研究团队基于得到的可调控危险因素图谱，构建了6个类别的风险加权评分，以反映危险因素的联合作用。各类别评分按其3分位数，被划分为良好水平 (favorable)，中等水平 (intermediate)和不利水平 (unfavorable)。结果发现，各类别风险因素越多、加权评分越差，可独立导致更高的痴呆风险，且该痴呆风险上升趋势具有统计学显著性。这表明危险因素的组合比单个因素对痴呆风险有更大的影响。

研究团队进一步讨论了靶向6个类别的干预措施能否减轻或抵消遗传因素的风险。通过分析遗传因素和环境因素的交互作用，团队发现APOE基因型显著改变了可调控风险因素和痴呆发生的关系 (交互作用P < 2×10^-6)：相较于低遗传风险人群，高遗传风险人群中良好的生活方式、居住环境和社会经济状况与更低的痴呆风险相关。而良好的精神心理因素、身体指标和共患病在低或中等遗传风险人群中的保护作用更大。尽管保护作用大小不同，但在具有高遗传风险的人群中，良好的居住环境、生活方式、身体指标，减少共患病和提升社会经济状况都与更低的痴呆风险有关，说明相应的干预措施可能会减轻遗传带来的风险。

人群归因分数 (PAF) 代表如果将风险因素降低，疾病将减少的比例，常常被用于公共卫生和政策计划的制定。研究团队计算了将上述6个类别的风险因素消除1/3或2/3后对应的人群归因分数。同时考虑到6个类别危险因素的非独立性，作者使用了Lancet委员会提出的方法，通过主成分分析计算了6个类别的加权人群归因分数。结果发现47.0%至72.6%的痴呆病例可通过消除可调控风险因素预防，其中干预生活方式 (16.6%)，减少共患病 (14.0%) 和提升社会经济状况 (13.5%) 对痴呆的预防作用最大。

郁金泰教授团队本次发布的研究，首次使用了一种非假设驱动的研究设计，同时评估了大量可调控危险因素和痴呆风险的关系，绘制了痴呆可调控风险因素图谱。这项大规模的基于人群的研究提供了一个乐观的前景：更多的痴呆病例可能可以通过消除可调控风险因素来预防，即使在高遗传风险的人群中也具有保护作用。郁金泰教授倡导应在生活方式、身体指标、精神心理因素等个人层面容易改变的领域保持良好的状态；也呼吁相关组织更加关注居住环境和社会经济状况，例如应对空气污染、提高就业和教育水平等。

参考文献：

1. Livingston G, Huntley J, Sommerlad A, Ames D, Ballard C, Banerjee S, et al. Dementia prevention, intervention, and care: 2020 report of the Lancet Commission. The Lancet. 2020;396(10248):413-46.

2. Yi Zhang, Shi-Dong Chen, Yue-Ting Deng, Jia You, Xiao-Yu He, Xin-Rui Wu, Bang-Sheng Wu, Liu Yang, Ya-Ru Zhang, Kevin Kuo, Jian-Feng Feng, Wei Cheng, John Suckling, A. David Smith, Jin-Tai Yu. Identifying Modifiable Factors and Their Joint Effect on Dementia Risk in the UK Biobank. Nat Hum Behav, doi:10.1038/s41562-023-01585-x (2023).

约一个世纪前，神经外科医生通过对开颅患者直接进行脑表面的电刺激，首次发现了躯体运动代表区。在大脑表面，第一躯体运动区是位于中央前回（Precentral gyrus，PCG）后面凸的大脑皮质区域，按照从内到外、从上到下的顺序分别投射支配下肢、上肢和头面部的运动。1937年，William Penfield教授用经典的“运动侏儒（Motor homunculus）”模式图来描述大脑皮层的这种投射支配模式^[1]。后来，“运动侏儒”模式也陆续得到了多项基于功能磁共振成像（fMRI）、脑磁图（MEG）、脑皮层电图（ECoG）等方法进行的研究所证实。

Gerwin Schalk博士是运动控制神经基础与脑-机接口（BCI）领域的知名科学家，也是天桥脑科学研究院（Tianqiao and Chrissy Chen Institute，TCCI）应用神经技术前沿实验室主任。他表示：“不断发展的神经科学向我们清晰地展示了大脑皮层这张复杂而精细的地图，在中央前回处，不同区域对应躯体的不同部位，并投射支配该区域的自主活动。”

但“运动侏儒”理论仅仅解释了运动的产生，却没有进一步解释运动的协调机制。鉴于此，Pandya等^[2]于1982年提出了运动联合区域（motor association area）概念，认为运动联合区域并不直接参与投射支配躯体运动，而是通过协调联系各运动皮层区，从而实现更加复杂的运动调控。

