《Scientific Reports》：Development of a multimodal magnetic resonance imaging-based machine learning prediction model for flight cadets
编辑推荐：
本研究针对飞行学员选拔与训练中评估周期长、主观性强等难题，创新性地融合多模态磁共振成像（包括sMRI、DTI、fMRI）与机器学习技术，构建了能够准确区分飞行学员与地面学员的预测模型。结果表明，多模态融合模型（sMRI+DTI+fMRI+LR）性能最优，准确率达0.838，AUC为0.942。该研究为飞行学员的选拔与训练评估提供了客观、高效的神经影像学生物标志物，展现了多模态MRI结合机器学习在探索飞行技能神经机制方面的潜力。
随着民用航空的快速发展，飞行员的需求量持续增长，这对飞行学员的选拔和训练提出了更高要求。目前，飞行学员的选拔主要依赖体能、心理素质和飞行表现等指标，但这些传统方法存在明显局限：评估周期过长，动辄需要大量时间才能得出结果；评估结果容易受到主观因素影响，可能导致偏差；更重要的是，现有方法难以在早期准确预测学员是否适合长期飞行训练。因此，民航领域迫切需要引入更客观、科学且高效的评估指标，构建更科学的评估模型。
飞行本质上是一种高级认知活动，需要飞行员具备高超的认知能力和快速反应能力。大量研究表明，认知能力与大脑的各个区域密切相关。磁共振成像（MRI）作为一种无辐射、具有高软组织分辨率的成像技术，已成为探索人脑结构和功能的重要工具。此前基于飞行员单模态脑影像数据的研究发现，与普通人群相比，飞行员的大脑存在功能和结构上的改变。然而，这些研究仅使用单模态神经影像数据来分析飞行员群体，在获取全面脑信息方面存在局限。融合多模态神经影像数据可以更全面地理解大脑，而机器学习算法相比传统分析方法能更高效地从原始影像数据中提取特征，对神经影像数据中的细微变化更加敏感。
在这项发表于《Scientific Reports》的研究中，研究人员开展了一项创新性研究，旨在开发一种基于多模态磁共振成像的机器学习预测模型，用于准确区分飞行学员与未接受飞行训练的地面学员。研究团队从中国民用航空飞行学院招募了39名完成至少230小时飞行训练并取得中国民航局颁发的私用和商用驾驶员执照的飞行学员，以及37名仅接受地面理论课程学习的地面学员作为对照组。所有参与者均为21-25岁健康男性，右利手，无精神疾病史。
研究的关键技术方法包括：采集多模态MRI数据（结构像sMRI、弥散张量成像DTI和静息态功能磁共振成像fMRI）；从各模态数据中提取代表性特征（sMRI放射组学和深度学习特征、DTI的FA、MD、AD、RD值、fMRI基于AAL图谱的功能连接矩阵）；采用特征级融合策略整合多模态特征；使用两种本t检验和LASSO回归进行特征选择；应用逻辑回归（LR）、随机森林（RF）、支持向量机（SVM）和高斯朴素贝叶斯（GNB）四种机器学习算法构建预测模型；通过五折交叉验证和置换检验评估模型性能；利用SHAP值解释最佳模型的预测结果。
特征筛选与融合
研究采用特征级融合策略，对三种模态的神经影像数据指标进行提取和筛选。功能连接（FC）矩阵基于静息态fMRI数据提取，弥散张量成像（DTI）数据提取平均弥散率（MD）、分数各向异性（FA）、轴向弥散率（AD）和径向弥散率（RD），结构像（sMRI）则提取放射组学和深度学习特征。通过结合两种本t检验和LASSO回归算法，最终确定了16个特征用于模型训练。特征筛选过程中，对不同模态设置了不同的p值阈值（fMRI为0.01，sMRI为0.05，DTI为0.01，融合特征为0.005），以控制特征数量并减少假阳性。
不同指标分类器性能比较
研究评估了不同模态指标在多种分类器上的性能。结果表明，在相同模态指标下，GNB和LR分类器的分类性能通常优于SVM和RF分类器。综合比较各模态指标，使用三种模态融合指标作为特征输入的机器学习模型在分类性能上表现最佳。其中，基于sMRI+DTI+fMRI+LR的模型达到了最高准确率（0.838）、AUC（0.942）和特异性（0.834），而GNB分类器能达到最高灵敏度（0.87）。
置换检验（重复5000次）显示，各模态最优机器学习模型的实际分类准确率均显著高于随机标签（p<0.05），表明机器学习建模结果具有统计学意义，分类性能可靠。
机器学习模型解释
基于最佳模型（sMRI+DTI+fMRI+LR），研究进一步使用SHAP值进行分析。SHAP技术基于合作博弈论中的Shapley值概念，能够衡量每个特征对模型预测结果的贡献程度。分析发现，16个特征中对预测结果贡献较高的特征均来自与高级认知功能、视觉处理和注意力分配密切相关的脑区或结构。
SHAP值分析显示，所有从DTI模态提取的特征与预测类别呈负相关，而fMRI和sMRI的特征对预测值有正相关影响。特征重要性总结图表明，每个特征对飞行学员（标签=1）和地面学员（标签=0）两类分类的贡献相对平均。
对贡献度高的功能连接（FC）特征进行脑网络分析发现，来自额顶网络（FPN）和默认模式网络（DMN）的特征占总体的比例最大，视觉网络（VN）和躯体运动网络（SMN）的特征也占较大比例。这些脑网络与执行功能、工作记忆、认知控制、视觉信息处理和身体感觉与运动控制等功能密切相关。
DTI特征溯源分析发现，贡献度高的特征位于右侧丘脑辐射（TR）、左右侧上纵束（SLF）以及左侧扣带束扣带部分（CGC）等纤维束。分数各向异性（FA）值和平均弥散率（MD）值的变化表明飞行学员与地面学员在这些纤维束的结构或髓鞘完整性方面存在差异。
研究结论表明，飞行训练不仅是对体能和驾驶技能的培训，更是对多种复杂环境下认知能力的训练，如决策、假设和推理过程。长期飞行训练可能导致飞行学员大脑中与高级认知功能、视觉处理和注意力控制相关的脑区和网络发生神经可塑性变化。多模态磁共振成像结合机器学习的方法能够有效捕捉这些细微变化，为飞行学员的选拔和评估提供客观、量化的神经影像学生物标志物。
该研究的重要意义在于成功开发并验证了基于飞行学员多模态MRI数据的机器学习预测模型，为飞行学员的选拔和训练评估提供了新视角。模型中贡献度高的特征可能与飞行能力相关的生物标志物有关，为深入研究飞行员大脑的神经机制提供了潜在线索。此外，该研究展示了多模态MRI结合机器学习在探索特殊技能训练神经基础方面的应用潜力，为未来相关领域研究提供了方法学参考。
尽管该研究存在样本量较小的局限，但通过严格的交叉验证和统计检验确保了结果的可靠性。未来研究可考虑扩大样本量，并进一步探讨sMRI形态学特征与放射组学特征的独立比较，以及专注于DTI和fMRI特征构建模型，从而更深入地研究飞行训练对大脑结构和功能的影响。
