自 1990 年代功能性磁共振成像发展以来，随着研究人员调查来自静止大脑和大脑解剖结构本身的 fMRI 数据如何用于预测个体特征，例如抑郁症、认知能力下降，对神经影像学的依赖猛增, 和脑部疾病。
大脑成像有可能揭示许多特征的神经基础，从抑郁症和慢性广泛性疼痛等疾病到为什么一个人的记忆力比另一个人好，以及为什么有些人的记忆随着年龄的增长而恢复。但是脑成像检测特征的可靠性一直是一个广泛争论的话题。
先前对全脑相关研究(称为“BWAS”)的研究表明，大脑功能与结构和特征之间的联系非常微弱，以至于需要成千上万的参与者来检测可复制的影响。这种规模的研究需要在每项研究中投入数百万美元，限制了可以研究的特征和脑部疾病。
然而，根据发表在《自然》杂志上的一篇新评论，当使用最先进的模式识别(或“机器学习”)算法时，可以获得更强大的大脑测量和特征之间的联系，这些算法可以从适中的样本量。
在他们的文章中，达特茅斯大学和埃森大学医学院的研究人员对华盛顿大学医学院的 Scott Marek、马萨诸塞州综合医院/哈佛医学院的 Brenden Tervo-Clemmens 及其同事领导的全脑关联研究的早期分析做出了回应.
早期的研究发现，在几项大型脑成像研究中，一系列特征之间的关联非常微弱，因此得出结论，需要数千名参与者才能检测到这些关联。
这篇新文章解释说，在早期论文中发现的非常微弱的影响并不适用于所有大脑图像和所有特征，而是仅限于特定情况。它概述了如何更好地利用来自数百名参与者而不是数千名参与者的 fMRI 数据来产生有关个人的重要诊断信息。
标签：
免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！