陳富琴 張俊然 楊 冰

(四川大學電氣信息學院醫(yī)學信息工程系，成都 610065)

基于模型的功能磁共振成像方法研究綜述

陳富琴 張俊然*楊 冰

(四川大學電氣信息學院醫(yī)學信息工程系，成都 610065)

基于模型的功能磁共振成像(fMRI)方法是新世紀以來在神經(jīng)影像領(lǐng)域興起的極具發(fā)展?jié)摿Φ难芯糠椒?。相比傳統(tǒng)的影像學方法，它可以深入探究特定的認知過程是如何在一個特定的腦區(qū)以及腦區(qū)環(huán)路中實現(xiàn)的，而不僅僅是標識某個任務(wù)活動的最終激活腦區(qū)，并能揭示模型內(nèi)部變量與神經(jīng)影像數(shù)據(jù)之間的關(guān)聯(lián)，為有效探測大腦功能活動提供重要手段。重點綜述基于模型的fMRI方法的兩類常用計算模型框架(單腦區(qū)建模包括強化學習模型和主觀價值模型，腦區(qū)交互作用建模采用心理-生理交互作用模型)，簡述近年來該方法的應(yīng)用狀況和最新進展，并討論該方法的不足及未來發(fā)展趨勢。

基于模型的功能磁共振成像方法；計算模型；強化學習模型；主觀價值模型；心理-生理交互作用模型

引言

20世紀90年代末，出現(xiàn)了功能磁共振成像(functional magnetic resonance imaging, fMRI)技術(shù)。由于它具有無創(chuàng)、相對高的空間分辨率、通過計算和統(tǒng)計能定位腦功能區(qū)等特點，已經(jīng)被廣泛應(yīng)用于臨床、心理學以及認知神經(jīng)科學等研究領(lǐng)域。然而，隨著研究的深入，單純進行腦功能定位已經(jīng)不再能夠滿足神經(jīng)影像的研究需要，激活腦區(qū)在功能活動中的具體作用，以及某個功能活動是否還涉及到隱含的未知腦區(qū)，更加值得研究者的關(guān)注。由于現(xiàn)有fMRI數(shù)據(jù)分析不能量化內(nèi)部參數(shù)，存在不能描述功能活動具體過程的局限性，所以引入描述內(nèi)部變量和變化過程的計算模型，結(jié)合fMRI數(shù)據(jù)進行分析，成為了一種改進選項。隨著標準模型的出現(xiàn)和可供選擇模型的增多，使得各種模型和fMRI數(shù)據(jù)結(jié)合起來進行分析成為了可能。從2003年開始，基于模型的fMRI方法*特指本文綜述的需要選擇計算模型應(yīng)用到fMRI數(shù)據(jù)分析中的神經(jīng)影像方法，而非基于GLM框架的分析方法。(model-based fMRI approach)得以迅速發(fā)展[1-3]。它是近10年來備受關(guān)注的神經(jīng)影像分析方法，其目標是通過計算模型內(nèi)部變量和某個特定腦區(qū)活動的關(guān)聯(lián)性，使模型能夠真實地反映某個功能活動。與傳統(tǒng)fMRI數(shù)據(jù)分析不同，基于模型的fMRI方法能夠深入探知在一個特定的腦區(qū)以及腦區(qū)環(huán)路中如何具體實現(xiàn)一個特定的功能活動，而不僅僅是標識某個任務(wù)活動的最終激活腦區(qū)。

首先，與傳統(tǒng)的fMRI數(shù)據(jù)分析相比，基于模型的fMRI方法由于具有規(guī)范的數(shù)學表達描述，使得其能夠量化所研究的特定功能活動過程。其次，傳統(tǒng)的fMRI試驗過程包括組塊設(shè)計、事件相關(guān)設(shè)計、混合設(shè)計，而基于模型的fMRI方法更多需要借用事件相關(guān)和基于試驗(trial)的方法來設(shè)計實驗過程[4]。再次，基于模型的fMRI方法可以在幾個競爭計算模型中選擇有著最佳數(shù)據(jù)解釋的模型來提高其可信度。在時間精度上，由于模型可以自行定義時間步長(以ms或更小的時間間隔為單位)，所以即使是更為復雜的實驗設(shè)計過程(如反應(yīng)時更短的心理學試驗)，也完全可以構(gòu)建相應(yīng)的計算模型。最后，這些模型以反復試驗為基礎(chǔ)來確定特定的內(nèi)部變量，基于模型的fMRI方法是利用模型的內(nèi)部變量而非模型的輸出來進行預測的，這為探究認知過程或功能活動的神經(jīng)生物學解釋提供了直接證據(jù)。

1 基于模型的fMRI方法的一般步驟

基于模型的fMRI方法的標準步驟是：先通過模型擬合行為數(shù)據(jù)來確定模型自由參數(shù)，然后對生成的模型預測時間序列進行回歸，于是就可以找到大腦活動與這些內(nèi)部變量相關(guān)的腦區(qū)。這整個過程能夠揭示模型的內(nèi)部變量和它們對神經(jīng)結(jié)構(gòu)的映射關(guān)系，可以探索某個大腦功能的神經(jīng)發(fā)生機理，從而研究行為背后的工作機制。

