利用机器学习对大脑进行图像分析仍然是检测这一复杂器官不同特征的相关工作。最近的研究发现，在学习和使用第二语言时，大脑的结构存在差异，特别是在白质上。在最近一项研究中，科学家开发了一种机器学习系统，用于对两种语言的人进行大脑图像分类。

相关研究成果以“Machine Learning for Brain Images Classification of Two Language Speakers”为题于2020年6月在《Computational Intelligence and Neuroscience》杂志上发布。

该研究的重点是从双语和单语人群的磁共振图像(MRI)分类中了解他们的大脑，他们的共同语言是英语。需要测试了一个隐藏层的不同人工神经网络，直到达到该层的两个神经元。这一任务通常是由专家完成的，基于段的空间统计，并在屏幕上以不同的颜色表示分数各向异性。

该研究则提出了另一种办法来定量分析这类现象，这种现象可以通过使用机器学习的方法自动检测单语者和双语者，从而对神经科学作出贡献。

    研究背景  

磁共振成像（MRI）的可用于分析大脑和检测其疾病。由于大脑的复杂性，其结构和组织仍未被完全了解。种机器学习(ML)技术已经被用于对大脑活动、疾病和行为进行分类。此前的一些研究，也在该领域取得了一些成果。

此前的研究表明，学习和使用第二语言可以影响大脑、白质(WM)束和灰质(GM)束的结构。学习第二语言引起的变化被认为是积极的，因为终生使用双语有助于防止由于老白质完整性下降，导致的认知老化。

    方法与结论  

在这项研究中，研究人员分析了有关使用磁共振成像的机器学习技术对大脑图像进行分类的文献。从而回顾已用于分类的技术，并观察传感器对测量需要分析的变量的重要性，以及为分类系统提供必要的预处理。

在这种情况下，假设你可以通过双侧检查胼胝体来分类大脑图像，包括膝部、身体，以及磁共振成像的脾的前半部分。为了证明这一点，研究团队首先阐述了数据库的特点，以及向神经网络提供信息的数据变化的获取过程。然后，给出了使用不同结构的神经网络进行分类的实验结果，并对结果进行分析解释。

该实验参与人员被分为了两组，第一组（L2）有19人，这些人以英语为第二语言，使用该语言的时间为13到374个月，英语习得的平均年龄为10.5岁。第二组（NS）有25位参与者，他们只会说一种语言，而他们的母语是英语。

每个体素的横截面方差被用来定位同一参与者在不同体层摄影中存在重大变化的区域。例如，如图所示它有62层脑片的水平差异，目的是观察兴趣区是什么，而不管他们是说一种语言还是两种语言。它可以看到额叶和枕叶有更多的变化。图中所示的差异也是如此。

为了衡量机器学习系统可以在L2和NS说话者MRI之间进行分类的难易程度，研究团队测试了不同的神经网络体系结构。

为了利用隐藏层中不同数量的神经元来测量L2和NS参与者的检测效率，该研究实现并报道了三种有代表性的测试方法。因此，绘制了用于训练、验证和测试性能的误差与历元之间的关系图。并建立了训练、验证、测试和三种分类器的接收机工作特性(ROC)曲线，用以评价分类器的性能。在ROC曲线中，可以看到哪条曲线接近垂直轴的最大值(真阳性率)，而水平轴的曲线接近最大值。从数学上可以说，ROC曲线下面积较大的分类器具有最佳的分类效率。

 图一：志愿者型L2脑图像的62组横断面变异

 图二:对志愿者NS型脑图像进行62次横断面变异

    展望  

由于大脑的复杂性，对大脑的研究仍然非常活跃。虽然对它在身体中的作用有着广阔的视野，但仍有许多未知的问题需要解决。为了了解更多，这项工作开发了一个机器学习系统，用于两个语言使用者的大脑图像分类。这是非常有意义的，因为它打开了另一个选择，从机器学习定量地了解大脑。

该系统可以进一步扩展，通过分析为分类提供更多、更好的信息，减少人工神经网络（ANN）的条目数量。还可以寻求从大脑结构中逐步定量描述语言学习的方法。

论文链接：https://www.hindawi.com/journals/cin/2020/9045456/