為什麼人不能去給大腦拍照，通過分析構造來判別這個人的特別能力？

01-11

比如說海馬體和杏仁核的長的不一樣對各種記憶能力也不同(;｀O′)o

這個方向有很多人在做啊（比如我）。

不同領域的人提法不太一樣，我比較喜歡用的一個提法是神經特質（neural trait）。學心理的人都知道心理特質（psychological trait）這個概念，指的是一個人跨時間、跨情境穩定的心理特點，比如性格傾向、能力素質，這些東西是你內在的東西，是你和其他人的區別所在。相對地，神經特質指的就是跨時間、跨情境穩定的大腦特徵。換句話說，神經特質就是你的腦子和別人的腦子有什麼不同。如果你相信大腦是心理活動的基礎，那麼理論上講，對於各種心理特質，都應該能夠找到與之對應的神經特質。

在實際研究中，我們需要從某個具體的方面來描述神經特質。一個常見的角度是大腦的解剖形態，也就是腦子「長什麼樣」。解剖形態又可以進一步細分，研究最多的是大腦灰質形態。一般認為大腦灰質主要負責加工運算，白質則主要負責信息的穿遞。

（灰的是灰質，白的是白質，就是這麼簡單粗暴。圖片來源：http://bioap.wikispaces.com/Chapter+48+Collaboration+2010）

在灰質形態方面，2000年《Science》上發表了一篇開創先河的研究，發現倫敦出租司機的海馬灰質體積比一般人大一些，而且開車的年限越長，體積越大。從這個研究開始，許多研究者投身到這個領域，這幾年逐漸做到了高級的心理特質，比如性格、自尊，乃至幸福感，都能找到一些腦區形態的相關。不過，有些研究發現一個區域如果長得大，功能就比較強，另一些研究則發現區域長得小，功能就比較強。這個層面的灰質大小和更微觀的神經元層面到底有什麼關係，目前還不是很清楚。

除了灰質，白質形態也有很多人做。做這個需要另外一種成像技術，可以重建出非常fancy的白質纖維束網路，比如下圖這樣的：

（顏色是程序塗的，其實是白的。圖片來源：http://cn.mathworks.com/matlabcentral/fileexchange/41876-dti-gradient-table）

在白質方面，有不少臨床方面的研究，比如精神障礙帶來的白質病變。做高級功能的相對少一些，不過這兩年也能看到一些，主要問題可能是這領域的成像技術和演算法沒那麼成熟。

上面總結了腦子「長什麼樣」的常用指標。除此之外，神經特質還有一個重要的方面，就是每個人獨特的神經網路活動模式。即使我們什麼也不幹，就在那裡呆著，大腦也會有持續不斷的自發神經活動，由此得到的神經網路一般稱之為靜息態網路（resting-state networks）。這個東西也存在個體差異，每個人的靜息態網路活動模式都是獨特的。關於它的研究現在非常火爆，從低級到高級功能都有許多人在做，我國學者也有許多重要的貢獻。

不過，到目前為止，神經特質研究還在起步階段，許多研究發現的效應並不是很強，相關係數大概在.3到.4的樣子。也就是說，心理特質的個體差異大概有不到20%的部分可以被神經特質所解釋。這個比例在統計上可能有意義，如果用在一個人群中，也確實能夠預測一些東西，但如果用來推測一個人的心理特質，誤差就很大了。

究其原因，一方面是因為現有的腦成像技術手段還不夠發達，對於神經特質只能在比較宏觀的尺度上給出非常粗糙的描述，信號中噪音的比例也很高。未來肯定會有更加精細、準確的描述方法出現。

另外，現有的研究思路大多是尋找某種心理特質和某個具體腦區的形態特徵之間的關係，但這種搜索策略可能太過狹隘了。現在已經有人開始嘗試模式識別的路數，從區域相關變成個體預測，這個就不具體展開說了，如果你熟悉其他領域模式識別的玩法，應該能猜到怎麼做。這可能是未來的一個方向。

總而言之，要想掃個腦子就知道一個人能力如何，距離這個目標還有很長的路要走。

謝邀。

這不是做核磁成像的人一直在做的么……

啥是核磁看維基：

https://zh.wikipedia.org/wiki/%E5%8A%9F%E8%83%BD%E6%80%A7%E7%A3%81%E5%85%B1%E6%8C%AF%E6%88%90%E5%83%8F

https://zh.wikipedia.org/wiki/%E6%A0%B8%E7%A3%81%E5%85%B1%E6%8C%AF%E6%88%90%E5%83%8F