從廣義上來說，基于模型的fMRI方法就是將許多認知功能的定量計算模型應(yīng)用到fMRI數(shù)據(jù)分析中的神經(jīng)影像方法。這個計算模型能夠描述一組刺激輸入和一組行為反應(yīng)之間的映射或變換?？梢园汛碳ぽ斎牒托袨榉磻?yīng)之間的關(guān)系理解成某一個認知過程，實際上這個方法就是對認知過程建立數(shù)學或計算模型。傳統(tǒng)的fMRI實驗將刺激任務(wù)設(shè)定為事件相關(guān)、組塊設(shè)計和混合實驗設(shè)計，要解決的問題是某個特定的實驗條件引起血氧水平依賴(blood oxygen level dependent, BOLD)信號反應(yīng)時激活腦區(qū)的位置。而基于模型的fMRI方法所要探知的是參與某個特定認知過程被激活的一個特定腦區(qū)或一組腦區(qū)，以及在這些腦區(qū)間是如何協(xié)作完成活動的，實現(xiàn)了大腦從功能定位到信息流向的轉(zhuǎn)變，它揭示的是大腦內(nèi)部感興趣變量與神經(jīng)影像數(shù)據(jù)之間的關(guān)聯(lián)[2]。

基于模型的fMRI方法，至少包括以下3個重要且重合的步驟[5]。

第一步，定義一個計算模型。認知過程的計算模型一般被描述為計算、算法和實現(xiàn)水平3個階段。計算水平指定計算的最終目標；算法水平重在如何實現(xiàn)計算理論，也就是說如何指定輸入和輸出以及輸入和輸出之間通過怎樣的數(shù)學運算實現(xiàn)；實現(xiàn)水平指定算法如何在基礎(chǔ)的神經(jīng)回路中實現(xiàn)。由于神經(jīng)元活動是由血流動力學反應(yīng)間接測量的，再加上所得數(shù)據(jù)絕對時空分辨率不高，所以大部分用于fMRI數(shù)據(jù)分析的計算模型都描述為計算或算法水平階段。也就是說，這些模型都注重認知過程中使用的數(shù)學運算表達，而并不關(guān)心如何實現(xiàn)這些計算以及實現(xiàn)過程是否和實際的神經(jīng)元結(jié)構(gòu)緊密匹配。總之，為某個認知過程定義一個計算模型，就是使用內(nèi)部變量、以數(shù)學形式來合理地描述認知過程，而且有些模型允許通過自由模型參數(shù)擴展。

第二步，確定自由模型參數(shù)。在選定一個認知過程的計算模型之后，就必須確定自由的模型參數(shù)，這對隨后fMRI結(jié)果的解釋是至關(guān)重要的。原則上，用于選擇模型參數(shù)的具體值有以下兩種方式：一是所選擇的這些參數(shù)值需要符合模型預測對觀測的行為數(shù)據(jù)的最佳擬合，使模型預測和行為數(shù)據(jù)之間的差異最?。欢钱斎狈τ幸饬x的行為數(shù)據(jù)時，可以依照以前發(fā)表的相關(guān)文獻中所用的參數(shù)來確定自由模型參數(shù)。

在參數(shù)估計時，除了將行為測量數(shù)據(jù)和BOLD信號相擬合之外，還可以采用其他數(shù)據(jù)源(如生理測量、心電信號等)擬合來得到模型參數(shù)；如果模型出現(xiàn)了系統(tǒng)性的偏差(即殘差結(jié)構(gòu)，就是說不管怎樣進行曲線擬合都會出現(xiàn)接收范圍之外的誤差)，那么就需要考慮新的因素(或腦區(qū)活動)加入到模型中。此外，當同一個功能活動過程存在不同競爭模型的比較時，模型的自由參數(shù)越多，擬合數(shù)據(jù)就越有優(yōu)勢。當不同的競爭模型對行為數(shù)據(jù)有著相似的預測時，則要進一步通過擬合fMRI數(shù)據(jù)來確定。一旦優(yōu)化模型及其參數(shù)被確定，就會提取模型的內(nèi)部變量信號，然后將這些信號作為fMRI分析的預測指標。

第三步，使用模型內(nèi)部變量作為fMRI的預測指標。首先，創(chuàng)建一個回歸量并計算其由模型內(nèi)部變量產(chǎn)生的具體數(shù)值，這個回歸量需要與實驗中特定的時間點關(guān)聯(lián)起來產(chǎn)生模型時間序列。值得注意的是，該時間點必須選擇內(nèi)部變量期望發(fā)生的時間點，簡單來說就是將內(nèi)部變量(比如試驗與試驗間的預測錯誤)轉(zhuǎn)化為fMRI數(shù)據(jù)分析回歸量。為了考慮血液動力學引起的延遲，通常會將上述產(chǎn)生的模型預測時間序列與血流動力學響應(yīng)函數(shù)(hemodynamic response function, HRF)相卷積。然后，將這個新生成的回歸量作為一個預測變量包含在單個被試的fMRI設(shè)計矩陣中，再放到一般線性模型(general linear model, GLM)中進行回歸分析，最后根據(jù)統(tǒng)計需求做一階和二階分析，得到與內(nèi)部變量顯著相關(guān)的隱含腦區(qū)。

