加州大学圣地亚哥分校医学院的一组神经科学家应用了一种神经成像方法，他们相信这种方法将重振许多大脑研究人员的工作。

他们的研究成果发表在《大脑皮层》杂志上，概述了一种利用神经影像数据预测认知和行为变量的方法。该技术包括检查广泛使用的大脑磁共振图像 (MRI)，以找到与各种行为的关联，然后将这些关联的预测应用于独立的未见样本。

加州大学圣地亚哥分校医学院放射学系博士后研究员 Carolina Makowski 博士解释说，研究人员通常使用 MRI 检查大脑的特定结构，以确定它们在行为或能力中的作用，包括短期记忆、解决问题的能力或广泛的认知功能。

马科夫斯基是这篇论文的第一作者和通讯作者，他表示，该团队的工作推翻了一种普遍持有的观点，即除非研究涉及数千名参与者，否则神经影像学研究就无法产生有意义的结果。

“不可能总是有成千上万的个体参与，”马科夫斯基说。“许多研究和资助都是基于较小的数据集。”

研究小组发现，只要正确使用多变量方法，即使只涉及几十名参与者，研究结果也令人满意。根据 Makowski 的说法，典型的神经影像学研究采用单变量分析，测试大脑中一个点与一种行为之间的相关性或关联性。“在这种情况下，是的，你可能需要数千名参与者参与研究。”

她解释说，多变量研究采用了一种关联模式。此外，马科夫斯基表示，该小组通过关注基于任务的功能性 MRI 数据，看到了相关性和关联性的最大影响。“对于利用工作记忆过程的任务来说，这一点尤其明显，”她说。“这些任务激活模式不仅能预测一般认知，还能预测实际上属于任务一部分的相关行为。”

论文合著者、加州大学圣地亚哥分校认知科学、精神病学和放射学教授、人类发展中心主任 Terry L. Jernigan 博士补充说，该团队能够通过使用多变量分析方法“训练和调整”大型数据集，从较小的数据集中获得良好的结果。为了进行训练，该团队使用了青少年大脑认知发展 (ABCD) 研究数据库，这是一份来自大约 12,000 名 9 岁和 10 岁儿童的 MRI 汇总。

“当有大量结构良好的数据与我们希望预测的复杂结果相关时，我们可以使用多变量方法(顺便说一句，通常称为 AI)来‘训练’大型数据集，”Jernigan 说道。她补充说，在大型数据集中“调整”选定的关系，在应用于小型研究时可以提高预测能力。

马科夫斯基补充说，一般来说，训练样本越大，实际研究规模就越小，但如果你一开始就研究强效应，那么训练样本也不一定需要包括数千人。

“因此，在预测一般认知能力时，如果你有 5,000 名儿童作为训练样本，那么你只需复制 40 名儿童，就可以从与工作记忆相关的大脑激活中预测认知能力。即使训练样本中有 100 名儿童，我们仍然能够使用相同的大脑激活模式，在复制中仅用 60 名儿童就能很好地预测认知能力，”她说。

加州大学圣地亚哥分校神经科学、精神病学、认知科学和数据科学教授、资深和共同通讯作者 Anders M. Dale 博士表示，该团队的方法将帮助科学家充分利用 ABCD 数据库的潜力，使他们能够专注于与不同健康结果相关的庞大研究中的较小部分。

“ABCD 一开始就这么大是有原因的，”他说。“这实际上是因为你想能够观察个体子集的影响。我们想观察物质使用结果、精神病结果、痴呆症等。这就是它被设计成这样的原因。”

戴尔补充说，当小样本方法与其他类型的分析(例如遗传学研究或其他类型的成像)相结合时，其预测能力可以得到增强。

论文合著者、神经科学系研究员蒂姆·布朗 (Tim Brown) 博士表示，该团队的发表成果意义重大，因为它重新打开了全球脑研究人员认为已被 2022 年的一篇论文关闭的大门，该论文声称只有非常大的数据库才能产生有价值的结果。

“有一大批研究经费获得者并没有数千名受试者，”他说，“他们突然被告知：‘你无法进行可重复的研究。’我们在这里展示的是，可重复的全脑关联研究并不需要数千名受试者。”

除上述人员外，还有：赵伟奇，加州大学圣地亚哥分校多模态成像和遗传学中心及认知科学系;Donald J. Hagler Jr.，加州大学圣地亚哥分校多模态成像和遗传学中心及放射学系;Pravesh Parekh，挪威奥斯陆大学奥斯陆大学医院及临床医学研究所精神健康和成瘾科;Hugh Garavan，佛蒙特大学精神病学系;Thomas E. Nichols，牛津大学纳菲尔德临床神经科学系。