要註明的是功能性核磁共振可以通過血氧含量看到腦區的活動，想要看結構的話要用解析度更高的結構核磁成像，可能更接近你想表達的對大腦拍照。關注腦區體積大小和記憶能力最最有名的例子就是倫敦計程車司機海馬的實驗了，那些在複雜倫敦開計程車的人海馬體積比對照組普通人要大。而且計程車司機海馬體積和當計程車司機時間正相關。文獻：

Navigation-related structural change in the hippocampi of taxi drivers

但是要知道這種研究的局限在於解析度完全不夠。體積這個東西到底意味著啥？之所以這個實驗有名是假設體積大=神經元多/神經元網路大=牛逼，這到底是不是真的，以核磁的解析度是遠遠不能解答的。海馬之所以可以用來做這樣的假設，是因為它是為數不多的具有成年神經元再生性的腦區，也就是說這裡的神經元在你成年後還可能長出來，要知道大部分大腦是沒有這個能力的。腦體積主要在神經疾病中被考慮作為一個標準，很多疾病導致神經元退化，導致大腦體積變小，核磁成像可以作為一個病理標準，但是對於研究我們具體思維，記憶能力，這個層面的解析度在我看來是遠遠遠遠遠遠不夠的。你說海馬和杏仁核「長的不一樣」，我估計你想表達的組成不一樣？從大里說是神經元種類不一樣，鏈接別的腦區的迴路不一樣，從小里說是表達蛋白不一樣，分子調控不一樣。這些都是給大腦拍個照所不能提供的信息。要知道裡面大概有五六千個蛋白，每個蛋白對於記憶有沒有用，什麼用，都是我們不知道的。而且這些蛋白表達是個動態的過程，不是說一個人有啥蛋白，每個蛋白多少量是固定的。所以這個問題的複雜程度其實遠遠超過了你的想像。

記憶的物理基礎到底是啥我們並不清楚。最有名的HM病人，海馬被切了還是能記住小時候的事，對於那些過目不忘的人，拉去照個核磁你會發現他們的大腦和你基本上沒有啥太大差別。所以只是對大腦拍個照對於我們理解記憶這件事的幫助是很小的，但是由於技術手段的缺乏，在不做開顱手術的情況下去窺探人類自己的大腦，這種成像已經是現有科學水平的極限了。所以才會有我們這些研究動物的，試圖通過細胞和分子層面去理解大腦這個東西。而我們的局限也顯而易見，動物身上的研究有多少能用在人腦上？這個答案只能將來的科學家們去解決了。

很有趣的問題，來試著答下。

首先我把題主的問題轉化成我理解的形式。即 能否通過對一個人的大腦進行一些無損探測，通過這些檢測結果來預測這個人的一些認知指標，如智力水平，邏輯推理能力。

我自己也有過類似的想法。想使用機器學習的方法來分析數據，找到模式，來看各種有趣的好玩的指標。

我會分兩部分來回答這個問題。 1. 使用機器學習來分析這個問題需要什麼？

2. 目前神經影像學的一些主流方法以及在多大程度上能夠符合機器學習的要求。

3. 自己的看法和一些腦洞

1. 使用機器學習分析這個問題需要什麼？

首先，容我先放上兩段很到位的話。

機器學習雖然能力很強，但它並不是一個萬能的東西。至少有兩件事，我們經常都要提醒自己，機器學習可能是做不了的。

第一種情況，如果我們的拿到的數據特徵信息不夠充分，那麼機器學習可能就幫不上忙。這件事大家可能都很容易理解，當我們解決一個問題，你需要三個變數，但實際上你手上只有一個，還有兩個信息根本沒收集到，那這肯定是做不了的。

第二種情況，就是這個數據樣本的信息非常不充分，那麼這種情況也基本上解決不了問題。比如大家經常在說，我們現在地震預報為什麼做得不好。其實地震預報抽象出來看，也可以通過機器學習來解決，只不過我們的數據實在太少了。因為在你事先做了地質勘探，最後這個地方又發生了地震，這樣的情況是非常非常罕見的。所以沒有數據，機器學習也就幫不上太多忙。[1]

特徵信息，在這個問題裡面我理解的是神經系統內部的一些特徵，如神經元總體數量，神經元之間連接密集程度，緊密連接或稀疏連接，神經元的活性（被激活的難易程度，閾值），有了這些我不清楚是否能成功預測認知能力，但我個人認為認知能力或許和特定腦區神經系統的這些特徵相關。

第二信息是否充分。這個就主要涉及到解析度和信噪比的問題，從一種方法裡面獲取的信息量和解析度正相關，解析度越高，信息越多，得到的結論就越正確。舉個例子，房子的價格和面積成正相關，當我的解析度做到平方分米的時候和做到平方十米的時候，得到結論的準確性是不一樣的。。。但同時，如果信噪比比較低，得到的信息噪音比較多，真實的數據淹沒在噪音里，得到的結論也不一定是準確的。