2 基于模型fMRI方法的兩個層面

基于模型的fMRI方法至少可分為兩個層面。第一個層面是針對單個隱含腦區(qū)進行建模分析，試圖了解單個腦區(qū)在某一個神經(jīng)活動中的具體作用，其主要代表模型有強化學習模型和主觀價值模型[6-7]。通過假定某個認知過程的計算是在一個腦區(qū)中來進行研究，以此找到這個隱含腦區(qū)。第二個層面是針對腦區(qū)交互作用進行建模分析，涉及兩個及以上的腦區(qū)，通過建模來構(gòu)建兩個因素之間的交互影響，再從fMRI數(shù)據(jù)分析中得到這些因素對應(yīng)的腦區(qū)。該連通性模型可以用來分析某一認知任務(wù)狀態(tài)下特定腦區(qū)激活的相互作用關(guān)系，其主要代表模型是心理-生理交互作用模型[8]；假定其計算是在多個腦區(qū)組成的腦區(qū)環(huán)路中進行，最后獲得這個環(huán)路或網(wǎng)絡(luò)所涉及的腦區(qū)。

2.1 單個隱含腦區(qū)的建模

目前，根據(jù)基于模型的fMRI方法，已經(jīng)使用了許多計算模型來研究大腦某單個隱含腦區(qū)參與某一認知任務(wù)的特定功能[2,9]。其中，強化學習模型具有強調(diào)經(jīng)典的刺激-反饋過程、結(jié)構(gòu)簡單以及參數(shù)較少等優(yōu)點，得到了較為廣泛的應(yīng)用[10]；主觀價值模型可以整合多個實驗因素，單獨和交互地觀測對變量的影響，所以在fMRI研究中也應(yīng)用較廣。這兩個模型都反映了個體選擇行為背后的神經(jīng)整合機制。

2.1.1 強化學習模型

強化學習模型(reinforcement learning model)是一類常用在學習和決策制定中的模型[11]，它描述智能系統(tǒng)從環(huán)境到行為映射的學習，從而使獎勵信號函數(shù)值最大化。通常，簡單的強化學習模型主要使用時間差分學習規(guī)則來學習預測值，其公式表達如下：

(1)

(2)

式中，γ代表未來回報的比例系數(shù)，Rt表示當前時間點獲得的獎勵，V為預期獎勵值，δ為預測錯誤值，α為學習率。

這里，基于模型的fMRI方法是將強化學習模型與fMRI數(shù)據(jù)相結(jié)合，其具體流程見圖1(b)。首先，確定學習和決策過程使用的計算模型為強化學習模型，將被試在fMRI實驗中的行為數(shù)據(jù)輸入到強化學習模型中，以確定模型的自由參數(shù)，使模型預測與真實的行為結(jié)果之間的差異最小。然后，用這個最佳自由參數(shù)(集)計算得到模型內(nèi)部變量的時間序列，通過與HRF卷積得到內(nèi)部變量的預期BOLD響應(yīng)信號(即GLM回歸量)，并輸入到GLM設(shè)計矩陣中進行全腦每個體素的回歸分析，最后通過參數(shù)估計和統(tǒng)計比較，得到與內(nèi)部變量顯著相關(guān)的隱含腦區(qū)。

為了進一步說明該方法與傳統(tǒng)fMRI分析方法的不同，圖1(a)給出了傳統(tǒng)fMRI分析方法的流程。對比圖1(a)和(b)，可以得出兩者的主要區(qū)別有：一是基于模型的fMRI方法需要為某個特定認知過程確定計算模型以及實驗任務(wù)(一般為事件相關(guān)設(shè)計任務(wù))，而傳統(tǒng)fMRI分析方法不需要；二是設(shè)計矩陣中的感興趣變量不同，基于模型的fMRI方法針對的是模型內(nèi)部變量，而傳統(tǒng)fMRI分析方法針對的是某個任務(wù)的實驗刺激響應(yīng)。

圖1 傳統(tǒng)fMRI分析方法與基于模型的fMRI方法對比。(a)傳統(tǒng)fMRI分析方法(空間工作記憶任務(wù)組塊設(shè)計的實例)；(b)基于模型的fMRI方法(強化學習模型與fMRI數(shù)據(jù)結(jié)合的實例)Fig.1 Comparison between traditional fMRI analysis method and model-based fMRI approach. (a) Traditional fMRI analysis method (the instance of block design of spatial working memory task); (b) Model-based fMRI approach (the instance of reinforcement learning model combined with fMRI data)

從上述分析以及圖1可知，強化學習模型這個架構(gòu)涉及兩個十分重要的內(nèi)部變量是預測錯誤信號和預期獎賞信號。研究發(fā)現(xiàn)，預測錯誤信號神經(jīng)關(guān)聯(lián)的顯著相關(guān)腦區(qū)一致性地被發(fā)現(xiàn)位于紋狀體和前額葉皮層[1-2]。它們反映了獎勵預測錯誤信號的變化，表明來自中腦多巴胺神經(jīng)元的信號傳播到大腦的其他區(qū)域。此外，對于與預測錯誤相關(guān)的精確腦區(qū)位置主要在紋狀體(腹側(cè)和背側(cè))[12-14]、前額葉皮層(包括眶額葉、腹外側(cè)和背外側(cè))[1]、中腦[15]以及小腦[1]。這些研究都表明，眶前額葉皮層和內(nèi)側(cè)前額葉皮層參與了跟蹤與選擇選項有關(guān)的預期未來回報的行為，而且這些腦區(qū)的神經(jīng)活動與強化學習模型產(chǎn)生的預期信號一致。

