南卡罗来纳医科大学(Medical University of South Carolina)的一项研究将科学与人工智能相结合，有望为想要戒烟的吸烟者提供个性化的重复经颅磁刺激(rTMS)治疗。
研究负责人李兴宝(Xingbao Li)博士表示："我们希望提高rTMS的有效性和特异性，并减少副作用。"他是精神病学和行为科学系的副教授，对经颅磁刺激(TMS)进行了广泛研究。他的团队在《脑连接》(Brain Connectivity)期刊上发表了研究结果。
TMS利用电磁脉冲影响大脑活动，最广为人知的是在治疗抑郁症和强迫症方面的作用。副作用包括刺激部位不适和头痛。
TMS也已获得美国食品药品监督管理局(Food and Drug Administration)批准用于戒烟治疗。南卡罗来纳医科大学健康中心(MUSC Health)是南卡罗来纳州首个为吸烟者提供TMS治疗的医疗机构。研究表明，多次rTMS治疗，特别是针对大脑左背外侧前额叶皮层(dorsolateral prefrontal cortex)的刺激，可以减少烟瘾和香烟消耗量。
这项新的南卡罗来纳医科大学研究比这更加精准，利用一种称为机器学习(machine learning)的人工智能形式，分析大脑神经网络的图像，以确定是否可以预测哪些吸烟者可能从多次rTMS治疗中受益。
为此，研究人员使用功能性磁共振成像(functional magnetic resonance imaging, fMRI)来检测血流变化，以测量大脑活动。他们观察了参与者在静息状态(闭眼放松)以及暴露于吸烟照片时的神经网络活动。分析发现，一个神经网络尤为突出：显著性网络(salience network)。它过滤信息以确定什么是显著的、重要的，需要关注的。在研究中，显著性网络的连通性是rTMS有效性的最佳预测指标。
李兴宝博士表示："这项研究为我们扩展个性化rTMS和建立fMRI及多模态生物标志物管道提供了路线图。这些方法也可用于其他物质使用障碍(substance use disorders)。"
他继续说道："历史研究表明，吸烟者的奖赏网络是研究重点"，他指的是大脑中与动机和愉悦相关的部分。
"我们惊讶地发现显著性网络在吸烟行为中扮演着如此关键的角色。这使得显著性网络成为rTMS神经调节(neuromodulation)与成功戒烟之间的机制桥梁。"
他们借助机器学习找到了这一桥梁。在机器学习中，计算机分析并从数据中学习，而无需被专门编程。它们使用能够识别统计模式并适应这些模式的算法。这反过来让研究人员能够自动化工作的这一部分，并提高准确性。
在本案例中，机器学习分析了南卡罗来纳医科大学早期关于吸烟者TMS研究中收集的数据。
以下是早期研究的设置方式。研究人员招募了42名想要戒烟的人。他们被分为两组。一组接受真正的TMS治疗。另一组接受感觉真实的假TMS治疗。在每次TMS治疗前，他们都花一分半钟与香烟和烟灰缸等物品互动，然后在TMS治疗期间(无论是真实的还是假的)，观看人们吸烟的视频。每人接受了为期两周的10次治疗。
最终，研究人员发现接受真正TMS治疗的参与者"在两周治疗期间每天吸烟量显著减少"，更有可能在目标日期前戒烟，并且对烟草的渴望降低。
李兴宝博士表示，由于fMRI扫描也是早期工作的一部分，新研究能够在此基础上取得进展。"使用机器学习识别个体的功能障碍神经网络，然后对功能障碍网络应用rTMS，我们可以选择谁更适合使用rTMS，谁更适合使用药物来帮助他们戒烟。"
李兴宝博士表示，他们相对较小的研究为更大规模的研究奠定了基础，以进一步探索针对吸烟者的靶向TMS。"这表明南卡罗来纳医科大学的研究人员可以利用新颖且高影响力的科技，从固定靶点刺激向精准神经调节迈进。"
【全文结束】