为了更深刻地理解中央前回的结构与功能，Gerwin Schalk博士与梅奥诊所（Mayo Clinic）的学者Michael A. Jensen等众多专家共同开展了一项基于立体脑电图（stereoelectroencephalography，sEEG）的研究。该研究成果于2023年5月发表在著名期刊Nature Neuroscience上。^[3]

研究发现，大脑的皮层地图并不完全像先前大家所描述的那样，大脑中其实还存在着另一个全新的脑区——罗朗多氏运动联合区域（Rolandic motor association area，RMA），这个区域同样控制和协调着我们的运动功能！

研究一出，在科学界内掀起了不小的轰动。

▷文章报道封面 图片来源：https://www.nature.com/articles/s41593-023-01346-z

本次研究共招募了13名年龄在11-20岁之间的药物难治性局灶性癫痫患者（其中有6名女性）。研究人员向患者脑内植入立体脑电图深部电极，随后指导患者根据随机抽取的图案提示，以约1次/秒的节律分别完成以下简单的自主运动：单手握紧/松开、闭嘴时舌头左移/右移、单足跖屈/背伸。在此期间，研究者会采集电极周围脑组织的神经电活动信号，计算其功率谱密度（power spectral density），并进行时间进程分析（time course analysis）。研究人员同时在前臂伸/屈肌、下颌底部、胫前肌处放置肌电电极，以评价从大脑皮层运动区放电到肢体活动间的间隔时间。研究原计划是同时记录脑表面及深部的电信号，并采用K均值聚类算法（K-means clustering algorithm）计算手、舌、脚分别活动时被激活的区域/簇在脑中的相对空间位置，从而从三维容积角度阐释支配运动过程中第一躯体运动区的脑电活动特征。

▷图c展示了利用K均值聚类算法计算患者活动手、舌、脚时所采集脑电数据的结果。所有数据分为5个簇,以不同颜色标记并在三维坐标系中展示。图d则展示了各簇在脑内的空间位置分布。图片来源：Jensen, et al./ Nature Neuroscience 2023

在对受试者宽频脑电图结果进行分析后发现，第一躯体运动区实际上比经典“运动侏儒”模式图描述的范围要更大，其中，部分运动代表区延伸入中央沟内。更令人惊讶的是，在所有患者按照指令活动手、舌、脚的过程中，立体脑电图显示，位于中央沟深部中外侧部的一处全新的脑区均被激活，这与周围特化的躯体运动代表区的电生理活动模式（特定脑区激活对应特定躯体部位自主活动）有着显著区别。

研究者借鉴“罗朗多氏裂（Fissure of Rolando）”这一中央沟的旧称，将这个脑区命名为“罗朗多氏运动联合区域（Rolandic motor association area，RMA）”。

据Schalk博士介绍，这个区域的出现打断了中央前回“运动侏儒”地图的连续性。他们所观察到患者在完成不同指令过程时RMA均被激活，这说明RMA支配运动不具有特异性，其并不通过神经纤维直接投射支配某一部位的运动，而是参与运动的协调。

随着立体脑电图技术在临床上的普及，研究者们不断发现全新的、参与调节运动的运动联合区域。Glasser等^[4]发现，位于RMA前上方的中央前回55b区参与生成语言与协调音律。而Willett等^[5]指出，四肢瘫患者的运动前区（BA6区）参与整合全身的自主运动。Gordon等^[6]则进一步提出，中央前回上存在三个未直接参与投射支配躯体运动的区域，这些区域其中之一与上述中央前回55b区相重叠，可能与纹状体、中央中核相联系，参与协调全身的自主运动。

谈到此次发现的意义，Schalk博士激动地表示：“在这基础上，发现RMA再次扩展了我们对人脑的认知。未来研究或可进一步探讨运动联合区域与第一躯体运动区、运动联合区域之间的相互联系，从而发现运动联合区域在神经环路中的更广泛作用。“

在发现RMA的过程中，先进的神经技术功不可没。作为一种日趋成熟的技术，立体脑电图能更好地从三维角度描述癫痫患者脑网络特征，有助于指导癫痫治疗。相较而言，传统的脑皮层电图与直接电刺激则很容易忽略RMA，这是因为，这些技术主要记录大脑浅表的神经电活动，而RMA位于中央沟深部，为BA4区所掩盖，其电活动相对不易被捕捉到。

正是立体脑电图的立体定位、能捕捉深部白质神经电活动的优势促成了新脑区的发现。在技术层面，Gerwin Schalk博士也对先进神经技术的应用充满期待，他表示“随着传感器技术的最新进步、计算能力的增强以及信号处理/AI算法的日益复杂，我们现在拥有强大的工具来更多地了解和修改大脑功能。”

目前，人们越来越深刻认识到神经技术的潜力，并开始通过系统的工作将神经科学发现与技术相结合，以开发使医疗与科研行业内外更多人受益的解决方案。“我们与梅奥诊所的这项研究有助于更好地利用这些工具来解决不同神经系统疾病的破坏性影响。例如，我们目前的发现可能会促成新的或改进的方法来改善不同运动障碍的治疗，如帕金森病或图雷特综合征。”他在采访中表示。