基于模型的fMRI方法利用強化學習模型，將研究水平從行為和認知水平延伸到了神經(jīng)功能水平，為捕獲學習和決策機制的具體實現(xiàn)過程提供了神經(jīng)關(guān)聯(lián)依據(jù)。它通過計算特定內(nèi)部變量信號與全腦每個體素中BOLD生理響應(yīng)之間的相關(guān)性來確定顯著相關(guān)腦區(qū)，然后就可以推斷這些腦區(qū)參與了信號的傳遞或處理過程，從而找到隱含腦區(qū)。強化學習模型確定了內(nèi)部參數(shù)，比如預測錯誤、學習率、獎勵敏感度和以前的強化記憶，將認知和獎勵學習以及決策這兩個分離的領(lǐng)域聯(lián)系在一起，從而可以更為清楚地理解強化學習的神經(jīng)基礎(chǔ)。又因為它允許學習和行為顯性預測，所以能夠?qū)W習和行為與心理過程聯(lián)系起來，并為它們提供了一個有用的規(guī)范框架，從而常用于條件反射、分類學習以及行為控制等研究[16-20]?；诖四Ｐ偷膄MRI分析方法，打開了通往針對實驗操作以及動態(tài)跟蹤神經(jīng)信號傳遞過程的大門，由此可以揭示控制行為的計算機制和神經(jīng)基礎(chǔ)。

2.1.2 主觀價值模型

主觀價值模型(subjective value model)是對個體主觀偏好的描述，可以根據(jù)不同的實驗處理效應(yīng)引發(fā)的行為表現(xiàn)測量其主觀價值，這些不同的處理效應(yīng)即是心理變量，也叫客觀變量(比如金錢數(shù)量、延遲獎勵和疼痛水平)。該模型的數(shù)學表達形式有兩種，一種是根據(jù)線性和非線性價值函數(shù)的形式描述，另一種是根據(jù)雙曲線折算函數(shù)的描述。價值函數(shù)用非線性交互模型形式[7]表示如下：

(3)

式中，SV為主觀價值，mx為金錢數(shù)量，px為疼痛水平，βm、βp和βmp分別表示金錢、疼痛和交互作用的大小。

價值函數(shù)由指數(shù)α調(diào)節(jié)，α=1為線性，α<1為凹性曲線，α>1為凸性曲線。由此，以線性和非線性形式可以得出4個模型：

1)當α=1且βmp=0時，為線性獨立模型；

2)當α≠1且βmp=0時，為非線性獨立模型；

3)當α=1且βmp≠0時，為線性交互模型；

4)當α≠1且βmp≠0時，為非線性交互模型。

在實驗處理分析時，通過比較獨立模型和交互模型的差異，確定參與大腦整合機制的腦區(qū)。

雙曲線折算函數(shù)描述如下：

問題不僅能促進學生的思考，提升學生的思維能力，同時具有趣味性的問題也可以激發(fā)學生的好奇心，讓學生樂于去進行知識的學習和探究，并在學習中體驗成功的樂趣.物理觀念是學生走進物理世界，形成正確物理意識的必經(jīng)之路，對于學生運用物理知識解釋物理現(xiàn)象有著重要的作用.高中物理教師要以學生的興趣為教學的出發(fā)點，通過設(shè)計具有趣味性和啟發(fā)性的問題，開啟學生的智慧，幫助學生形成正確的物理觀念.

(4)

式中，SV為主觀價值，D是延遲，A是總數(shù)，k是比例系數(shù)，用以描述在延遲折扣時的個體選擇行為差異。

主觀價值模型的核心變量是主觀價值。大量的fMRI研究顯示，在決策條件下，與主觀價值顯著相關(guān)的腦區(qū)主要集中在少數(shù)幾個腦區(qū)[21]，包括腹側(cè)紋狀體、腹內(nèi)側(cè)前額葉皮層、后扣帶回和中腦。決策過程的主觀價值編碼可能會由于獎勵類型(主要指延遲獎勵和概率獎勵)、獎勵大小和時間因素的影響而不同，因此有些研究從不同獎勵維度探究了主觀價值的神經(jīng)關(guān)聯(lián)機制[22-24]。這些研究能夠進一步幫助理解許多神經(jīng)精神疾病中沖動和缺乏興趣兩種行為背后的神經(jīng)機制。

主觀價值模型能夠捕獲在選擇過程中針對不同選項值如何整合成主觀價值信號來指導行為的機制。由于行為研究已不能為神經(jīng)信號的價值整合提供豐富的信息，所以需要對神經(jīng)信號進行建模，用來分析大腦決策系統(tǒng)對價值整合的計算機制。這種方法能夠?qū)⒉煌纳窠?jīng)系統(tǒng)功能和決策定量模型中包含的隱藏過程聯(lián)系起來，從而探究大腦中對決策信息追蹤的實現(xiàn)過程。

