用人工智能推進動態腦成像

MRI、腦電圖(EEG)和腦磁圖長期以來一直是研究大腦活動的工具，但卡內基梅隆大學的一項新研究引入了一種新穎的、基于人工智能的動態腦成像技術，該技術可以繪制出大腦中快速變化的電活動速度快、分辨率高、成本低。這一進步是在何斌進行了30多年研究之后取得的，該研究專注于改進非侵入性動態腦成像技術的方法。

腦電活動分布在3D大腦中，并隨時間迅速變化。已經為成像大腦功能和功能障礙做出了許多努力，每種方法都有利有弊。例如，MRI通常用于研究大腦活動，但速度不足以捕捉大腦動態。EEG是MRI技術的有利替代方案，但其空間分辨率不夠理想一直是其廣泛用于成像的主要障礙。

還進行了電生理源成像，其中頭皮腦電圖記錄通過信號處理和機器學習被轉換回大腦，以重建大腦活動隨時間變化的動態圖像。雖然EEG源成像通常更便宜、更快，但用戶需要特定的培訓和專業知識來選擇和調整每次記錄的參數。在新發表的作品中，He和他的團隊介紹了首個基于AI的動態腦成像方法，該方法具有精確和快速地對神經回路進行動態成像的潛力。

“作為數十年來開發創新、非侵入性功能性神經影像解決方案的一部分，我一直致力于開發一種動態腦成像技術，該技術可以提供精確、有效且易于使用，以更好地為臨床醫生和研究人員服務，”卡內基梅隆大學生物醫學工程教授何斌說。

他繼續說道，“我們的團隊是第一個通過引入人工智能和多尺度大腦模型來實現這一目標的團隊。使用受生物物理啟發的神經網絡，我們正在創新這種深度學習方法來訓練可以將頭皮EEG信號精確轉換回沒有人為干預的大腦中的神經回路活動。”

在最近發表在美國國家科學院院刊(PNAS)上的He的研究中，通過對20名健康人類受試者的感覺和認知大腦反應進行成像來評估這種新方法的性能。通過將基于AI的非侵入性成像結果與侵入性測量和手術切除結果進行比較，它在識別20名耐藥性癲癇患者隊列中的致癲癇組織方面也得到了嚴格驗證。

結果明智，當考慮精度和計算效率時，新的AI方法優于傳統的源成像方法。

“使用這種新方法，您只需要一個集中的位置來執行大腦建模和訓練深度神經網絡，”He解釋說。“在臨床或研究環境中收集數據后，臨床醫生和研究人員可以將數據遠程提交到訓練有素的集中式深度神經網絡，并快速獲得準確的分析結果。這項技術可以加快診斷速度，并協助神經科醫生和神經外科醫生進行更好、更快的手術規劃。”

作為下一步，該小組計劃進行更大規模的臨床試驗，以使研究更接近臨床實施。

“目標是實現高效、有效的動態腦成像，操作簡單，成本低，”何解釋說。“這種基于人工智能的腦源成像技術使之成為可能。”