《Developmental Cognitive Neuroscience》：Deep Learning in Fetal, Infant, and Toddler Neuroimaging Research
编辑推荐：
本文系统综述了深度学习在胎儿、婴幼儿及学步儿（FIT）神经影像研究中的应用与挑战。文章指出，尽管AI在医疗影像分析中应用缓慢，但深度学习凭借其强大的特征提取和模式识别能力，已成为应对FIT神经影像数据稀缺、高变异性和高临床价值挑战的关键技术。研究人员重点探讨了深度学习在结构影像分析、数据采集增强、认知过程建模及自动化视频标记等领域的进展，并深入分析了其在泛化性、跨年龄一致性及可解释性等方面的局限性，为未来开发更可靠、可解释的FIT神经影像分析工具指明了方向。
生命的头几年，从胎儿期到学步期，是人类大脑发育最迅猛、最关键的窗口期。这期间，大脑的结构和功能经历着复杂而精妙的塑造过程，任何细微的偏离都可能对未来的神经发育轨迹产生深远影响。因此，精准描绘并理解胎儿、婴儿和幼儿（FIT）的大脑发育蓝图，不仅是发育神经科学的核心议题，也对早期识别神经发育障碍、推动精准干预具有重大意义。然而，对FIT群体进行神经影像研究充满挑战：获取高质量图像难度大，胎儿在母体内的自主运动、婴幼儿无法长时间保持静止导致数据极易产生运动伪影；大脑本身正经历快速解剖结构变化（如体积增长、皮层折叠），不同发育阶段的影像对比度差异显著（例如婴儿期的T1加权和T2加权像上灰白质信号强度会经历“等信号”期 inversion）；此外，带有高质量标注的FIT影像数据相对稀缺，且存在巨大的个体差异。这些因素都使得传统医学图像分析方法在FIT研究中的应用受限，进展相对缓慢。
深度学习（Deep Learning, DL），作为人工智能（Artificial Intelligence, AI）机器学习的一个分支，近年来在图像识别、自然语言处理等领域取得了突破性进展。其核心在于使用包含多层处理单元（神经元）的神经网络（Neural Networks）来自动学习数据中的复杂、非线性特征。深度学习模型能够通过训练自动从数据中提取特征，并完成特定任务，如图像分割、分类、预测等。面对FIT神经影像研究的独特挑战，深度学习展现出巨大潜力：它能够加速图像采集和重建过程，实现脑结构的自动精准分割与皮层表面重建，甚至能从影像数据中预测脑年龄或识别异常发育模式，还能自动化处理视频数据以量化婴幼儿行为。
为了系统阐述深度学习如何变革FIT神经影像研究，发表在《Developmental Cognitive Neuroscience》上的这篇综述文章为广大的FIT研究社群（包括临床医生、神经科学家和发育科学家，即使他们不具备AI专业背景）提供了了一份详尽的指南。文章首先简要概述了深度学习的基本概念，随后重点回顾了深度学习在FIT神经影像中的精选应用，涵盖了结构图像分析、数据采集增强、认知和感知过程建模以及自动化视频标记。最后，文章讨论了数据管理的最佳实践、当前面临的挑战以及未来研究的机遇。
研究人员在开展这项研究时，主要依托了几类关键的技术方法。首先是深度学习模型本身的构建和训练，这包括使用卷积神经网络（Convolutional Neural Networks, CNN）、循环神经网络（Recurrent Neural Networks, RNN）等架构进行监督学习，利用损失函数（Loss Function）和反向传播（Back-propagation）优化模型参数，最终用于图像分割、重建、去噪、超分辨率等任务。其次，大量研究依赖于大型的、多中心的FIT神经影像数据集，例如发育中的人类连接组计划（developing Human Connectome Project, dHCP）和婴儿连接组计划（Baby Connectome Project, BCP）等，这些数据集为训练和验证模型提供了基础。此外，为了处理FIT数据特有的问题，如剧烈头部运动，研究采用了前瞻性（实时调整扫描参数）和回顾性（扫描后基于导航信号或图像内容联合估计运动轨迹）的运动校正技术。对于视频行为分析，则应用了计算机视觉技术进行姿态估计、视线编码、睡眠-觉醒状态分类以及 caregiver-child 交互的自动化分析。
结构图像分析