2.2 腦區(qū)交互作用建模

作為基于模型的fMRI方法的另一個類別，腦區(qū)交互作用建模主要是指連通性模型，它在功能整合層面上描述大腦皮層區(qū)域間的網(wǎng)絡(luò)和連通性關(guān)系。一般連通性模型包括功能連通性和有效連通性：功能連通模型探測的是時間相關(guān)性，只是為了檢測兩個功能腦區(qū)間是否存在交互作用，并不能反映信息流的關(guān)系；而有效連通性模型能度量兩個腦區(qū)之間交互作用的大小以及信息流向，從而檢測一個腦區(qū)在多大程度上由于其他腦區(qū)或外界因素的影響而改變。心理-生理交互作用(psychophysiological interaction, PPI)模型兼具功能連通性與有效連通性模型的功能，基于回歸模型的PPI被廣泛應(yīng)用，探測隨著不同認知狀態(tài)實驗條件下腦區(qū)之間的連接調(diào)制關(guān)系。

心理-生理交互作用分析方法由Friston與其同事于1997年提出[8]，用來表示心理變量同生理變量之間的調(diào)制關(guān)系。從數(shù)學上看，在某個實驗條件下，將一個區(qū)域的激活水平與第二個區(qū)域的激活水平進行回歸，那么斜率反映第二個區(qū)域?qū)Φ谝粋€區(qū)域的影響。如果在另一個實驗參數(shù)條件下重復回歸，這個斜率會產(chǎn)生變化，那么這種變化就是心理-生理交互作用而導致的。PPI分析方法基于GLM的因子模型，在實際操作時如圖2所示。首先，要選定一個感興趣區(qū)域作為種子區(qū)域，將功能成像圖像的每一個體素都用實驗條件、感興趣區(qū)域的時間序列以及這兩者之間的交互作用建模。設(shè)定感興趣區(qū)域的時間進程作為生理變量，感興趣的實驗條件對比作為分析中的心理變量，這兩者的乘積作為分析用的交互作用變量(生理變量調(diào)制心理變量所得的GLM回歸量)。然后，將這3個因素以及其他不感興趣的效果(比如全局激活效應(yīng)、時間效應(yīng)等)對功能成像數(shù)據(jù)中每個體素的時間序列進行GLM建模，其模型表達式如下：

(5)

式中，Xi為成像圖像中第i個體素的信號值，βi和βG為待估計參數(shù)，εi為估計后的殘差。

在PPI分析中，交互作用項XY×gP的幅度值βi通常是功能連接性研究中感興趣的變量，而主效應(yīng)在這種研究中往往被當作不感興趣的變量進行控制。

圖2 心理-生理交互作用模型Fig.2 Psychophysiological interaction model

在不同的實驗狀態(tài)中，PPI作為GLM回歸量進行參數(shù)估計，會得到不同的統(tǒng)計參數(shù)圖(顯示的是種子區(qū)與大腦每個體素的BOLD信號之間的相關(guān)程度)，再通過統(tǒng)計比較得到最終結(jié)果的統(tǒng)計參數(shù)圖。若發(fā)現(xiàn)結(jié)果存在顯著的交互作用，就表示激活區(qū)域與種子區(qū)域之間存在受到感興趣實驗因素影響的功能連通性。

按照相同思想，心理-生理交互作用還可以擴展為生理-生理交互作用，即用兩個區(qū)域時間序列的交互作用來進行建模，而不再是區(qū)域時間序列和實驗條件之間的交互作用。更復雜的模型可以根據(jù)兩個區(qū)域的時間序列和一個實驗條件的主效應(yīng)以及其之間的交互關(guān)系進行建模，這就是“生理-生理-心理”三因素交互作用。

近10年來，PPI分析在各類認知功能腦網(wǎng)絡(luò)的研究中應(yīng)用廣泛，其中以研究情緒的腦神經(jīng)機制較為常見。由于杏仁核這一腦區(qū)在處理面部情感功能中占有舉足輕重的地位，所以大多數(shù)研究都是選取杏仁核作為種子區(qū)進行PPI分析[25]。PPI分析經(jīng)常和強化學習模型和主觀價值模型結(jié)合來探究學習獎勵和決策機制，這使得研究結(jié)果更符合觀測的行為數(shù)據(jù)和fMRI數(shù)據(jù)，具有真實的生理學意義。目前，較多的研究是將該方法用于探究各類神經(jīng)精神疾病的神經(jīng)機制，尤其是對精神分裂癥、帕金森綜合癥和創(chuàng)傷應(yīng)激性障礙等的神經(jīng)機制[26-28]。

