PNAS Nexus：科学家有望开发出预测人类机体智力的特殊机器学习模型

如今，越来越多的研究通过包括脑功能连接（functional brain connectivity）等大脑特征来预测个体机体的认知能力，这些研究中的大部分已经实现了统计上显著的预测性能，但对于预测概念背后的神经生物学过程仅提供了有限的研究见解，其对预测大脑特征的不充分识别或许是造成这一限制的重要因素。人工智能能通过观察工作中的人类大脑的连接性来预测人类的智力，而神经科学家们能从大脑的结构和功能来预测大脑的智力（仅在一定程度上），此前研究结果表明，智力在大脑中会广泛分布。

近日，一篇发表在国际杂志PNAS Nexus上题为“Choosing explanation over performance: Insights from machine learning-based prediction of human intelligence from brain connectivity”的研究报告中，来自德国维尔茨堡大学等机构的科学家们通过研究利用机器学习模型，从806名健康成年人在休息和完成任务时的大脑连接中成功预测了多种智力表现。

示意图研究概述

流体智力（fluid intelligence）包括不依赖于环境的归纳和演绎推理能力，而结晶智力（crystallized intelligence）则反映了应用个体经验和文化知识的能力，一般智力囊括了上述两种类型的智力。这项研究中，研究者Hilger及其同事所开发的模型在一般智力上的预测性能最高，其次是结晶智力，然后是流体智力，而认知要求高的任务往往会产生最准确的预测。

有意思的是，在大多数流行的神经认知智力理论中所提出的大脑区域之间的连接训练模型优于在随机选择的区域之间进行相同数量连接的训练模型，这在经验上支持了这些理论。据研究者表示，理论驱动模型的表现往往优于全脑模型，这就表明，大脑智力上仍然有更多方面需要后期研究人员去研究理解。

综上，本文研究揭示了对人类机体认知的未来预测研究如何通过优先系统性地评估预测大脑特征而不是最大化地预测性能从而来提高解释的价值。（生物谷Bioon.com）

参考文献：

Jonas A Thiele, Joshua Faskowitz, Olaf Sporns, et al. Choosing explanation over performance: Insights from machine learning-based prediction of human intelligence from brain connectivity, PNAS Nexus (2024). DOI: 10.1093/pnasnexus/pgae519.