究所脑网络组研究中心，主要研究领域和脑健康有关。今天主要从下面四个方面给大家汇报。

首先是关于脑影像大数据、脑图谱，特别是脑网络图谱，这是我们最近做的比较重要的一项工作，特别是对于研究脑疾病、脑认知都有重要的贡献。第二介绍一些研究进展，利用脑影像大数据和脑网络组，怎么来对疾病的诊断与治疗提供一些新的思路？第三介绍脑网络图谱导航的神经调控机器人，和人类的脑疾病治疗有关。最后作一些总结。

对于脑疾病，特别是神经精神疾病目前主要面临三个挑战，第一是现在没有客观定量的诊断标准，完全凭医生的经验来判断这个人是精神分裂症、抑郁症、强迫症；第二个非常重要的挑战是，现在缺乏一种个体化的精准诊断和治疗；第三是在治疗过程中，缺乏精准的靶点。现在很多疾病，比如以神经调控为例，基本都是一个现有文献提供的调控靶点，不是根据不同的疾病选择不同的靶点进行治疗。

我们认为，多模大数据加上更加精准的脑图谱，以及人工智能的助力，将会对以下三个问题带来一些革命性的改变。为什么有这么乐观的想法？因为影像大数据在爆炸式增长，比如英国的Bio bank，在未来要收集10万人的大数据，至少1万以上的影像数据，这对于做影像的来说，是非常大的一个数据库。

另外是10年前就开始的美国关于老年痴呆的影像学研究计划(ADNI)，现在依然在进行，并且越来越完善，里面就提供了越来越好的、帮助理解老年痴呆在动态变化过程中什么时候会痴呆？这两个都是非常典型的和临床有关的计划。还有一些是以正常人为主的计划，比如美国的人类脑连接组计划，以及该计划的延续——ABCD计划，即全生命周期的脑连接组计划，在非常严格的标准之下采集行为、影像和基因数据。这为我们解决前面三个挑战带来非常重要的数据基础。

为什么要从脑网络组这个角度研究脑疾病？很久以前，大家都认为，所有的脑疾病都是与脑网络有关，这是10多年以前的图，给大家展示一下。现在很多研究发现，不同的脑疾病对应不同脑网络的损害，比如抑郁症对应的就是这样脑网络的损害；对于强迫症来说，又完全是一个不同的网络，这是创伤后应急障碍受损伤的一个网络，不同的疾病对应的损害网络不一样。

怎么能够找出这样一个脑疾病的异常脑网络？我们在2010年前后提出了“脑网络组学”的概念。脑网络组主要是以网络作为基本研究单位，包括网络节点，以及节点和节点之间的连接，可以在宏观尺度、微观尺度来研究。宏观尺度就是在不同脑区之间，这是现在临床应用最普遍的；微观和介观尺度可以研究一些脑机理。

脑网络组包括下面五个方面的研究内容。第一，脑网络的结构，脑网络图谱就是解决脑图谱结构问题，怎么定义节点和连接？特别是确定脑区的边界等；第二，脑网络的动态演变和发展规律，例如，在病人用药前和用药后这两个不同时间点，有不同状态，同样的脑网络会不会有改变？人在发育过程中，或者在脑化过程中，和同一个脑网络是不是有变化？这就叫做脑网络的动态演变与发展规律；第三，脑功能和功能异常在脑网络上的表征，比如抑郁、老年痴呆都是功能异常，它在脑网络上是怎么表证的？这是一个非常大的领域，国内有多个计划都是直接瞄准脑功能，如何在脑网络上的表征；第四，脑网络的遗传基础，不同脑网络是天生的还是后天形成的；第五，怎么在比较大的规模上模拟与建模脑网络。大家如有兴趣，可以参看我们在2013年NeuroImage 专刊上写了一篇非常详细的介绍，我们也有一个有关脑网络组的网站。

什么是脑网络组图谱？脑图谱的研究已经有100多年的历史，包括现在很多领域还在用Brodmann 脑图谱， 它是1909年发布的。这个脑图谱主要是根据一个人脑标本，一片一片进行染色，染色完之后再看细胞的形状，这边的形状与那边的形状是一样的，就认为在一个脑区；两个地方的细胞形态看上去不一样，就认为在不同脑区。两个脑区的边界就是这么确定的，这就是Brodmann 脑区划分的思想。

100多年以来也有不同的实验室希望努力改造这个脑图谱，因为它只是把人脑皮层分成了52个不同的亚区，现在看太粗糙，有些边界可能是错的。最典型的就是德国的尤里希研究中心，他们从1996年到现在发过两篇Science 的文章，但还没有完成全脑的分区；2020年他们又在Science 上发了一篇文章，把所有分区结果公布出来，但还有20% 左右脑区不知道怎么划分。

早在2010年我们就把脑图谱作为一个最核心的研究内容提出来，而所提出的这个思想是完全不一样的，不是利用细胞的形态，完全是基于弥散磁共振影像获得的脑连接信息。脑影像有一个最显著的特点，每个体素可以定义和其他体素之间的连接，利用弥散磁共振成像可以定义它的解剖连接；利用功能磁共振成像可以定义它的功能连接。只要确定它的这个连接模式，两个体素比较近，如果连接模式一样，我们认为它就在一个脑区。这就是脑网络图谱绘制的最核心思想。