PPI分析能夠評估參與某個任務(wù)的腦功能網(wǎng)絡(luò)活動如何被心理狀態(tài)調(diào)節(jié)的過程，從而探測不同認知狀態(tài)實驗條件下腦區(qū)之間的連接調(diào)制關(guān)系。不同于單個腦區(qū)的建模分析，PPI分析研究的是在局部腦網(wǎng)絡(luò)水平上對相關(guān)腦區(qū)的調(diào)制作用。因此，基于模型的fMRI方法利用PPI分析，將研究水平又從神經(jīng)元活動水平拓展到了腦網(wǎng)絡(luò)水平，揭示了大腦在某種認知條件下各相關(guān)腦區(qū)協(xié)同完成任務(wù)的功能整合過程。相比傳統(tǒng)的fMRI分析，這種方法能夠提供對大腦活動的生理和心理整合影響的信息。

3 基于模型的fMRI方法的最新進展

最近幾年，在認知神經(jīng)科學和影像研究中，迅速發(fā)展起來的一類計算模型是真實的生物物理計算模型[29]，它從細胞水平和突觸層面來描述可能發(fā)生的電、化學活動事件，從而探究在疾病狀態(tài)下突觸機制是否遭到破壞。由于這種模型以網(wǎng)絡(luò)模塊的形式對特定認知活動過程進行詳細研究，所以可以將這種網(wǎng)絡(luò)層面的交互也納入基于模型的fMRI方法的第二個層面(連通性模型)。這一類模型主要包含兩個全局參數(shù)，即突觸神經(jīng)網(wǎng)絡(luò)中本地節(jié)點復發(fā)性興奮強度和兩節(jié)點間遠程連接強度。特別突出的是，Anticevic研究小組使用此模型設(shè)計了藥理學fMRI實驗，基于任務(wù)正激活和靜息狀態(tài)網(wǎng)絡(luò)之間具有反相關(guān)關(guān)系，他們探測了大范圍反相關(guān)神經(jīng)網(wǎng)絡(luò)之間的交互作用，觀測了突觸活動受到擾動后的表現(xiàn)[30]。他們的模型由兩個模塊組成：一個是任務(wù)激活，承擔工作記憶的計算；另一個是任務(wù)去激活，信號來自于高度活躍的基線狀態(tài)。通過模擬發(fā)現(xiàn)，整個網(wǎng)絡(luò)的去抑制作用導致了靜息狀態(tài)模塊不能關(guān)閉，這破壞了工作記憶任務(wù)中激活和去激活的模式。該研究提供了一個范例，即一個特定認知過程的微環(huán)路模型怎樣被整合進系統(tǒng)層面的交互，并對基于任務(wù)的功能連接做出相關(guān)的預測。在精神分裂癥NMDA受體功能可能受到影響的假說下，Anticevic等研究了正常人施加氯胺酮后其工作記憶任務(wù)的表現(xiàn)(模擬精神分裂癥狀)，結(jié)果建立了大范圍反相關(guān)神經(jīng)系統(tǒng)、認知過程中谷氨酸的作用和精神分裂癥相關(guān)癥狀之間的聯(lián)系[30]。在2015年，他們還發(fā)現(xiàn)NMDA受體拮抗劑對前額皮層連通性的影響更類似于精神分裂癥的早期階段而非慢性精神分裂癥[31]，這對于利用計算模型結(jié)合藥物干預的全新fMRI手段來研究精神分裂癥等精神疾病的機制、治療，推動神經(jīng)生物學研究手段的進展，都具有重要意義[32]。

4 總結(jié)與展望

在傳統(tǒng)方法中，一個特定任務(wù)或條件下，通常只是分析報道一組被激活的腦區(qū)。這樣的描述有助于了解特定認知過程的空間定位，但卻不能深入了解被激活的腦區(qū)如何參與實現(xiàn)這些過程；而理解這些實現(xiàn)過程，對于進一步揭示認知活動、情感反應(yīng)、記憶生成乃至疾病變化有著極為重要的價值，其潛力還遠遠沒有被充分挖掘?；谀Ｐ偷膄MRI方法正好克服了傳統(tǒng)神經(jīng)成像研究所采取方法的局限性，是一種有效探測大腦功能活動的分析方法。

基于模型的fMRI方法雖然是一種強有力的技術(shù)，但是它也存在許多問題。首先，使用這種方法需要測試大腦中高度特定的信號，并允許測試一個特定的計算假設(shè)，但同時它可能會限制其檢測不符合特定先驗假設(shè)的意外結(jié)果，因此這可能是研究者們?nèi)粤晳T使用更傳統(tǒng)的分析方法的原因之一。其次，這個方法的一個潛在弱點是分析結(jié)果可能取決于模型中自由參數(shù)的設(shè)置，已有研究指出精確地設(shè)定自由參數(shù)并不總是必要的，而且對確定不同腦區(qū)的精確計算作用可能更難[33]。最后，由于fMRI時空分辨率的限制，基于模型的fMRI方法還不能提供洞察在神經(jīng)元或功能柱層面上更精細的計算信號的傳遞情況，尤其是在不同的交叉區(qū)域內(nèi)，神經(jīng)元可能會傳遞不同的計算信號。

