认知神经成像的未来发展

过去经常被问到的问题是：脑成像给神经科学弄清楚了哪些原来不知道的问题？MRI研究提示了关于脑功能的分布式功能网络的新看法。第一，功能性成像实现了以前从来认为是不可能的。例如，特征化了完整脑的功能解剖。所谓“完整脑”是指不涉及病理学，以及由于疾病或发育异常而引起的可能的脑功能可塑性重组。第二，功能性神经成像的研究结果强调了一点：即使一个简单的作业，它所卷入的脑区也比原来我们所设想的、从病变缺失研究所得到的要更广泛。这个结果导致了观念上更丰富的更新，即支撑认知的脑功能并不仅仅是功能的分化和定位问题，也基于功能的整合，那就是分布的功能。如前所述，后一种特征化提出了一系列新的问题，也促进了方法学的新改进。这些都是为了探讨一个问题，即实施心理作业时，分布的脑区是如何相互作用的。通过这种相互作用可以评估不同脑区局部活动之间的相互信息交换和依赖关系以及有效的连接，也就是一个脑区对另一个脑区的因果性影响。此外，这些发展现在又给研究者提供了新的工具，可以提出这样的问题：有关的脑区如何能够组成为一个分布网络？而经过某些实验操作之后，例如注意或不注意，或者经过某些形式的学习之后，脑区又如何在网络中相互作用？［1］近年来的连接组学（connectomics）研究支持fMRI研究的结果，已经向人们提出了对脑功能组构的新看法。这一看法把经典的脑定位性特异化理论与分布式功能网络的特点结合在一起。这样一来，就可以对正常认知功能和脑疾病时的功能异常，形成一个更加完整的看法。所涉及的临床处理问题有：成年人神经网络的可塑性，局限性脑病变可能的全身性后果，对临床脑疾病的分类［4］。

此外，自从应用先进的神经成像技术以来，对大脑半球特异化（hemispheric specialization，HS）的认识有了明显改变。大脑半球特异化指认知、感觉和运动功能与一套脑结构之间的半球依赖关系。对大脑半球特异化认识的明显改变，包括两方面的内容。第一，语言、视空间功能、运动控制、用手优先等的神经装置在发育过程中的变化。第二，对大脑半球内及大脑半球之间相互作用的细致分析［5］。

神经成像现在已经确立了它自己的学术地位，它是一种在系统水平上了解人脑的重要方法。当前在这个领域里面，似乎有两种观念上的趋向。一方面，是按照“库恩(1)式”的文化标准，大部分是描述性的成像神经科学，它应用标准的以及基于经典实验操控和数据分析的、一般公认的研究方法。这是该领域的主要方面，证明这门学科在科学上已经成熟。但是还有另一方面，与前面所讲的探讨方法有所不同，这种新方法更加依赖于理论性的以及计算神经科学的原理，大部分指向更广阔的问题，接触到脑功能的基本问题，例如脑是怎么工作的，也就是，从“在哪里”到“为什么”的问题转变。在这方面，我们看到了神经成像需要非常明确的学科汇聚，需要与其他领域的专家一起工作，例如工程学、动态设计以及计算神经科学［1］。

当前的一般性脑理论，包含了一种看法，认为脑的轴心功能是推断感觉输入的后果。几乎普遍如此：这些理论依赖于层次性神经网络模型，即感觉数据是如何产生的模型。系统神经科学的相关性，源于这样的事实：脑内的层次性再优化会被打乱，这就会带来必需的自组织相互作用，在感觉和运动层次的不同水平上进行调整。从系统水平上看，应用fMRI脑成像（也包括EEG、MEG）可以提供功能组构的准确划定。如上所述，人们可以把生物学现实模型颠倒过来，引入大量的状态变量和生物物理参数，通过应用最新的贝叶斯定理技术，此项技术能够把任何实验性地引起变化的不确定性加以定量化。颠倒这些模型，将允许我们推断用非侵入性技术所不能直接看到的神经元过程，例如突触后的谷氨酸反应敏感化，或者神经元锋电位的适应性变化［1］。

目前正在进行的啮齿类研究显示了这种方法的潜在力量，而且强调了更一般性的希望，就是把微观和宏观尺度的神经生物学研究联系起来，通过把从动物得来的和从人的神经成像得来的结果进行联姻，在技术上建立相互的关联。从病人身上得到颅内记录的增多，将可以提供进一步的桥梁，用来检测非侵入性方法模型和预测的精密度及分辨。换句话说，可以用定量的形式优化我们的模型及评估水平，检验特定的成像模式是否足以回答我们在神经生物学模型水平上所提出的问题。进一步的进展肯定会在更密切的相互作用中得到好处，一方面是成像神经科学家，另一方面是为了追求神经回路微观特征化的科学家。为了能够经验式地约束微回路以及神经连接的相对强度，这种结合的知识是必需的，然后才可以直接转化到我们现在的EGG、MEG或fMRI数据，这实质上就是用微观观察到的脑结构来特征化宏观的脑功能，从而把微观和宏观结合起来［1］。

