对三类建模路径的批判性综述
这篇论文要回答的是:深度学习与计算建模在研究意识状态上究竟走到了哪一步,又在哪里不足。它是一篇批判性综述,而非新实验:作者比较了三个方向的已发表研究——基于 EEG 和 fMRI 的脑状态自动分类、模拟麻醉作用的多层级模型,以及从动态结构-功能连接中提取的意识标记。
纳入规则会影响如何理解下文每一项结果。被纳入的研究必须发表在 Nature 系列期刊、以英文撰写、发表于 2018 年或之后、基于作者自己采集的真实数据,并且具有实际应用和可获取的全文。这一筛选把证据集中在文献的特定部分,因此综述的结论描述的是这一部分,而非整个领域。
置信阈值把模糊样本单列为未知类
最具体的分类结果来自一个由两个卷积神经网络加一个带多模态聚类的自训练自编码器组成的架构。第一个网络把记录分为主要状态——清醒、慢波睡眠和微觉醒——第二个网络区分微觉醒的亚型。90% 的置信阈值决定哪些样本被自动标注;模糊样本被标为“未知”,交给自编码器重建信号并分析功率谱密度,再进行最终聚类。
在大鼠局部场电位数据(n = 4)上采用留一法方案,该方法达到 91% 的总体准确率,检测过渡状态的平均准确率为 75% ± 6%。两个数字之间的差距正是关键:识别已经稳定的状态比捕捉状态之间的转换时刻更容易。带来高总体准确率的同一设计也带着它的限制——只有四只动物、单一记录类型、神经生理特征的可解释性低,并且换到新条件下需要专家调整超参数。
麻醉建模的两个方向与两类证据
一条路线从分子向上构建。一个多层级模型从脉冲神经元表示出发,经过脉冲神经网络,把群体动力学压缩为平均场描述;这些平均场节点再用个体人类解剖连接组在 The Virtual Brain 平台上连接起来。麻醉作用通过改变突触参数进入模型——丙泊酚和氯胺酮分别对应 GABA-A 与 NMDA 受体的时间常数——模型预测在宏观尺度上出现深麻醉特有的慢波 UP/DOWN 活动。
另一条路线从全脑统计向下展开。利用志愿者的 fMRI 数据,组内相关显示麻醉降低了大脑的“独特性”,主成分分析降低了维度并比较了人与猕猴的功能连接模式,优势分析则对哪些因素影响最大进行了排序。这些统计工具比神经网络更透明,因此作者把它们视为可推广到小鼠和狨猴的、基于连接组的模型的基础。
两个方向能主张的内容不同。自下而上的模型能预测动力学,但把药物作用简化为参数变化,而非完整的分子相互作用,并且依赖输入数据质量。自上而下的分析能识别有影响的因素,但适合小规模、同质的样本。两者都不是经过验证的临床预测工具。
连接熵随意识障碍严重程度下降
用 k-means 对 237 名意识障碍患者和 101 名健康志愿者的 EEG 连接模式进行聚类,得到五种主要连接模式,每种都与个体的意识水平相关。高加权熵是大多数健康人的特征;低值则是严重障碍患者的特征。
差距的大小随严重程度变化。相对于健康对照组,最小意识状态患者的加权熵低 0.01141 ± 0.00254,无反应觉醒综合征患者低 0.01521 ± 0.00250,急性状态患者低 0.02627 ± 0.00440。这些是聚类衍生指标上的组间差异,不是针对单个患者的诊断阈值;作者也指出,功能连接分析选择不同,可能改变关于这些标记可识别程度的结论。
EEG 复杂度随镇静下降却不随做梦变化
一项在麻醉中反复唤醒参与者的研究检验了这些标记实际测量的是什么。两个复杂度指标——状态转换复杂度指数和单通道 Lempel–Ziv 复杂度——在从清醒转向镇静时总是下降。但无论参与者报告做梦的镇静时段,还是没有此类报告的时段,两者都没有差异。
这种分离是综述中最尖锐的警示。一个指标可以对整体觉醒水平敏感,却对主观体验是否存在不敏感。这一结果也削弱了寻找单一通用意识指标的努力,因为生动的梦境出现在传统上被标为无意识的状态中。解读还受到另一限制:54% 的回答中,参与者醒来后难以说清自己的体验,因此相当一部分报告无法被清晰解读。
EEG 与 LFP 领先在可及性而非疗效证据
综述给出的实用排序很明确:基于 EEG 和 LFP 的模型最有临床应用前景,因为它们易于获取并具备实时监测能力。这是关于可部署性的论证,而非关于已证实获益的论证。作者指出,在此类系统能够支持意识障碍诊断或重症监护与手术室镇静深度监测的决策之前,必须有大规摸研究证明这些算法不仅与当前状态相关,还对患者结局具有预后价值。
同一证据基础指向混合式、可推广、有生理依据的架构,而非单一的意识指标。作者主张未来研究应从简单的意识/无意识二分转向神经过程随时间的动力学,并寻找能追踪梦境体验、同时考虑其他因素的标记。因此,优先事项不是更好的单一分类器,而是能同时把可测量的脑信号与结局和生理机制联系起来的模型。
本文引用的文献
Deep Learning Methods in Neuroscience: From Modeling Molecular Mechanisms to Classifying States of Consciousness
深度神经模型在分类和预测脑状态、分析动态结构-功能连接方面越来越有效,但可解释性有限、指标未标准化以及意识标记的特异性问题制约了临床转化;基于 EEG 和 LFP 的模型因易于获取和可实时监测而最有临床应用前景。
