【医学AI前沿】（NM-2025）通过对数字孪生大脑进行虚拟扰动来绘制有效连接图（2）
扰动 AI 数字孪生大脑，刻画脑网络的因果！
论文：Mapping effective connectivity by virtually perturbing a surrogate brain
代码：https://github.com/ncclab-sustech/NPI
上一篇：【医学AI前沿】（NM-2025）通过对数字孪生大脑进行虚拟扰动来绘制有效连接图（1）
2、结果
2.3、通过 NPI 推断的人类 EBC
Supplementary Figure 8 | 单步输入与三步输入 ANN 性能对比：
a. 基于含 360 个脑区的 MMP 脑图谱，在 HCP 数据集各被试测试集上的预测决定系数 R 2 R^2 R2。实验对比两种 MLP 输入方案：采用前 1 个时间步、前 3 个时间步作为输入以预测下一时刻信号；三步输入方案的预测精度稳定优于单步输入。
b、c：群体水平实测 FC，分别与单步输入 (b)、三步输入 © 训练得到的网络复现 FC 对照；两种方案均可精准复现 800 名被试均值的群体 FC。
d. 个体实测 FC 与网络复现 FC 的相关系数，可见三步输入模型相关性显著高于单步输入模型。
e、f：分别扰动单步输入 (e)、三步输入 (f) 训练的网络得到的 EC。
g. 单步输入与三步输入网络推算 EC 的相关散点图，二者相关系数 r = 0.919 r=0.919 r=0.919，相关性高，说明该方法在不同训练输入策略下具备稳健性；色标区间 0–300 代表 EC 配对点的密度。
将 NPI 应用于 HCP 数据集中 800 名参与者的静息态 fMRI 成像数据，使用多模态脑区划分图谱将大脑划分为 360 个脑区（补充表 5）。针对每位参与者，利用其静息态 fMRI 数据训练了一个个性化的ANN（补充视频）。通过测试不同的输入配置发现，使用前三个时间步的信号预测下一个时间步，其效果优于仅使用前一个时间步（补充图 8）。因此，本文采用三步输入的 MLP 模型进行后续分析。
训练好的 ANN 充当个性化的替代模型。在群体水平上，由真实 BOLD 信号计算得到的 FC（经验 FC）与由 ANN 生成的 BOLD 信号得到的 FC（模型 FC）高度相关（ r = 0.97 r=0.97 r=0.97），且两者呈现出相似的空间模式（图 3 c,d），表明该 ANN 能够捕捉真实大脑中复杂的脑区间交互作用。
Figure 3 (a-e) | 基于 NPI 推算的人类有效脑连接组：
a. 800 名被试均值的全脑 EC 矩阵，脑区按静息态功能网络分组；每行代表左半球源脑区投射至同侧（左）、对侧（右）半球的 EC，响应幅值归一化至最大值 1.0。红、蓝色越深分别代表兴奋性、抑制性连接强度越高；
b. 划分至 7 类静息态功能网络的皮层脑区；
c. 模型生成 BOLD 信号得到的 FC（模型 FC）与实测 BOLD 信号的 FC（实测 FC）呈高度正相关，相关系数 r = 0.97 r=0.97 r=0.97。
d. 基于实测 BOLD 数据（实测 FC）与 ANN 生成 BOLD 数据（模型 FC）的种子点功能连接图；种子点取自 7 个静息网络，图中黑点标注种子位置（默认网络 DMN 种子位于脑内未标出），仅展示各网络强度前 10% 的功能连接；
e. 以 7 类静息网络分别作为种子区，经 NPI 推算得到的 EC 图谱；红色为兴奋性 EC，蓝色为抑制性 EC，仅绘制强度前 10% 的连接；
在训练完替代模型之后，对每个个性化模型进行系统性扰动，以获得全脑 EC，称之为有效脑连接组（EBC）。此处通过增加节点活动来对其进行扰动。为使 NPI 适配不同的神经影像模态，需要对 ANN 和虚拟扰动方案进行相应调整（补充说明 1–3 及补充图 13、14）。首先通过扰动个性化替代模型得到个体化 EBC，然后将 800 名参与者的 EBC 进行平均，计算出群体水平的 EBC（图 3 a 和扩展图 4）。EBC 中的正值代表兴奋性 EC，负值代表抑制性 EC。 根据 Yeo 等人的划分，将脑区归入七个功能网络（补充表 3 和图 3 b）。基于种子点的 EC 分析揭示了功能网络的拓扑组织，显示其与 FC 所定义的网络在结构上具有相似性。与 FC 相比，EC 能更好地捕捉种子区域对其他脑区的抑制性影响（图 3 e）。