人脑的某些区域以解剖学上可分离的方式代表特定的视觉信息类型。例如人梭状回脸区（fusiform face area，FFA），它位于腹侧视觉流经过的地方，它对脸孔的反应较之对其他目标的反应更强。同样，旁海马位置区（parahippocampal place area，PPA）是旁海马回的一个区，对含有房屋及视觉场景的图像反应最强。因为两个皮层代表区相互间隔几厘米的距离，所以通过测定这两个不同脑区的活性，有可能追踪某一受试者当前是在想脸孔还是在想视觉图像，如一栋房子。实验结果表明，当测定对象在想象脸孔的时候（比之他想象建筑物的时候），fMRI测定到的FFA活性高一些；而当他在想象建筑物的时候（比之他想象脸孔的时候），PPA的活性高一些。人类观察者只要记录每个参与者的FFA和PPA活性，在85%的测试中，就能够正确地鉴定参与者想象的刺激类别（图10-14）。所以，根据个别脑区的脑活性，个别的内省性神智事件就可以被追踪，如果实现它的神经代表区是互相很好地分离开来的，例如上面举的PPA和FFA区的例子。作为宏观定位的脑图像，同样神经代表的空间区分也可能存在，例如早期视觉皮层的视野图，也即初级视觉皮层，运动或躯体感觉的小人图（homunculus）。这种宏观空间图谱上不同脑区的活性，可以用来推断行为。例如，当参与者运动他的左大拇指或者右大拇指时，用fMRI测得的左侧和右侧初级运动皮层的活性差别，可以用来准确地预测参与者在做哪个运动［6］。

图10-14　根据fMRI反应来解码对象的视知觉（彩图见图版此处）

（a）梭状回（FFA，红）脸区和旁海马区（PPA，蓝）是两个特异的区域，根据这两个区域空间上可区分的信号来解码视觉想象的内容。当想象脸孔（红箭头）时，FFA区信号增高；而当想象建筑物（蓝箭头）时，PPA区的信号增高。观察者只要记录每个参与者的FFA和PPA活性，就能在85%的测试中正确鉴定参与者想象的刺激类别。（b）从颞叶对象选择性反应脑区的反应型式来解码对象知觉。让受试者看椅子或鞋子，可以引起在空间上延伸的反应型式。看这两种物体时的反应型式稍微有点区别，但有部分重叠。为了确定所觉察的对象在多大程度上可以根据这些反应型式来解码，把所得数据分为两个独立的数据组（在这里采用单数或双数测试序列），再用一组数据提取对椅子和鞋子两者的模板反应。然后，其余数据组的反应型式可以被分类，通过给它们指定一种具有最“类似”反应的模板。在这里，相似性可以用Pearson相关系数（r）加以测定，如果在两个独立数据组中，把相同的对象范畴和不同的对象范畴作比较，则系数r是高的。高相关性表明，在相应的空间型式之间有高相似性。（图引自［6］）

视觉腹侧传导通路上存在解剖学上不同的模块化加工区域，这种情况可以允许根据单个脑位点进行有力的解码。于是提出了这样的建议：这种研究途径可应用于不同的对象类别，例如脸、场景、身体的部分，甚至字母。但这种特异化模块的数目一定是有限的；而且围绕这种脑区在多大程度上真正对于加工一个类型对象是特异化的，还有不同的看法。由于有相互重叠但又分布的这种代表型式，如果根据脑区活性来解码知觉，就可能有潜在的问题。如果单一脑区在多个不同的认知状态或知觉拷贝条件下都有反应，那么想用这种相对低空间分辨的非侵入性神经成像，来个性化（individuate）特定的知觉拷贝或者思想，将是困难的，甚至是不可能的。但是，可以不要采取分别测定模块加工区然后再用来追踪对相应物体类型之知觉的方法，而采取另一种途径，即分析脑活动的空间分布型式，用后一种途径可以达到知觉解码的目的。例如，不同类别对象的视觉代表可以在腹侧枕-颞叶皮层引起空间延伸，但又有部分重叠的反应型式。每个型式包含了具对象选择性的大脑皮层各个位点上空间分布的fMRI信号。知觉性解码可用以下方法实现：先测定对应于一系列不同对象组别的代表性样板（或训练）型式，再把以后所获得的测定结果加以分类，分类的标准是在训练阶段诱发了最类似的反应型式。在各种分布反应型式之间界定相似性的最简单方法，是计算一下测试型式与以前获得的模板型式之间的相关性。如果测试型式与模板型式相关得最好，这个测试型式便指定给这一个模板。或者可以用一些更精细复杂的型式认知方法，如线性分辨分析法支持向量机器。应用这些强大的分类方法，已经证明有可能正确地界定：一个受试者目前在看什么，即使给予多个不同类型的对象，例如脸孔、特定动物以及人造的某种物体［6］。