鑒于以上這些局限性，有必要將基于模型的fMRI方法和其他的技術(shù)結(jié)合，如可以和fMRI同步采用實驗手段，或結(jié)合人類可以承受以犧牲空間精度為代價獲取更高時間分辨率的成像手段(比如MEG或EEG)，這可能會是未來研究的一個方向。尤其是在同步腦電-功能磁共振(EEG-fMRI)數(shù)據(jù)應(yīng)用方面，可利用兩者的優(yōu)勢建立類似Hopfied脈沖神經(jīng)網(wǎng)絡(luò)的模型，從而有望對單個神經(jīng)元的放電活動進行研究；還可以建立動態(tài)系統(tǒng)模型，研究功能柱或神經(jīng)集群的功能整合性和時間同步性。另外，值得注意的是，基于模型的fMRI方法和有效連通性模型一樣，都關(guān)注某個特定功能活動在大腦中的實現(xiàn)過程，其區(qū)別在于前者是針對某個特定的功能活動或認知過程的計算模型來尋找其中的隱含腦區(qū)，而后者是需要根據(jù)一定的先驗知識或數(shù)據(jù)本身來探知種子區(qū)與其相關(guān)腦區(qū)之間的信息流關(guān)系。已有人研究將動態(tài)因果模型(一種有效連通性模型)結(jié)合基于模型的fMRI方法，這樣可將計算模型的內(nèi)部變量用于調(diào)節(jié)腦區(qū)間的連接強度[34]。因此，在今后的神經(jīng)影像研究中，將多種方法結(jié)合，用于探究多個腦區(qū)間的信息流特征，這將會是一個極具前途的技術(shù)途徑。

[1]O’DohertyJP,DayanP,FristonK,etal.Temporaldifferencemodelsandreward-relatedlearninginthehumanbrain[J].Neuron, 2003,38(2):329-337.

[2]O’DohertyJP,HamptonA,KimH.Model-BasedFmriAndItsApplicationToRewardLearningAndDecisionMaking[J].AnnalsoftheNewYorkAcademyofSciences, 2007,1104(1):35-53.

[3]ForstmannBU,WagenmakersE-J.Model-BasedCognitiveNeuroscience:AConceptualIntroduction[M]//ForstmannBU,WagenmakersEJ.AnIntroductiontoModel-BasedCognitiveNeuroscience.NewYork:SpringerNewYork, 2015: 139-156.

[4]HuettelSA.Event-relatedfMRIincognition[J].Neuroimage, 2012,62(2):1152-1156.

[5]Gl?scherJP,O′DohertyJP.Model‐basedapproachestoneuroimaging:combiningreinforcementlearningtheorywithfMRIdata[J].WileyInterdisciplinaryReviews:CognitiveScience, 2010,1(4):501-510.

[6]FuWT,AndersonJR.Fromrecurrentchoicetoskilllearning:areinforcement-learningmodel[J].JournalofExperimentalPsychology:General, 2006,135(2):184-206.

[7]ParkSQ,KahntT,RieskampJ,etal.Neurobiologyofvalueintegration:whenvalueimpactsvaluation[J].TheJournalofNeuroscience, 2011,31(25):9307-9314.

[8]FristonK,BuechelC,FinkG,etal.Psychophysiologicalandmodulatoryinteractionsinneuroimaging[J].Neuroimage, 1997,6(3):218-229.

[9]O’DohertyJP,BuchananTW,SeymourB,etal.Predictiveneuralcodingofrewardpreferenceinvolvesdissociableresponsesinhumanventralmidbrainandventralstriatum[J].Neuron, 2006,49(1):157-166.

[10]MathysC,DaunizeauJ,FristonKJ,etal.ABayesianfoundationforindividuallearningunderuncertainty[J].FrontiersinHumanNeuroscience, 2011,5(2):39.

[11]SuttonRS,BartoAG.Reinforcementlearning:Anintroduction[M].Cambridge:CambridgeUnivPress, 2011.

[12]O'DohertyJ,DayanP,SchultzJ,etal.Dissociablerolesofventralanddorsalstriatumininstrumentalconditioning[J].Science, 2004,304(5669):págs. 452-454.

[13]SeymourB,DawN,DayanP,etal.DifferentialEncodingofLossesandGainsintheHumanStriatum[J].JournalofNeurosciencetheOfficialJournaloftheSocietyforNeuroscience, 2007,27(18):4826-4831.

[14]Gl?scherJ,HamptonAN,O'DohertyJP.Determiningaroleforventromedialprefrontalcortexinencodingaction-basedvaluesignalsduringreward-relateddecisionmaking[J].CerebralCortex, 2009,19(2):483-495.

[15]MurrayG,CorlettPL,PessiglioneM,etal.Substantianigra/ventraltegmentalrewardpredictionerrordisruptioninpsychosis[J].MolecularPsychiatry, 2008,13(3):267-276.

[16]ChenC,OmiyaY,YangS.Dissociatingcontributionsofventralanddorsalstriatumtorewardlearning[J].JournalofNeurophysiology, 2015,114(3):1364-1366.

[17]WhiteCN,CongdonE,MumfordJA,etal.Decomposingdecisioncomponentsinthestop-signaltask:amodel-basedapproachtoindividualdifferencesininhibitorycontrol[J].JournalofCognitiveNeuroscience, 2014,26(8):1601-1614.

[18]HuS,IdeJS,ZhangS,etal.Conflictanticipationinalcoholdependence—Amodel-basedfMRIstudyofstopsignaltask[J].NeuroImage:Clinical, 2015,8:39-50.

