共计 1069 个字符，预计需要花费 3 分钟才能阅读完成。
人工智能技术正在为脑成像研究带来革命性的突破。波士顿学院的研究团队近日在《自然·方法》杂志发表重磅论文，宣布他们开发出一种基于生成式人工智能的新方法，能够显著消除功能磁共振成像数据中的噪声干扰。这一突破意味着，我们有望获得比以往清晰数倍的大脑活动图像，从而更深入地理解大脑功能和相关疾病机制。
功能磁共振成像是目前神经科学领域应用最广泛的非侵入性研究手段之一，仅 2024 年就有数万项相关研究发表。然而，这项技术一直面临着一个核心挑战：采集到的大脑活动信号中，混杂着大量由头部微小运动、心跳甚至呼吸等多种因素引入的噪声。这些噪声严重影响了数据的质量与分析结果的准确性，一直是困扰研究人员的难题。
论文资深作者、波士顿学院心理学副教授斯特凡诺·安泽洛蒂指出，更有效地去除这些噪声，将为探索大脑功能和疾病机制开辟全新的路径。他与合作者共同开发的新方法被命名为 DeepCor，其核心突破在于巧妙地借助了生成式人工智能的能力，来区分大脑不同区域的特征模式。
“噪声往往不是孤立存在的，它会同时影响神经元密集的区域和那些非神经元区域，比如脑室，”安泽洛蒂解释道，“我们的方法通过人工智能识别并去除这些区域共有的干扰模式，从而使真正反映神经元活动的特有信号更加凸显出来。”
在严格的测试中，DeepCor 的表现大幅超越了现有的先进方法。在模拟数据集中，其去噪后的数据清晰度比广泛使用的 CompCor 方法提高了惊人的 339%；在处理真实的脑成像数据时，针对面部反应等特定噪声的消除效果也提升了 215%。研究团队对这个改进幅度感到非常意外，他们原本预计性能提升可能在 10% 至 50% 之间，实际结果远超最乐观的预期。
这项研究由博士后研究员艾达斯·阿格林斯卡斯与当时还是本科生的朱宇共同主导完成。安泽洛蒂表示，团队接下来的工作将聚焦于两个方向：一是进一步优化 DeepCor 方法，使其更易于被全球其他神经科学研究人员使用；二是对大型公共脑成像数据集进行系统的降噪处理，从而推动整个神经科学领域更快地受益于更高质量的数据。
这项基于人工智能的脑成像降噪技术突破，不仅有望加速神经科学的基础研究进程，更重要的是，它能为阿尔茨海默病、抑郁症等多种脑部疾病的机制解析与精准诊断，提供前所未有的高质量成像支持。
来源
波士顿学院
期刊参考文献
Zhu, Y. & Aglinskas, A. (2025). DeepCor: denoising fMRI data with contrastive autoencoders. Nature Methods. DOI: 10.1038/s41592-025-02967-x.