Extended Figure 4 | EBC 、二值化 EBC 以及 EBC 的兴奋性与抑制性部分：
a. 全脑有效连接矩阵（EBC）；
b. 以有效连接强度的 80% 作为阈值二值化处理后的有效连接矩阵：超过阈值的元素赋值为 1，其余元素赋值为 0；
c、d. 有效连接矩阵的兴奋性分量与抑制性分量；
Supplementary Figure 13 | ANN 扰动实验中引入血流动力学卷积后推算得到的 EC：
a. 标准 NPI 流程：仅在时刻 t t t 施加脉冲扰动，将 t + 1 t+1 t+1 时刻的响应作为 EC；
b. 采用脉冲扰动、基于 MMP 脑图谱在 HCP 数据集上推算得到的群体水平 EC；
c. 融合血流动力学响应的扰动信号：在 t − 6 t-6 t−6 个重复采集周期（TR）处施加时长 0.02 秒、幅值 0.05 的短脉冲；将该脉冲与血流动力学核函数卷积，构建血流动力学响应函数（HRF），详见补充注释 3；取 t − 2 、 t − 1 、 t t-2、t-1、t t−2、t−1、t 三个 TR 时刻的响应作为 ANN 的扰动输入；
d. 以经血流动力学响应函数卷积后的脉冲作为扰动，作用于训练完成的 ANN，基于 MMP 脑图谱在 HCP 数据集上推算得到的群体水平 EC；
e. 标准脉冲扰动方案与血流动力学卷积扰动方案得到的 EC 相关散点图，相关系数 r = 0.934 r=0.934 r=0.934，说明两种方法的推算结果高度吻合；
Supplementary Figure 14 | 替代模型施加正负脉冲扰动后推算得到的 EC：
a. 正向脉冲扰动经 NPI 推算得到的左半球 EC；
b. 负向脉冲扰动对应的响应结果；负向扰动幅值与标准正向扰动一致，仅符号取反；
c. ANN 对正向、负向扰动的响应相关性分析，相关系数 r = − 1.00 r=-1.00 r=−1.00；
EC 强度的分布呈现长尾特性，大部分连接的强度接近零，少数连接具有较大的强度。 将这些分布拟合到四种假设模型（对数正态、正态、指数和逆高斯）后，根据赤池信息准则（赤池信息准则 (AIC) 是一种在统计模型选择中应用广泛的工具，旨在平衡模型的拟合优度与复杂度，从而选取一个既能解释数据又相对简洁（包含较少参数）的模型），对数正态分布最能同时描述兴奋性和抑制性有效连接（图 3 f、g 及补充表 4）。这一分布与在小鼠和猕猴中使用示踪技术得到的结构连接分布相一致。
Supplementary Table 4 | ： 将 EBC 强度分布与多种密度函数进行拟合。较低的 AIC 值表明模型在拟合优度与简洁性之间取得了平衡，结果表明 EBC 服从对数正态分布。
EC 强度的对数正态分布在采用自动解剖标记脑区划分时仍可重现（补充图 9）。研究发现，兴奋性 EC 的最大强度高于抑制性 EC。当将最大兴奋性强度缩放为 1 时，最大抑制性强度为 0.16。最强的兴奋性 EC 主要来自网络内部的连接（图 3 f 和补充图 10）。相比之下，最强的抑制性 EC 则主要涉及网络间的连接，且多为半球间连接（图 3 g 和补充图 10）。
平均入出度最大的节点分布在大脑皮层各处，跨越多个功能网络（图 3 f）。节点度定义为节点拥有的连接数量，用于衡量节点在网络中的中心性或重要性。此处，本文对绝对 EC 强度施加 80% 的阈值（0.06）进行二值化：绝对强度低于该阈值的连接设为 0，高于该阈值的设为 1。在此二值化的有效脑连接组中，不再区分兴奋性和抑制性 EC。由于 EC 是有向的，因此是非对称的，节点的入度与出度不同。总体而言，二值化有效脑连接组中有 86% 的连接是双向的，这与之前关于结构连接的研究发现一致。
Figure 3 (f-g) | 基于 NPI 推算的人类有效脑连接组：
f. 左图：兴奋性 EC 强度服从对数正态分布，对数变换后拟合高斯分布；右图：强度排名前 50 的兴奋性 EC；
