认知神经科学2.0
认知神经科学发展至今已取得了丰硕的成果。特别是fMRI技术的应用，使得研究的数量几何增长。但这一领域研究的问题依然普遍存在：比如BOLD信号的来源一直有人质疑，还比如很严重的数据分析的双重提取问题 (double dipping)。作为一门科学，不仅要不断积累实验数据，还要将积累的数据整合成系统的知识。Trends in Cognitive Sciences上的这篇文章，就对脑功能研究的积累以及整合提出了构想。
fMRI研究最大的问题其实是由数据性质及分析方法决定的，即高空间分辨率的大量测量数据，以及大量单变量统计 (mass univariate)的分析方法。这会导致一系列问题：
一是统计效力 (power)低。受资金的制约，fMRI研究的被试一般只有15-20人，但因为大量单变量统计需要多重比较校正，因此要采用严格的阈值 (比如其实还不算严格的p<0.001)。这导致fMRI研究只能关注最显著的效应，而对于微小的效应通常无能为力。
二是误报 (false positive)很常见。多重比较矫正的越严格，研究的敏感性就越低。因此需要研究者在敏感性和可靠性之间权衡，采用一个大家都可以接受的阈值 (比如p<0.001)。但这样结果中就会有很多误报。据估计误报的激活区域大概占总结果的15%。
三是重复实验很困难。首先是因为做研究要突出新意，所以很少直接重复别人的实验。而且由于SPM统计方法的缘故，也很难评价两个研究的结果是否一致。
四是研究逻辑的问题，即如何将特定任务与特定的脑区相联系。要得出这个结论，必须要表明这个区域与这个任务相关，但与其他任务都不相关。但这样要进行大量的对照实验，按照目前的现状也很难实现。
整合研究的第一步是建立研究结果的数据库，编码特定的任务范式以及结果。这一步已经有很多group在做，比如 Human Brain Project 和 Brainmap 等等...
接下来可以对现有结果进行定量分析，即元分析。元分析是十分必要的，因为单个fMRI研究统计效力不足，而且有很多误报，特别是医学影像领域。而且元分析不仅可以整合现有的结果，而且还可以产生并验证新的假设。比如之前一直认为杏仁核主要负责加工恐惧情绪，但元分析结果表明杏仁核对恶心/厌恶情绪的激活更强。常用的元分析方法有activation likelihood estimation (ALE)等。
进一步是建立知识库，即系统的建立大脑结构与大脑功能的对应知识。简言之，就是输入大脑结构，就能知道该结构对应的大脑功能；输入大脑功能，就能得到支持该功能的大脑结构。目前有一些类似的尝试，但都很初步，比如 Cognitive Atlas project 。这一目标的实现，可能还要依赖于自然语言加工等相关领域的支持。
进一步还要做的，包括更自动化数据处理流程。这目前看来还不现实，但发表文章时的要求一定会越来越标准化。也许最后会发展出自动化的标准处理流程，这对于数据的积累与比较是有好处的。
最后就是数据的分享。较初级的分享是分享结果图像，而不只是激活的坐标，这对元分析会有很大帮助。而更高级的目标就是要共享原始成像数据。这一点静息态数据已经走在了前面http://fcon_1000.projects.nitrc.org/ 。
这是一篇很有意思的文章。当你沉浸在自己的研究的时候，可能因为树木而忘记了森林。其实从远处看看森林，也是很美的。
Yarkoni, T., Poldrack, R., Van Essen, D., & Wager, T. (2010). Cognitive neuroscience 2.0: building a cumulative science of human brain function Trends in Cognitive Sciences DOI: 10.1016/j.tics.2010.08.004
fMRI研究最大的问题其实是由数据性质及分析方法决定的，即高空间分辨率的大量测量数据，以及大量单变量统计 (mass univariate)的分析方法。这会导致一系列问题：
一是统计效力 (power)低。受资金的制约，fMRI研究的被试一般只有15-20人，但因为大量单变量统计需要多重比较校正，因此要采用严格的阈值 (比如其实还不算严格的p<0.001)。这导致fMRI研究只能关注最显著的效应，而对于微小的效应通常无能为力。
二是误报 (false positive)很常见。多重比较矫正的越严格，研究的敏感性就越低。因此需要研究者在敏感性和可靠性之间权衡，采用一个大家都可以接受的阈值 (比如p<0.001)。但这样结果中就会有很多误报。据估计误报的激活区域大概占总结果的15%。
三是重复实验很困难。首先是因为做研究要突出新意，所以很少直接重复别人的实验。而且由于SPM统计方法的缘故，也很难评价两个研究的结果是否一致。
四是研究逻辑的问题，即如何将特定任务与特定的脑区相联系。要得出这个结论，必须要表明这个区域与这个任务相关，但与其他任务都不相关。但这样要进行大量的对照实验，按照目前的现状也很难实现。
整合研究的第一步是建立研究结果的数据库，编码特定的任务范式以及结果。这一步已经有很多group在做，比如 Human Brain Project 和 Brainmap 等等...
接下来可以对现有结果进行定量分析，即元分析。元分析是十分必要的，因为单个fMRI研究统计效力不足，而且有很多误报，特别是医学影像领域。而且元分析不仅可以整合现有的结果，而且还可以产生并验证新的假设。比如之前一直认为杏仁核主要负责加工恐惧情绪，但元分析结果表明杏仁核对恶心/厌恶情绪的激活更强。常用的元分析方法有activation likelihood estimation (ALE)等。
进一步是建立知识库，即系统的建立大脑结构与大脑功能的对应知识。简言之，就是输入大脑结构，就能知道该结构对应的大脑功能；输入大脑功能，就能得到支持该功能的大脑结构。目前有一些类似的尝试，但都很初步，比如 Cognitive Atlas project 。这一目标的实现，可能还要依赖于自然语言加工等相关领域的支持。
进一步还要做的，包括更自动化数据处理流程。这目前看来还不现实，但发表文章时的要求一定会越来越标准化。也许最后会发展出自动化的标准处理流程，这对于数据的积累与比较是有好处的。
最后就是数据的分享。较初级的分享是分享结果图像，而不只是激活的坐标，这对元分析会有很大帮助。而更高级的目标就是要共享原始成像数据。这一点静息态数据已经走在了前面http://fcon_1000.projects.nitrc.org/ 。
这是一篇很有意思的文章。当你沉浸在自己的研究的时候，可能因为树木而忘记了森林。其实从远处看看森林，也是很美的。
Yarkoni, T., Poldrack, R., Van Essen, D., & Wager, T. (2010). Cognitive neuroscience 2.0: building a cumulative science of human brain function Trends in Cognitive Sciences DOI: 10.1016/j.tics.2010.08.004
远离文艺不见得就能做靠谱的科学青年，很多大师级的科学家都是铁杆文艺粉丝，文艺里面包含搞科学所需要的创造性，没有了创造性，就不是科学家，而只是技术员。
回复删除