一项最近的研究探讨了脑连接与智力之间的关系，强调了预测建模中可解释性的重要性，以更深入地了解人类认知。该研究发表在《PNAS Nexus》上，研究人员通过优先考虑模型的可解释性而非单纯预测性能，提供了关于人类认知的新见解。
机器学习在神经科学中的应用
神经科学研究从单变量解释性研究转向基于机器学习的预测建模，这一转变使得分析行为与多个神经生物学变量之间的关系成为可能，从而可以预测多样本的行为。智力作为预测生活结果（如健康和学业成就）的关键因素，已经得到了广泛研究，理论将其分为流体智力和晶体智力。近期的机器学习方法利用脑连接数据增强了智力预测，但概念性见解有限、依赖特定的智力测量方法以及方法论限制表明，需要进一步研究以系统探索预测脑特征。
研究方法
本研究采用了严格的方法，所有分析、样本量和变量均在开放科学框架（Open Science Framework）上预先注册。主要分析遵循预先注册的协议，还进行了额外的事后分析，以进一步探索与智力预测最相关的脑连接。
研究参与者来自人类连接组项目（Human Connectome Project, HCP）年轻成人样本S1200，包括1200名年龄在22至37岁之间的个体。研究获得了知情同意，所有程序均得到华盛顿大学机构审查委员会的批准。
排除了缺失数据、基于简易精神状态检查（Mini-Mental State Examination, MMSE）得分26及以下的认知障碍或头部运动过大的参与者后，最终样本包括806名参与者，其中418名为女性，733名为右利手。通过认知测试分数的双因子和探索性因子分析，估计了一般智力（gg）、晶体智力（gCgC）和流体智力（gFgF）。
功能磁共振成像（fMRI）数据在静息状态和七个认知任务期间收集，以构建受试者特定的功能连接（FC）矩阵。经过初步处理的fMRI数据进行了额外的预处理步骤，包括干扰回归、全局信号校正和任务诱发激活的去除，以提高连接性估计的准确性。预测建模使用前馈神经网络，包括五折交叉验证、超参数优化和外部去混杂方法来控制年龄、性别和头部运动等协变量。
为了增强模型的可解释性，使用逐层相关性传播（Layer-wise Relevance Propagation, LRP）来识别对预测最关键的脑功能连接。外部复制使用阿姆斯特丹开放MRI集合（Amsterdam Open MRI Collection, AOMIC）的两个独立数据集进行，以确保结果的清晰性和普适性。
统计分析包括皮尔逊相关系数、基于误差的度量和非参数置换检验，以评估预测性能并比较不同数据集间的模型。
研究结果
使用HCP的数据研究了功能连接（FC）在预测智力中的作用。一般智力（gg）、晶体智力（gCgC）和流体智力（gFgF）成分从12个认知测量中估计得出，并显示出显著的相关性。
个体功能连接（FC）由100个皮质节点在静息状态和七种任务状态下构建。此外，计算了两种潜在的功能连接，一种跨越静息和任务状态，另一种仅跨越任务状态，总计十个认知状态用于分析。
预测性能在不同的智力成分之间有所不同。一般智力（gg）的预测达到了观察值和预测值之间的最高相关性，其次是晶体智力（gCgC）和流体智力（gFgF）。任务状态也影响了预测准确性，认知要求较高的任务和潜在功能连接的表现优于其他任务。
在不同的脑网络中，认知网络如默认模式网络、控制网络和注意网络提供了最强的预测能力，显著优于躯体运动和边缘系统等网络。
系统选择的功能脑连接表明，智力预测依赖于成分、状态和网络之间的相互作用。除一个网络外训练的模型表现出最小的性能下降，这突显了分布在脑网络中的补偿性智力相关信息。
最佳预测结果使用了通过逐步LRP识别出的1000个最相关的脑连接。这些连接广泛分布于皮质区域，并在不同的认知状态之间有所差异。
在HCP锁箱样本中的验证确认了研究结果的准确性，所有智力成分的预测性能均显示出显著的相关性。使用AOMIC数据的外部复制展示了结果的普适性，尽管效应量较低。关键的预测性能模式在状态和网络之间保持一致。基于1000个最相关连接的模型显著优于随机选择的模型。
结论
一般智力（gg）和晶体智力（gCgC）的预测表现始终优于流体智力（gFgF），这突显了它们在神经病理生理学上的系统差异。这些发现因认知状态和网络的不同而异，认知要求较高的任务和全脑连接的表现优于静息状态测量。
基于已建立的智力框架的理论驱动模型提供了有意义的见解，但被全脑模型超越。总体而言，当前研究确定了大约1000个高度预测性的脑连接，形成了跨越主要功能系统的分布式网络。
参考文献：
Thiele, J. A., Faskowitz, J., Sporns, O., et al. (2024). Choosing explanation over performance: Insights from machine learning-based prediction of human intelligence from brain connectivity. _PNAS Nexus. _doi:10.1093/pnasnexus/pgae519
(全文结束)