g. 针对抑制性 EC，开展与 f 完全相同的统计分析；
h. 左图：将 EC 按强度阈值 80% 二值化后，各脑区的度分布；脑区度值为入度与出度的均值。右图：二值化 EC 网络中度值最高的 30 个脑区；
Supplementary Figure 9 | 基于 AAL 脑图谱、采用 NPI 推算 HCP 数据集人脑有效脑连接：
a. 左半球投射至全脑的推算 EC 矩阵；
b. 二值化有效脑连接网络的脑区度分布；以 EC 强度前 80% 为阈值完成二值化，单脑区度值取其入度与出度的平均值；
c. 有效脑连接二值化后，度值排名前 20 的脑区；
d、f. 全脑兴奋性 (d)、抑制性 (f) 有效连接的强度分布，两类连接均最优拟合对数正态分布；黄色曲线为对对数变换后的连接强度拟合得到的高斯分布曲线；
e、g. 强度排名前 50 的兴奋性 (e)、抑制性 (g) EC；
Supplementary Figure 10 | 最强 EC 与最高度脑区展示：
a、b. 强度排名前 20 的兴奋性 (a)、抑制性 (b) 有效连接；
c. 有效脑连接（EBC）二值化处理后，度值最高的 20 个脑区；
2.4、基于 NPI 推断的 EC 具有稳健性且与结构连接性一致
为了评估从真实 fMRI 数据推断得到的 EBC 的可靠性和可扩展性，本文将 NPI 应用于 Schaefer 图谱，该图谱的脑区数量从 100 个逐步增加到 1000 个（图 4 a,b 及扩展图 5）。随着脑区数量的增加，预测性能略有下降，这可能是由于在更大规模网络上训练 NPI 所需的数据量增加所致（图 2 h）。然而，FC 的复现性能在不同图谱分辨率下保持稳定（图 4 b）。此外，推断出的 EBC 模式具有一致性，并且 EC 的变异性与 FC 相当，证明了 NPI 的鲁棒性（扩展图 5 b,c）。
Extended Figure 5 | 基于不同脑区数量脑图谱，采用 NPI 推算得到的 EC：
a. 不同分辨率 Schaefer 脑图谱划分下的群体 EBC，群体结果为 100 名被试均值；
b. 不同 Schaefer 脑图谱划分方案下，个体 EC 与 FC 的相关系数，结果取 100 名被试均值；
本文进一步考察了参与者间的变异性，以及在不同 ANN 训练、不同扫描时段和不同数据集上的重测信度（图 4 c–e）。无论是网络内部还是网络之间的 EC，其参与者间变异性均相当（图 4 c）。在所有 EC 对中，有 55% 的连接在 800 名参与者中显著不为零，反映出对“无连接”这一零假设的一致性偏离（P<0.05，单样本 t 检验，Bonferroni 校正；补充图 11）。为了评估 NPI 所映射的 EC 是否依赖于 ANN 训练的变异性和初始化，本文为每位 HCP 参与者训练了两个不同初始化的 ANN，并比较了推断出的 EC。二者高度一致（图 4 d 中记为“ANN trainings”），证实了 NPI 对于 ANN 训练变动的鲁棒性。
为区分个体的内在变异性与方法可能引入的噪声，本文进行了跨时段、跨参与者和跨数据集的评估（图 4 d 和 补充图 15 中的“Sessions”、“Participants”和“Datasets”）。在跨时段分析中，将每位参与者的四段 fMRI 数据分别取前两段和后两段，各自应用 NPI，发现跨时段的 EC 相关性高于跨参与者的相关性。这表明 NPI 能够捕捉到参与者特异性的、跨时段稳定的有效脑连接组模式。 边缘网络的可信度最低，可能与该区域 fMRI 信号的信噪比较低有关。在跨数据集分析中，将 NPI 应用于青少年大脑认知发展数据集，观察到 HCP 与 ABCD 数据集的人群平均 EBC 高度一致，证实了 NPI 在不同数据集上的泛化能力和适用性（图 4 e）。
本文还研究了有效脑连接组与其结构基础（源于扩散谱成像数据）之间的关系。分析显示，有效脑连接组与 SC 之间存在强相关性，证实了大脑的解剖结构对功能性神经通讯通路具有重要影响（图 4 f）。总之，这些结果表明，NPI 能够可靠地捕捉跨数据集的总体 EBC 模式，同时有效表征个体大脑的有效脑连接组。