基于这个思想我们成功绘制了全脑图谱，把皮层分成210个不同的亚区，把这个皮层下分成了36个，全脑的分区共有246个，我们把它叫做脑网络组图谱。为什么不叫做脑图谱？因为本身它除了精细的分区以外，我们也提供了脑区与脑区之间的连接，每个脑区与其他的245个脑区之间都有一种连接模式，这为研究脑疾病和脑功能等提供了非常重要的基础。

脑网络组图谱分布以后产生了一些很重要影响。下面我重点介绍脑网络组图谱对脑疾病的诊断和治疗会有一些什么样的帮助？首先介绍脑疾病诊断和预后的问题。利用脑网络组图谱我们发现人脑的纹状体功能连接异常变化，可以作为诊断精神分裂症一个生物标志。所谓的生物标志就是通过它，就有可能对精神分裂症做出一些诊断。

我们在7个不同的医院采集了精神分裂症和正常人对照的脑影像和临床数据，发现纹状体功能连接异常变化在7个医院数据上都是非常稳定的能够重复；基于这一发现，我们就利用纹状体功能连接异常变化作为特征，利用机器学习方法将正常人与病人区分开。除了做分类、做诊断以外，研究了这个生物标志是不是药物对他会有改变？比如他是精神分裂症，用了药以后就会往好的方向发展。我们通过基因组数据进一步从生物学上证实，这个生物标记确确实实是可信的。这是脑网络组图谱+ 大数据+ 人工智能的第一个应用。

除了精神分裂症，也考虑了其他疾病，我们把不同类型的网络作为生物标志，用人工智能的方法，寻找组间的变化。我们发现，随着网络上的改变一些结构形态上的变化，也可以进一步提高分裂症的诊断。

我再讲一个意识障碍病人预后的研究结果。意识障碍病人俗称植物人，到底哪些植物人能够醒过来？我们做的第一个探索，就是把植物人的脑功能网络信息与临床的信息结合起来，建立了一个预测模型。我们发现，基于这个模型能够很好预测哪些病人最后能够醒过来、哪些醒不过来。而且在三个不同的中心上进行反复测试，精度能够达到88%左右。这是关于疾病的诊断与愈后方面的应用。

下面再重点介绍和治疗有关的一个应用。帕金森是神经退行性疾病，很多药物的治疗还不如深部脑刺激（DBS）。其实DBS也会造成一些副作用，有30% 是对治疗没有反应的，20% 会改变他的认知功能。51% 自杀行为是可以通过抑郁行为来解释的。为什么会导致这样一些严重副作用？从脑网络组图谱的角度来看就非常清楚。现在通过脑刺激的治疗靶点，就是丘脑底核体，它有三个不同的亚区，一个是和运动有关；一个是和情绪有关；一个是和认知功能有关。如把电极刚好放到运动区，治疗效果就很好；如果你放偏了，放在与情绪有关的亚区，长时间刺激这个脑区会导致抑郁；如果放在与认知功能有关系，会导致新的认知功能障碍。

基于这些考虑，我们就提出了脑网络组图谱导航的闭环式神经调控，最核心的还是除了利用脑网络组图谱，能够更精准找到这个治疗的靶点。因为脑网组图谱提供脑区的精细划分（把人脑分成246个不同的亚区）和连接模式，根据连接模式能告诉我们脑区各自的功能是什么。但是只知道放在哪个地方还不够，怎么能够准确地把它放在那个地方？而任何一个人今天和明天都可能会存在偏差，我们就用手术机器人来做这件事情。

手术机器人只要把它的程序规划好，就能够放在合适位置。而且我们是由浅入深，先研制非侵入式经颅磁刺激 （TMS），它用于治疗抑郁症已经被美国FDA 批准了，但是靶点在什么地方现在并不清楚。所有的治疗都是在前额叶，但不是特别准确，用我们的方案可以准确放在该放的位置。还有癫痫要放立体脑电，怎么能放的更精准？最困难的就是DBS。DBS要放的比较深，更需要手术机器人来完成。

下面给大家介绍脑网络组，是一个新的组学，能够和人工智能结合，解决脑健康里最有挑战性的问题。脑网络组图谱在整个疾病的诊断和治疗方面，会发挥非常重要的作用。

最后展望一下未来。脑网络组图谱不仅是提供了一个图谱，而是开拓了一个领域，不同的因素是怎么影响脑网络组图谱？并不知道。在整个发育、进化，不同的物种，人、猴子脑网络图谱哪些地方一样，哪些地方不一样？我们提出所谓的“一体两翼”。“一体”就是做脑网络图谱本身的研究，我们只是提供了第一版脑区边界的划分和连接，每一个亚区的功能是什么并不清楚。“两翼”的第一翼，用来解决脑疾病的诊断与治疗的问题，所以能够提供更精准的诊断与治疗；另外非常重要的“翼”，与人工智能关系非常密切，就是基于脑网络图谱的闭环式神经调控与类脑计算。我认为在这两个方面，脑网络组图谱都会有非常重要的贡献。

（本报告根据速记整理）

CAAI原创 丨 作者蒋田仔研究员
未经授权严禁转载及翻译
如需转载合作请向学会或本人申请
转发请注明转自中国人工智能学会