在结构图像分析方面，深度学习极大地加速了传统方法。针对FIT大脑的快速体积增长和形态变化，手动分割脑组织耗时且易引入误差。深度学习模型已被成功开发用于从磁共振成像（Magnetic Resonance Imaging, MRI）和超声（Ultrasound）图像中自动分割FIT大脑。例如，已有模型能够将胎儿大脑分割成19个关键区域，将新生儿大脑分割成87个区域，或将婴儿大脑分割成40个区域。在超声分析中，深度学习也显示出分割胎儿关键脑区（如大脑、皮层和皮层下区域）的可行性。这些自动化的分割管道使得快速、一致地分析大规模人群成为可能，从而能够构建人群脑生长图表，并比较健康对照组与临床队列（如先天性心脏病CHD、胎儿生长受限FGR）的脑发育差异，甚至将早期脑形态与后期语言延迟等结局联系起来。
皮层表面重建
为了探究大脑皮层如何折叠这一FIT期的关键过程，需要特定的方法来提取和重建皮层表面。虽然针对成人MRI的皮层表面重建方法已经成熟，但将其直接应用于解剖和对比度差异巨大的FIT大脑颇具挑战。深度学习的方法被提出来加速这一计算密集型任务。例如，有研究开发了保持拓扑结构的深度学习方法进行白质分割，进而提取解剖正确的白质表面；还有研究提出了针对新生儿群体的新皮层表面重建流程，无需先前的灰白质分割，实现了超过千倍的速度提升。这些加速技术为大规模FIT研究开辟了新机遇，例如用于研究新生儿期脑叶折叠模式的变异性和半球不对称性。
健康预测
深度学习模型还能直接从神经影像数据中预测健康和发育结局。预测“脑年龄”已被用作生物衰老和整体大脑健康的生物标志物。在FIT研究中，已有多个人工智能模型可以从胎儿超声或婴儿MRI中预测胎龄或年龄，在典型发育群体中准确度可达约一周。除了年龄预测，深度学习还用于估计中间健康指标，如直接从常规2D超声图像预测胎儿估计体重（EFW），其在检测小于或大于胎龄儿方面优于传统的生物测量方法。此外，二元分类器被用于从FIT神经影像中区分正常与异常脑发育，并已扩展到对更广泛的发育异常进行分类，例如从常规超声扫描预测常见和罕见遗传病。
视频行为标记的自动化
将神经影像指标与行为联系起来是研究发育中大脑的关键。深度学习为自动化处理视频记录中的行为（如注视模式、情感行为、动作、发声）提供了强大工具。这些技术主要包括图像分割、听觉特征检测以及基于序列的视听特征检测。深度学习模型可以用于睡眠/觉醒状态分类、caregiver-child 互动分类（如量化行为动态、编码静止面孔范式）、自动视线编码（标注婴儿注视行为）、姿态估计和运动追踪（量化运动发育）、以及语言转录（分析婴儿指向性语言）。这些自动化工具极大地提高了行为特征提取的效率，使得将详细的行为观察与神经数据联系起来进行大规模脑-行为分析成为可能。
挑战与未来方向
尽管深度学习在FIT神经影像中取得了显著进展，但仍面临诸多挑战。模型的泛化能力是一个核心问题，在一个数据集上训练的模型可能无法很好地适用于来自不同扫描仪、人群或协议的数据。FIT大脑在发育过程中经历的巨大解剖和对比度变化，使得模型难以在宽年龄范围内保持一致的性能，通常需要针对特定发育阶段（如胎儿、新生儿、等信号期）设计专用工具。不同分割算法在定义解剖结构和分割协议上的差异也导致了结果比较的困难。深度学习模型通常需要大量标注数据进行训练，而高质量的FIT标注数据仍然稀缺。此外，深度学习模型常被视为“黑箱”，其决策过程缺乏透明度和可解释性，这在临床应用中尤为重要。
未来的研究方向包括：通过使用多中心、多样化的数据集以及迁移学习、自监督学习等策略来提高模型的泛化能力；开发能够适应FIT大脑快速发育变化的、更具弹性的模型；推动模型的可解释性，使其决策更透明、更可信；以及将深度学习模型与多模态数据（如遗传、行为、环境）相结合，以更全面地解析神经发育的异质性和复杂性。确保数据管理和模型开发的公平、合规和符合伦理规范也至关重要。
归纳研究的结论和讨论部分，本文强调，深度学习已经深刻改变了FIT神经影像研究的格局，在从图像采集、处理到行为分析等多个环节提供了强大的工具。它使以前无法进行的大规模、精细化分析成为现实。然而，要充分发挥其潜力，并将其可靠地转化为临床和科研实践，仍需解决数据质量、模型泛化、可解释性以及伦理等一系列挑战。通过标准化数据实践、采用可重复的工具和流程，并优先考虑可解释性，研究人员将能够利用深度学习的全部潜力，获得对FIT神经行为发育的新见解。这项工作标志着我们向更深入理解人类大脑发育最早阶段迈出了关键一步，为早期识别发育风险和实施精准干预奠定了基础。