Figure 4 | NPI 推算的 EC 具备稳健性，且与 SC 存在一致性：
a. 随脑区分割数量增加（每组 n = 100 n=100 n=100 ），单步预测（左）、两步预测（右）在训练集（蓝色）与测试集（橙色）上的预测决定系数 R 2 R^2 R2；
b. 随脑区分割数量增加（每组 n = 100 n=100 n=100 ），模型复现 FC 的性能，以模型 FC 与实测 FC 的相关系数衡量；箱体中线代表性能中位数，箱体上下边界对应 25%、75% 分位数；
c. 800 名被试 EC 强度的被试间差异，上图为网络内 EC 波动，以视觉网络 (VIS) 内部连接为例：V1 至 V2（绿色）、V2 至 V4（红色）、V1 至 MT（蓝色）；下图为跨网络 EC 波动，包括视觉网络 PHA3 投射至默认网络 POS1 的正向 EC（绿色）、背侧注意网络 IFJp 投射至默认网络 31pd 的负向 EC（蓝色）；
d. NPI 推算 EC 的重测信度。左图：全脑层面重测信度；右图：网络层面重测信度，信度评估覆盖四类维度：模型多次训练、不同扫描时段、不同被试、不同数据集；
模型多次训练：对单名被试数据重复两次 NPI 推算（总样本 n = 800 n=800 n=800）；
扫描时段（Ses.）：将单名被试数据对半拆分、分别训练（总样本 n = 800 n=800 n=800）；
被试间（Part.）：HCP 数据集 800 名被试两两 EC 相关对比（总样本 n = 319600 n=319600 n=319600）；
时段内重测信度显著高于被试间信度（曼 - 惠特尼 U 检验， P < 10 − 60 P<10^{-60} P<10−60）；
数据集：HCP 与 ABCD 数据集群体均值 EC 的一致性（样本 n = 1 n=1 n=1）；
e. 左：HCP、ABCD 数据集分别推算得到的 EC；右：二者定量相关关系，相关系数 r = 0.864 r=0.864 r=0.864；
f. 左：NPI 推算 EC 与 HCP 数据集弥散谱成像 (DSI) 得到的对数变换 SC 对照；右：二者定量相关关系，相关系数 r = 0.421 r=0.421 r=0.421；
Supplementary Figure 11 | HCP 数据集推算 EC 的显著性 p p p 值：对 800 名被试的 EC 开展单样本 t 检验，并经 Bonferroni 多重检验校正，结果显示 55% 的 EC 矩阵元素与 0 存在显著差异；
Supplementary Figure 15 | 全脑与网络内 FC 在不同扫描时段、不同被试、不同数据集下的相关一致性：
扫描时段（Sessions）：将单名被试数据对半拆分，分别计算两段数据的 FC，最终结果取 800 名被试均值；
被试间（participants）：基于 800 名被试数据，计算两两被试间 FC 的相关系数；
数据集（Datasets）：对比 HCP 数据集与 ABCD 数据集推算得到的 FC，评估二者一致性；
2.5、NPI 支持临床应用
为评估 NPI 在临床中的应用潜力，比较了 NPI 推断的有效脑连接组空间分布与神经刺激诱发的神经响应之间的一致性。本文使用了功能束成像项目提供的开源皮层-皮层诱发电位数据集（图 5 a），该数据集包含癫痫患者的皮层内刺激和脑内立体脑电记录（图 5 b）。该数据集汇总了 613 名患者的资料，刺激部位分布在大脑各区域，从而构建了一个全面的人群水平人脑 CCEP 连接矩阵。该矩阵描绘了神经信号在大脑皮层的传播路径，提供了直接的神经连接测量，非常适合用于验证 NPI 推断的有效脑连接组。
将有效脑连接组与 CCEP 衍生的连接矩阵进行比较（图 5 c），结果显示 NPI 推断的有效脑连接组与 CCEP 之间存在较强相关性（全脑 r = 0.33 r=0.33 r=0.33），显著高于功能连接与 CCEP 之间的相关性（全脑 r = 0.20 r=0.20 r=0.20；图 5 d）。这些发现表明， 基于静息态 fMRI 数据推断出的 NPI 有效脑连接组能够准确反映神经刺激的传播路径以及脑区之间潜在的因果关系。
