成像人脑可读性的计算极限

我们对人群水平上人脑组织方式的认知尚未转化为预测个体水平功能差异的能力，这限制了临床应用，并对所推断机制的泛化性提出质疑。目前仍不清楚这一困难是源于脑内缺乏可区分的生物模式，还是源于我们所掌握的模型与计算能力难以触及这些模式。在此，我们以空前规模的数据与计算 comprehensively 考察此类模式的可解析性。基于 UK Biobank 的 23 810 名独特受试者，我们系统评估了从所有可用的结构与功能神经影像数据组合中对 25 项个体生物特征的可预测性。在超过 4526 GPU 小时的计算中，我们训练、优化并样本外评估了 700 个个体预测模型，包括人口统计学、心理学、血清学、慢性疾病与功能连接特征的 fully-connected feed-forward 神经网络，以及宏观与微观结构脑影像的单模态与多模态 3D 卷积神经网络模型。我们发现性别（平衡准确率 99.7%）、年龄（平均绝对误差 2.048 年，R2 0.859）与体重（平均绝对误差 2.609 Kg，R2 0.625）的高可预测性（我们在此设定了新的 SOTA 性能）与其他特征出奇低的可预测性之间存在显著差距。结构影像与功能影像对心理学的预测均不优于慢性疾病的巧合（p<0.05）。血清学可预测慢性疾病（p<0.05），且最易被慢性疾病预测（p<0.001），其次为结构神经影像（p<0.05）。我们的发现表明，要从人脑中解读个体水平特征，要么需要信息量更大的影像，要么需要更强大的模型。