原创Synced机器之心
机器之心分析师网络
作者：Jiying
编辑：Joni
这篇文章围绕机器学习（ML）和功能性磁共振成像（fMRI）的应用问题，以三篇最新的研究型论文为基础，探讨基于统计学中ML的fMRI分析方法。
本文主要讨论的是机器学习（ML）和功能性磁共振成像（fMRI）的应用问题。fMRI主要用来检测人在进行各种脑神经活动时（包括运动、语言、记忆、认知、情感、听觉、视觉和触觉等）脑部皮层的磁力共振讯号变化，配合在人脑皮层中枢功能区定位，就可研究人脑思维进行的轨迹，揭示人脑奥秘。其基本原理是利用MRI来测量神经元活动所引发之血液动力的改变。所以，利用ML连接fMRI图像，以了解人脑正在观察和思考的物件是理论上可行的。以本文讨论的问题为例，神经科学家现在可以通过像数据科学家一样运行计算模型来预测并准确地将神经功能与认知行为联系起来。不过，这些技术与人工智能模型有着相同的偏见（biases）和局限性（limitations），需要严格的科学方法加以应用[1]。
虽然神经科学家在20世纪初就注意到了大脑血流有明显的变化，但是却一直没有找到合适的方法来测量这些变化。20世纪80年代出现了一种有效的方法：正电子发射体层摄影(术)（positionemissiomtomography，PET）。有了这种技术，研究人员能够通过放射性追踪和检测光子（phonto）发射来观察神经元活动的变化。由于这些光子在神经元消耗最多葡萄糖的地方降解得最多，因此它们可以显示出神经元的活动。然而，早期使用这种方法时面临着一个问题：每个人的大脑都有不同的尺寸和结构，差异和变化非常大。此外，PET扫描的空间和时间图像分辨率非常低。它们检测的区域至少有一毫米宽，需要10秒钟才能收集到足够的数据来形成图像。所以该技术的早期应用范围相当有限。
磁共振成像（magneticresonanceimaging，MRI）可以在原子核振动的基础上构建更准确的大脑图像。由于MRI扫描仪以不同的速度向许多位置发送信号，它可以通过解码不同的频段来成像。不过在MRI成像时需要使用一种造影剂，这种造影剂可能对受试者的健康有危险。幸运的是，在注意到核磁共振信号对大脑中血液循环的含氧量敏感后，许多研究小组在90年代提出了检测大脑活动的功能性磁共振成像（fMRI）的概念。
神经科学家的传统方法是通过发现最活跃的信号区域来推断统计学上的选择性区域。现代研究目标则是推断出选择性区域的共性活动模式。研究人员发现，神经网络并不会对一个物体有特别的反应，但从统计学角度上分析，却分布着对许多物体的不同比例的反应。这是一种统计学上的相关关系。此外，现代神经科学家的另一个研究目标是通过训练一个计算模型，从更大的数据集中预测人类感知的物体。这种基于机器和统计学习的方法旨在根据神经模型的交叉验证来预测人们的思维。
但是，尽管取得了一些成功，但是对这些基于统计学的科学推论我们仍需要谨慎分析和讨论。fMRI分析测量了数十万个称为体素（voxel）的小方块。为了从大脑的某个部分找到有意义的反应，而不是由于随机的变化，必须进行统计测试。因此，需要衡量真假阳性的风险，如研究人员在他们的一个实验中发现了一个重要的反应，但当这些实验被多次重复时，这一反应信号在一般的数据中却变得不明显。因此，人们必须能够将实验重复几百次甚至几千次，才能确定结果。使用fMRI统计的另一个问题是所谓的"非独立性（nonindependence）"统计错误。研究人员倾向于选择最适合他们研究的数据和结果。例如，在所有的统计测试中，他们可能会