为了进一步展示有效脑连接组在指导神经刺激方面的潜力，本文分析了 CCEP 和 NPI 推断的有效脑连接组矩阵中的输出和输入 EC 模式（图 5 e）。输出 EC 由有效脑连接组矩阵中的一行表示，反映了刺激某一特定脑区（源区）所产生的传播范围。相反，输入 EC 由有效脑连接组矩阵中的一列表示，识别出能够将刺激传播到给定区域（目标区）的脑区。 本文特别以背外侧前额叶皮层为源区检查输出 EC，以后扣带皮层为目标区检查输入 EC，因为这些区域在神经调控研究中经常被关注（图 5 f,g）。结果表明，NPI 推断的有效脑连接组准确捕捉了输出和输入模式，与 CCEP 衍生的输出和输入连接的相关性均高于 FC。
值得注意的是，NPI 推断的有效脑连接组相比 CCEP 具有更多优势。CCEP 依赖于侵入性操作，每位患者仅能在单个部位进行电刺激，因此需要汇总大量个体的数据才能构建群体水平的连接图谱。相比之下， NPI 提供了一种非侵入性的、数据驱动的替代方案。这不仅使 NPI 更易实施，也使其更适用于广泛的研究和临床应用。
为评估 NPI 推断的个体水平有效脑连接组作为生物标志物的潜力，本文将 NPI 应用于自闭症脑成像数据交换数据集和阿尔茨海默病神经影像学数据集（补充说明 6 和补充图 12）。结果表明，在区分健康个体与脑疾病患者方面，EC 的表现与 FC 相当，提示 NPI 推断的 EC 可以作为 FC 的一种有效替代生物标志物。 此外，EC 本身所具有的方向性提供了额外的信息，有望为个性化治疗策略的制定提供指导。
Figure 5 | 利用皮层间诱发电位（CCEP）验证有效脑连接（EBC）：
a. F-TRACT 项目 613 名被试的群体皮层间诱发电位矩阵，展示左半球向全脑各脑区的诱发电响应；
b. 皮层间诱发电位实验装置示意图，标注侵入式刺激位点与信号记录位点；
c、d. HCP 数据集 800 名被试的群体矩阵：(c ) NPI 推算 EC 矩阵，(d) 实测 FC 矩阵；二者脑区排布顺序与 CCEP 矩阵完全对齐；
e. 左：CCEP 矩阵、NPI 有效连接矩阵的一行代表输出型 CCEP / 有效连接，即源脑区投射至所有目标脑区的通路；右：矩阵一列代表输入型 CCEP / 有效连接，即所有脑区投射至该目标脑区的通路；
f. 左：背外侧前额叶（dlPFC）输出 CCEP 与输出 EC 分布高度重合，一致性强；右：左半球中，EC 矩阵各行与 CCEP 矩阵各行的相关系数，显著高于 FC 矩阵各行与 CCEP 矩阵的相关系数（双侧 Wilcoxon 符号秩检验， P = 4.55 × 10 − 24 P=4.55×10^{-24} P=4.55×10−24， n = 180 n=180 n=180）。小提琴图内嵌箱体为四分位距（Q1–Q3），横线为中位数（Q2），须线延伸至极值；
g. 对后扣带皮层（PCC）输入型 CCEP、输入型 EC 开展同款分析。左：输入 CCEP 与输入 EC 分布重叠。右：左半球 EC、FC、CCEP 矩阵全部列向量的相关对比（双侧 Wilcoxon 符号秩检验， P = 4.71 × 10 − 22 P=4.71×10^{-22} P=4.71×10−22， n = 180 n=180 n=180）；
Supplementary Figure 12 | NPI 方法应用于 ABIDE 数据集与 ADNI 数据集：
a–f：将 NPI 应用于自闭症患者静息态功能磁共振（rs-fMRI）数据。从自闭症脑成像数据交换库（ABIDE）随机选取 234 名自闭症患者、285 名健康对照的静息态 fMRI 数据，采用含 39 个脑区的 MSDL 图谱进行脑区分割；
a. NPI 推算得到的 EC 矩阵：左图为自闭症患者，右图为健康对照；
b. 自闭症患者与健康对照间差异显著性最高的 EC 通路；
c. 基于静息态 fMRI 计算的 FC 矩阵：左图为自闭症患者，右图为健康对照；
d. 自闭症患者与健康对照间差异显著性最高的 FC 通路；
e. 自闭症组与健康对照组 EC 差异的 − log ( p ) -\log(p) −log(p) 值分布；
