无监督地绘制大脑病变和行为之间的因果关系
Iman A Wahle1,2,3, Joseph Griffis4, Ralph Adolphs1,2
1Division of Biology and Biological Engineering, California Institute of Technology, Pasadena, CA 91125, USA.
bioRxiv : the preprint server for biology
|December 15, 2025
概括
这项研究介绍了因果特征学习 (CFL),这是一种分析大脑损伤对行为影响的新方法. CFL确定了最佳的分析水平,揭示了新的病变行为地图,并改进了传统方法.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 计算神经科学是一种神经科学.
背景情况:
- 人类病变研究对于理解大脑行为因果关系至关重要.
- 一个关键的挑战是确定适当的细粒度来分析大脑区域和行为.
- 现有的方法很难确定最佳的分析水平,并揭示复杂的损伤-行为关系.
研究的目的:
- 引入因果特征学习 (CFL),这是一个基于数据的方法,用于损伤行为映射.
- 为了使分析细粒度和损伤行为关联的同时学习.
- 发现新的,横向的损伤行为地图,而没有预先指定大脑区域或结果.
主要方法:
- 开发并应用了因果特征学习 (CFL) 框架.
- 使用模拟数据集来测试CFL的稳定性与正规相关性分析 (CCA) 相比.
- 将CFL应用于人类病变受试者的大量数据集,包括语言,视觉空间和抑郁症症状数据.
主要成果:
- 在CCA失败的模拟数据中,CFL成功地恢复了病变行为地图.
- 通过识别已知的病变行为地图来验证语言和视觉空间缺陷的CFL.
- 证明了CFL在病变和抑郁症症状之间发现新的关联的能力.
结论:
- CFL提供了一种强大,数据驱动的方法,用于推进损伤行为映射.
- 该方法通过学习最佳分析水平来克服传统方法的局限性.
- CFL促进了对大脑病变如何影响认知功能和情绪状态的新见解的发现.