[19]BratecSM,XieX,SchmidG,etal.Cognitiveemotionregulationenhancesaversivepredictionerroractivitywhilereducingemotionalresponses[J].Neuroimage, 2015,123:138-148.

[20]DavisT,LoveBC,PrestonAR.Striatalandhippocampalentropyandrecognitionsignalsincategorylearning:simultaneousprocessesrevealedbymodel-basedfMRI[J].JournalofExperimentalPsychology:Learning,MemoryandCognition, 2012,38(4):821-839.

[21]BartraO,McGuireJT,KableJW.Thevaluationsystem:acoordinate-basedmeta-analysisofBOLDfMRIexperimentsexaminingneuralcorrelatesofsubjectivevalue[J].Neuroimage, 2013,76:412-427.

[22]KableJW,GlimcherPW.Theneuralcorrelatesofsubjectivevalueduringintertemporalchoice[J].NatureNeuroscience, 2007,10(12):1625-1633.

[23]PetersJ,BüchelC.Overlappinganddistinctneuralsystemscodeforsubjectivevalueduringintertemporalandriskydecisionmaking[J].TheJournalofNeuroscience, 2009,29(50):15727-15734.

[24]MiedlSF,BüchelC,PetersJ.Cue-inducedcravingincreasesimpulsivityviachangesinstriatalvaluesignalsinproblemgamblers[J].TheJournalofNeuroscience, 2014,34(13):4750-4755.

[25]DasP,KempAH,LiddellBJ,etal.Pathwaysforfearperception:modulationofamygdalaactivitybythalamo-corticalsystems[J].Neuroimage, 2005,26(1):141-148.

[26]DasP,KempAH,FlynnG,etal.Functionaldisconnectionsinthedirectandindirectamygdalapathwaysforfearprocessinginschizophrenia[J].SchizophreniaResearch, 2007,90(1):284-294.

[27]WuT,ChanP,HallettM.EffectiveconnectivityofneuralnetworksinautomaticmovementsinParkinson'sdisease[J].Neuroimage, 2010,49(3):2581-2587.

[28]BryantRA,KempAH,FelminghamKL,etal.Enhancedamygdalaandmedialprefrontalactivationduringnonconsciousprocessingoffearinposttraumaticstressdisorder:AnfMRIstudy[J].HumanBrainMapping, 2008,29(5):517-523.

[29]WadeJ,KelsoS,CrunelliV,etal.Biophysicallybasedcomputationalmodelsofastrocyte～neuroncouplingandtheirfunctionalsignificance[J].FrontiersinComputationalNeuroscience, 2013,7:44.

[30]AnticevicA,GancsosM,MurrayJD,etal.NMDAreceptorfunctioninlarge-scaleanticorrelatedneuralsystemswithimplicationsforcognitionandschizophrenia[J].ProceedingsoftheNationalAcademyofSciences, 2012,109(41):16720-16725.

[31]AnticevicA,CorlettPR,ColeMW,etal.N-Methyl-D-Aspartatereceptorantagonisteffectsonprefrontalcorticalconnectivitybettermodelearlythanchronicschizophrenia[J].BiologicalPsychiatry, 2015,77(6):569-580.

[32]AnticevicA,MurrayJD,BarchDM.Bridginglevelsofunderstandinginschizophreniathroughcomputationalmodeling[J].ClinicalPsychologicalScience, 2015,3(3):433-459.

[33]WilsonRC,NivY.Ismodelfittingnecessaryformodel-basedfMRI?[J].PlosComputationalBiology, 2015, 11 (6):e1004237.

[34]DenOudenHE,FristonKJ,DawND,etal.Adualroleforpredictionerrorinassociativelearning[J].Cerebralcortex, 2009,19(5):1175-1185.

The Review of Model-Based fMRI Approach

Chen Fuqin Zhang Junran*Yang Bing

(DepartmentofMedicalInformationEngineering,SchoolofElectricalEngineeringandInformation,SichuanUniversity,Chengdu610065,China)

Model-based fMRI approach has emerged as a promising potential technique in neuroimaging field since the new century. Compared to conventional fMRI approach, model-based fMRI approach can provide insight into how a particular cognitive process is implemented in a specific brain area or brain circuit as opposed to merely identifying where a particular process is located. It can reveal the relationship between internal variable of the model and the neuroimaging data, which provides an important approach to investigate brain functional activity effectively. This article mainly focused on the model-based fMRI approach in terms of the two computational frameworks (modeling single area: including reinforcement learning model and subjective value model; modeling brain areas interaction: psychophysiological interaction), and briefly described the application of model-based fMRI approach as well as its latest progress. Finally, we discussed the existing deficiencies of this approach and a prospect for its future development trend.

model-based fMRI approach; computational model; reinforcement learning model; subjective value model; psychophysiological interaction model

10.3969/j.issn.0258-8021. 2016. 03.012

2015-12-28， 錄用日期:2016-03-11

國家自然科學基金(81000605,81110108007); 廣東省自然科學基金重點項目(S20120200-10867); 四川省科技計劃項目(2015HH0036)

R318;R445.2

A

0258-8021(2016) 03-0340-08

*通信作者(Corresponding author)， E-mail:zhangjunran@126.com