大数据处理技术发展及应用：脑网络中的非正常连接分析

人脑的结构和功能极其复杂，理解大脑的运转机制，是新世纪人类面临的最大的挑战之一。世界各国投入了大量的人力和物力进行研究。例如，美国和欧盟分别投入38亿美元和10亿欧元，启动大脑研究计划。脑科学研究成果一方面将为人类更好地了解大脑、保护大脑、开发大脑潜能等方面做出重要贡献，同时也有助于加深对阿尔茨海默病及其早期阶段即轻度认知功能障碍、帕金森氏症等脑疾病的理解，找到一系列神经性疾病的早期诊断和治疗新方法。

大量医学和生物方面的研究成果表明人的认知过程通常依赖于不同神经元和脑区间的交互。近年来，现代成像技术如磁共振成像和正电子发射断层扫描等提供了一种非侵入式的方式来有效探索人脑及其交互模式。

从脑影像数据可进一步构建脑网络，由于脑网络能从脑连接层面刻画大脑功能或结构的交互，脑网络分析已成为近年来脑影像研究中的一个热点。目前，脑网络分析研究主要包括：（I）探索大脑区域之间结构性和功能性连接关系；（2）分析一些脑疾病所呈现的非正常连接，从而寻找可能对疾病敏感的一些生物标记。由于增加了具有生物学意义测量的可靠性，从脑影像中学习连接特性对识别基于图像的生物标记展现了潜在的应用前景。

脑网络是对大脑连接的一种简单表示。在脑网络中，节点通常被定义为神经元、皮层或感兴趣区域，而边对应着它们之间的连接模式。根据边的构造方式，可以把脑网络分为以下两种：（1）结构性连接网络，指不同神经元之间医学结构上的连接模式，其边一般是（神经元的）轴突或纤维。（2）功能性连接网络，是指大脑区域间功能关联模式，其可以通过测量来自于功能性磁共振成像或脑电/脑磁数据的神经电生理活动时序信号而获得。如果构建的连接网络的边是有向的，则又称为有效连接网。(www.xing528.com)

脑网络分析提供了一个新的途径来探索脑功能障碍与脑疾病相关的潜在结构性破坏之间的关联。已有研究证据表明，许多神经和精神疾病能被描述为一些异常的连接，表现为大脑区域之间连接中断或异常整合。例如：AD病人功能性连接网络的小世界特性发生了变化，反映出系统的完整性已被破坏。同时，AD和M C I病人的海马与其他脑区的连接以及额叶和其他脑区的连接也已改变。目前，有关脑网络分析的研究可以大致分为两类：（1）基于特定假设驱动的群组差异性测试，如小世界网络、默认模式网络和海马网络等；（2）基于机器学习方法的个体分类和预测。

在第1类中，研究工作主要集中在利用图论分析方法寻找疾病在脑网络功能上的障碍，从而揭示患者大脑和正常人大脑之间的连接性差异。通过使用组对比分析的方法，一些研究者已经研究了A D/M C I的大脑网络，并在各种网络中发现了一些非正常连接，包括默认模式网络以及其他静息态网络。另外，研究者也分析和发现了精神分裂症中一些非正常的功能性连接。然而，这一类研究主要的限制是一般只寻找支持某种驱动假设的证据，而不能自动完成对个体的分类。

在第2类研究工作中，机器学习方法被用来训练分类模型，从而能够精确地对个体进行分类。如，研究者利用弥散张量图像和功能fMRI构建网络学习模型用于AD和MCI分类研究。另外，研究者也基于脑网络模型开展其他脑疾病研究，如：精神分裂症、儿童自闭症、网络成瘾和抑郁症等。由于能够从数据中自动分析获得规律，并利用规律对未知数据进行预测以及辅助寻找可能对疾病比较敏感的生物标记，基于机器学习的脑网络分析已成为一个新的研究热点，并吸引了越来越多研究者的兴趣。