2. 目前神經影像學的一些主流方法以及在多大程度上能夠符合機器學習的要求。

如果單說拍照的話，直接想到的就是結構MRI，DTI，除此之外CT 也有一定的用途。結構MRI 主要可以看得是灰質的密度和分布，也可以看題主所說的海馬體和杏仁核長得怎麼樣。這個東西在配合一些設備的情況下應該做到了亞毫米的解析度，最低是做到0.5還是0.7mm有些忘了，數量級應該是這個水平。但是，相對於神經細胞來說還是有點大。神經細胞的大小一般認為在幾個到幾十個微米這個量級。MRI 一個voxel裡面會有成千上萬個神經細胞。。。DTI 的話主要是看白質，看的是不同腦區之間互相連接情況，它的解析度相對於結構MRI 是只大不小。。。

回到第一節所講的東西，在特徵信息這塊，想看的指標多少都能直接或者間接看到，結構MRI 可以看一個腦區的神經元數量和密度，DTI 可以看連接。但是，現在的主要問題在於由於相關技術的解析度不夠導致沒法獲取足夠的信息，信息不充分的情況下，機器學習演算法做的也比較有限。。

3. 自己的看法和一些腦洞

我自己的看法是為什麼要只是照相呢？要不要考慮下攝像啊，尤其是在工作的時候。一個年輕人和一個上了年紀的人在平時沒什麼大分別，讓他們去操場上跑個800米，在跑步的時候不斷監測他們的生理狀態，在跑之後再來看看，會不會更容易去發現他們的不同呢？換到這個問題，如果使用所謂的 fMRI（功能核磁共振），在做任務的時候掃描大腦的神經活動，是不是會取得更好的效果呢，無論帶不帶機器學習玩。。。

我個人對這個問題的看法是，現在可能做不到或者做的不是那麼好，但是未來有一天，在演算法和成像技術的進步下，這個問題一定可以被解決的，當然前提是我們都相信人類認知的基礎來源於大腦複雜的結構。

扯點題外話，最近很是喜歡多層神經網路，首先是他們的效果比其他的演算法都好，甚至很多任務上比人類做的都好。。個人的理解是，在我們還在看表面的時候，演算法們已經看到了本質的東西，然後用這些本質的東西，來指導識別和預測。所以，這個問題，我的回答是，只要數據夠，配合上合適的演算法，一定可以解決的。

謝謝各位看了這麼長。。最後介紹下自己，我是認知神經科學研究生在讀，目前研二。機器學習和深度學習只是個人興趣，如果有做機器學習的人對神經有興趣或者做神經對機器學習有興趣，歡迎一塊聊天。

個人觀點，請多指教，謝謝。

引用：

[1] 周志華KDD China技術峰會現場演講：深度學習並不是在「模擬人腦」

給拆了殼的cpu拍照，別說看不出它在運行什麼了，連它是多少頻率的i3i5 還是i7都不一定看得出來吧

可以的，理論上可行，正在使其技術可行。

目前MRI在結構與功能都有研究的

請看最新一期的bigbang

fMRI也不是啥新技術了，但是光靠血氧含量也不可能把腦功能的量化出來。

一般的磁共振都可以看大腦結構，解析度也足夠。但是問題是大腦只是硬體，人的能力還體現在認知能力上，這也就是所謂的軟體。大部分人的生理結構其實都是類似的，特別是腦這些不好鍛煉的器官。所以其實造成差異更多的應該是軟體層面也就是認知能力上。如果腦結構都能檢測出來的明顯差異，那一般其實是病變了就。

咱學校就有一個研究小組在做這個：

http://www.pet.ubc.ca/

下面這個網頁簡要介紹了成像的原理和步驟：

http://www.pet.ubc.ca/physics-pet

能，也在做，靜態anatomy結構，動態功能結構都在做，甚至還有lesion來做的。

神經科學才剛起步，無論是理論還是技術都很稚嫩，所以現在談論這些真的太早了，甚至連題目的預設能否成立都是個疑問：相同部位的不同構造真的意味著不同的能力嗎？我們不知道。

大腦的工作機制，現今的科技還沒有完全弄明白，所有理論建立在假設之上，就好像兔子理解cpu一樣

神經層面跟行為層面有什麼關係還不完全清楚，而且還有很大的個體差異。人的行為是物質結構，也就是大腦，跟周圍環境共同作用的結果。完全從大腦來預測行為能力，個人覺得不樂觀。