f. 分别以 EC、FC 为特征区分自闭症患者与健康对照的分类 ROC 曲线；
g–i：针对阿尔茨海默病神经影像库（ADNI）数据集，开展与 a–f 完全相同的分析；随机选取 60 名阿尔茨海默病（AD）患者、60 名健康对照的静息态 fMRI 数据；
3、讨论
EC 这一概念在神经科学中至关重要，但不同方法论对其定义各不相同。例如，格兰杰因果关系将 EC 视为一个脑区对另一个脑区的预测性影响，而动态因果建模则通过状态空间模型中的耦合系数来界定它。NPI 采用的“扰动-记录”方法与统计学上的因果概念相一致：一个变量的扰动若能显著改变另一个变量，则表明存在因果联系。这样的定义与光遗传学等实验方法相吻合，后者通过直接扰动特定脑区并观察由此产生的神经响应来确认因果交互作用。（澄清 NPI 对有效连接的定义：采用“扰动-记录”的因果视角，与光遗传学等实验方法一致，区别于格兰杰因果关系和动态因果建模。）
与传统的 EC 获取方法相比，NPI 具有几项显著优势。第一，NPI 能够非侵入性地绘制 EC，这与通常需要侵入性操作的传统方法形成鲜明对比，从而可应用于更广泛的受试者群体。第二，不同于传统的计算方法，NPI 使用 ANN 直接从数据中学习大脑活动的复杂非线性动力学。通过避免预定义的模型结构或对神经机制的假设，NPI 能够有效处理参数化模型可能难以捕捉的多种数据类型和动力学。NPI 框架中 ANN 的灵活性还允许采用先进的机器学习技术，例如通过预训练构建群体水平的替代模型，再通过微调得到个体水平的模型。第三，一旦替代模型训练充分，NPI 的通用性使其能够适应各种形式和尺度的扰动。这种适应性，加上 ANN 在处理包含大量脑节点的大型 fMRI 数据集时的效率，提升了 NPI 在不同实验和临床环境中的实用性。（总结 NPI 相比传统方法的三大优势：非侵入性、无需预设模型假设（能学习非线性动力学）、以及支持灵活的机器学习策略和多种扰动模式。）
尽管本研究主要将 NPI 应用于静息态 fMRI 数据和简单的脉冲扰动，但该框架的通用性远超这一初步应用。NPI 的潜在应用范围从分析单神经元活动到大规模神经影像数据（如脑电图和 fMRI）。NPI 将跨这些不同尺度的 EC 发现进行整合的能力，不仅增进了我们对大脑结构-功能交互作用的理解，还有望揭示复杂认知过程背后的神经机制。（展望 NPI 框架的广泛应用前景：可适用于从单神经元到 EEG/fMRI 的多尺度数据，并有助于揭示大脑结构-功能关系及认知机制。）
NPI 在治疗应用方面具有巨大潜力。首先，NPI 推断的 EC 图谱可作为神经系统疾病的生物标志物，通过比较患者与健康对照组之间的 EC 模式，提供机制层面的见解。其次，NPI 通过生成个性化的 EC 图谱，提高了神经刺激治疗的精准性。NPI 推断的有效脑连接组与 CCEP 模式的一致性，凸显了其在指导个性化神经刺激策略方面的潜在价值。此外，NPI 能够模拟刺激多个区域或调整刺激参数所带来的效应，为优化神经刺激方法提供了一个稳健的框架。这一能力使得基于个体脑连接特征来定制干预措施成为可能，从而有望改善治疗效果。（阐述 NPI 在治疗应用中的三个价值：作为疾病生物标志物、指导个性化神经刺激、以及优化多区域/多参数刺激方案。）
作为一种数据驱动的方法，NPI 利用 ANN 的预测能力来推断 EC，但也面临着需要大量高质量数据的普遍挑战。未来一个关键的发展方向是，在保持高预测精度的同时，降低对数据量的需求，开发出更高效的替代脑模型。这可以包括探索先进的 ANN 架构，或融入特定领域的知识以提升模型性能。除了 EC 推断，将多种干预措施应用于训练好的替代 ANN 模型，也为深入理解大脑动力学提供了一个令人兴奋的机会。此类分析有望揭示大脑功能的新见解，为创新性的治疗和研究应用铺平道路。（指出 NPI 作为数据驱动方法面临的挑战（需大量高质量数据），并提出未来方向：降低数据依赖、改进模型架构；同时拓展到更多干预分析以探索脑动力学。）
大子刊太全面了还是(★ ω ★)
AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。
更多推荐
5
0- 0
已为社区贡献14条内容
所有评论(0)