许多细致对象的特征是在更精细的空间尺度上被代表的，超过了fMRI的分辨能力。例如，下颞叶皮层编码高水平视觉特征的神经元组构成为柱状代表，这种代表比之通常用的人神经成像技术分辨所能达到的，具有更细致的空间尺度。类似地，低水平的视觉特征例如特定线条边的朝向，其在初级视觉皮层上的编码仅几百微米的尺度。然而，近来的工作演示了以这种型式为基础的解码，在相对低的空间分辨条件下获得的BOLD对比的fMRI信号，可以成功地预测对这种低水平知觉特征的知觉。例如，提供给个体的运动朝向及方向，甚至视觉刺激所包含的颜色，这些特点可以通过解码初级视觉皮层局部脑区信号型式的空间分布而加以预测。这些空间分布的反应型式，可能反映了具偏好的fMRI低分辨取样，而它在这种高分辨特征图谱上是具有不规则性的（图10-15a）。令人惊异的是，虽然fMRI通常仅有相对低的空间分辨，但对于成像朝向的解码倒是有可能达到高准确度的（图10-15b，右），甚至仅简单地测定一次初级视觉皮层的活性就可以了。即使只有一个脑容积（在2 s内所得到的容积）被分类，预测的准确度也可以达到80%。而与此相对比，通常的单变量图像分析不能检测差别性朝向刺激所激活的差别，即使有几百个体积中更多的数据。显然，通常的研究方法相当程度地低估了单次fMRI测定所获得的信息含量［6］。

图10-15　从初级视觉皮层样品型式中解码知觉的朝向（彩图见图版此处）

（a）灵长类初级视觉皮层（V1区）的神经元具有不同的朝向选择性，沿着皮层表面对含有该种神经元的脑区进行系统作图，具有同样朝向调谐的脑区间的间隔估计为500 μm（图解式地显示于左侧小图），小图中的不同颜色对应于不同朝向。fMRI通常的分辨为1.5～3 mm，而不同朝向优先的皮层代表靠得很近，因此这种皮层代表应该不能被fMRI所分辨（如左侧小图的测定网格所表示）。然而模拟方法演示，这些图像中的一点小的不规则性，却使得每个体素可以采样具有不同调谐特征、不同比例的细胞（右侧小图），这样就导致对朝向优先的每个体素的潜在偏好。（b）让受试者观看含有不同朝向横条的图像时，每个朝向引起初级视觉皮层轻微的不同反应型式。在V1和V2区，这个作图显示了对不同朝向的空间优先型式，作图于大脑皮层表面拉平的模式图上（v：腹侧）。虽然每个小面积脑区的优先是小的，但当整个全部空间反应型式的信息都得到考虑时，觉察到的朝向却可以有把握地被解码，而且具有高准确度。右侧小图显示两个不同的直角相交的朝向刺激被解码的准确性，如果训练一个线性支持向量分析器（linear support vector classifier）来分类反应不同的朝向。很重要的是要注意这一点，从原则上看，通过这种取样偏好的型式，应该可以观察任何一种细颗粒的皮层微构筑，例如对象的特征柱、视觉优势柱等。虽然这种取样偏好架起了潜在的、令人兴奋的桥梁：一边是宏观技术（例如fMRI），另一边是微观技术（例如单细胞记录放电），但是仍须注意，不可能根据这些体素集合体的调谐功能，来直接推断视觉皮层个别神经元的朝向偏好。体素集合体调谐的宽度将依赖于许多参数，不仅是单个神经元的调谐，例如具有不同朝向优先细胞分布的空间各向异性、体素的大小、fMRI测定中的信-噪水平，还有导致血液BOLD信号变化的神经-血管耦合的型式及空间尺度等。然而，这种取样偏好的型式是重要的，因为它提供了一条途径，可以用非侵入性方法发现人类测试对象所存在的特征特异的信息。（图引自［6］）

近年来，脑功能成像对于研究诸多认知问题作出了很大贡献，一些脑功能成像的研究结果与以前从脑损伤结果所得到的是一致的，这是可以想象的。但是，也有一些结果超出了以前从脑损伤结果所能想象的。例如，一个最简单的记忆研究、一个简单作业，其所需要参与的脑区比损伤研究所预料的要多得多。这件事情反映了一个事实：功能属性如果是根据脑损伤模型，它是基于一个假定，就是损伤后果仅仅反映受损伤区域的功能中断，但事实上通过深入的研究发现，损伤对于认知的影响不只是去掉了功能，也去掉了功能整合；不只是影响功能分化，也影响了功能整合。因此，局限损伤对认知的冲击应该是既反映局部的效果，也反映分布的效果。这是根据神经影像学的发现可以推论的［1］。