研究揭示了大脑中枢(点)和连接(线)可以预测……
这项研究揭示了大脑中枢(点)和连接(线)可以预测攻击行为。
资料来源:Ibrahim等人,2021年

人工智能揭示了与儿童攻击性有关的大脑网络

儿童精神障碍,如对立违抗性障碍和注意力缺陷/多动障碍(ADHD),可以表现为愤怒的爆发和身体攻击。更好地理解这些症状的原因可能有助于制定治疗策略。耶鲁大学的研究人员使用了一种基于机器学习的方法,发现表现出攻击性的儿童的大脑连接被破坏了。

虽然之前的研究专注于特定的大脑区域,但新的研究确定了整个大脑的神经连接模式,与儿童的攻击性行为有关。这些发现建立在一种被称为“连接体”的大脑功能新模型的基础上,该模型描述了这种全脑连接模式。

“适应性不良的攻击性会导致对自己或他人的伤害。这种具有挑战性的行为是被转介到儿童心理健康服务的主要原因之一,”耶鲁儿童研究中心的资深作者和副教授丹尼斯·苏霍多尔斯基说。“基于连接体的建模为参与攻击行为的大脑网络提供了一种新的解释。”

这项研究是同类研究中的首次,研究人员收集了这些数据功能磁共振成像(功能性磁共振成像)数据的同时,孩子们进行了一项面部情绪感知任务,在这项任务中,他们观察了面部做出平静或恐惧的表情。研究人员说,看到表达情绪的面孔可以激活与情绪产生和管理相关的大脑状态,这两者都与攻击性行为有关。科学家们随后应用了机器学习分析以确定区分有和没有攻击行为历史的儿童的神经连接。

他们发现,参与社会和情感过程的大脑网络模式——比如对家庭作业感到沮丧或理解朋友为什么沮丧——预示着攻击行为。为了证实这些发现,研究人员随后在一个单独的数据集上对他们进行了测试,发现他们的大脑网络预测攻击行为。特别是,在对有攻击性行为和焦虑症等障碍的儿童进行测试时,与背外侧前额叶皮层(一个涉及情绪调节和注意力和决策等高级认知功能的关键区域)的连接异常,始终如一地成为攻击性的预测因素。注意力缺陷多动症,自闭症

这些与背外侧前额叶皮层的神经连接可能代表一种攻击性的标志,这在一些儿童精神障碍中很常见。

“这项研究表明,这些大规模的大脑网络的鲁棒性和连通性的前额叶皮层可能代表一个神经标记的侵略,在临床研究中,可以利用“卡里姆Ibrahim说,在耶鲁大学儿童研究中心助理研究员和论文的第一作者。“人类功能性连接体描述了大脑的巨大互联性。了解连接体是神经科学的前沿,因为它可以为我们开发精神疾病的大脑生物标志物提供有价值的信息。”

Sukhodolsky补充说:“这种攻击的连接体模型也可以帮助我们开发临床干预,改善这些大脑网络和中枢(如前额叶皮层)之间的协调。这种干预可能包括教授调节沮丧和愤怒等负面情绪所需的情绪调节技能。”

这项研究发表在杂志上《分子精神病学》

订阅我们的时事通讯

相关文章

使用人工智能进行心理健康评估

使用人工智能进行心理健康评估

人工智能可以从问卷调查和大脑扫描中检测到有关心理健康的信息信号。

人工智能可能会改变医生治疗抑郁症的方式

人工智能可能会改变医生治疗抑郁症的方式

人工智能可能很快就会在选择最适合患者的抑郁症治疗方法方面发挥关键作用。

生物医学研究:深度学习优于机器学习

生物医学研究:深度学习优于机器学习

深度学习方法有可能提供更好的结果,产生更好的表征人类大脑的方法。

联合学习允许医院私下共享数据

联合学习允许医院私下共享数据

研究人员已经证明,联合学习在脑成像领域是成功的,它能够分析脑肿瘤患者的MRI扫描,并区分健康的脑组织和癌变区域。

人工智能用于识别不同类型的脑损伤

人工智能用于识别不同类型的脑损伤

研究人员开发了一种人工智能算法,可以检测和识别不同类型的脑损伤。

对于非常年轻的大脑的人工智能

对于非常年轻的大脑的人工智能

科学家们开发了一种创新的新技术,利用人工智能在磁共振成像(MRI)检查中更好地确定新生儿大脑的不同部分。

大脑中有多少种性别亚型?

大脑中有多少种性别亚型?

新的机器学习研究表明,至少存在9种性别“表达”。

人工智能和核磁共振检查脑肿瘤的基因组

人工智能和核磁共振检查脑肿瘤的基因组

研究人员开发了一种计算机方法,利用核磁共振成像和机器学习来快速预测胶质瘤肿瘤的基因突变,

深度学习提高了对多动症的MRI检测

深度学习提高了对多动症的MRI检测

深度学习可以提高MRI对注意力缺陷多动障碍(ADHD)的预测能力。

受欢迎的文章

订阅简报
Baidu