都说医疗、金融等专业领域的语料数据稀缺，制约大模型AI的发展，那能不能让两个ChatGPT对聊，聊出点数据出来？

5月28日，天桥脑科学研究院（Tianqiao &Chrissy Chen Institute, TCCI）主办AI For Brain Science系列会议第二期——“面向AI模型的数据生成方法及其对医疗领域的启示”。在上海交通大学计算机科学与工程系副教授吴梦玥主持下，三名青年科学家分享了关于破解大规模语言模型（LLM）数据瓶颈的看法和实践。

扫码观看回放

国际上一项研究评估指出，ChatGPT回答癌症相关问题的水平已经与美国国家癌症研究所的官方回答持平。然而，ChatGPT只能通过受限的API进行访问。涉及到个人医疗，人们也普遍不希望将自己的隐私信息分享给第三方公司。

针对这样的难题，加州大学圣迭戈分校博士生许灿文和中山大学团队的合作者提出了一种能自动生成高质量多轮聊天语料库的流程，利用ChatGPT与其自身进行对话，生成对话数据，再基于产生的对话数据调优、增强开源的大型语言模型LLaMA。他们从而获得了高质量的专属模型“白泽”，并在数天前推出了2.0版本。这个名字的灵感来源是中国古代传说中的一种神兽，“能言语，达知万物之情”。

许灿文介绍道，白泽在这个过程中并没有学会新的知识，只是提取了大模型中的特定数据，并且保留了ChatGPT分点作答、拒绝回答等强大的语言能力。这在专业上被比喻为一种“蒸馏”。进一步地，他们提出了反馈自蒸馏的概念，即利用ChatGPT当教官，对白泽回答的结果进行评分排序，从而进一步提高了白泽模型的性能。

许灿文认为，白泽通过自动化的知识蒸馏，在特定领域达到ChatGPT的能力，成本却远远低于ChatGPT，兼具经济意义和实用意义。在医疗领域，本地化或私有化建构的模型将有利于消除隐私顾虑，辅助患者诊疗。未来也许每个人都将有自己的专属AI助手。

莱斯大学博士生唐瑞祥和合作者同样基于大模型提出了一种新的数据生成策略，并在命名实体识别（NER）、关系提取（RE）等经典的医疗文本挖掘任务上取得了更好的表现。

ChatGPT具有创造性的写作能力，在医疗、金融、法律等标注数据很少的领域以及知识密集型领域表现出色。然而，具体到医疗文本挖掘，他们发现将ChatGPT直接应用大型模型处理医疗文本的下游任务，表现并不总是优秀，也可能引发隐私问题。

唐瑞祥等提出了一种新策略：利用大型模型生成大量医疗数据，再通过小型模型对这些数据进行训练。实验结果显示，相较于直接利用大型模型执行下游任务，这一新策略能够取得更出色的效果，同时因为模型数据在本地，也大幅降低了潜在的隐私风险。

他们进一步指出，随着开源大模型数量的增加和大模型能力的提升，其产生的文本数据与人类产生的文本数据的差别将越来越小，发展检测二者差别的技术手段将是一项富有挑战性的工作。现有的两种检测手段，无论是黑盒检测——直接比较大模型生成的文本数据与人类生成的文本数据（比如比较高频词分布），还是白盒检测——开发者在生成文本上做标签，在未来都可能失效。能否有效地检测出数据是不是GPT生成的，将影响到广大用户对大模型AI的信任程度。

那么，从历史演变的角度来看，在没有GPT的时代，科学家们如何解决数据稀缺难题？大模型又带来了哪些新趋势？

上海交通大学博士生曹瑞升对大模型时代来临前夕，基于深度学习模型进行自动化数据生成或增广方面的研究，尤其是反向生成进行了回顾性的总结。深度学习本质上是一种找出从输入x到输出y的映射的过程，所以需要大量的(x,y)数据对来训练。在医疗这样不容易获得大量真实数据的领域，就需要人为生成更多的(x,y)数据对。

曹瑞升将数据生成拆解为三个主要模块。第一个是针对标签（y）的生成，介绍如何对将生成的标签与真实数据的分布进行耦合比较。第二个模块是在生成数据时，介绍生成初始数据（x）的方法和限制。第三个模块是在形成完整的数据(x,y)对之后，应该如何保证数据质量。

随着大语言模型规模的不断增大和能力的不断提升，其生成的数据质量也越来越高。这种生成数据所训练得到的模型不仅可以解决简单的任务，如文本分类，还可以应对问答等更加复杂的任务。

展望未来，曹瑞升总结了数据生成在大模型时代的几大新趋势。首先是构建更加通用的模型，以确保其能够应用于多样化的任务。这意味着模型需要具备广泛的适应性和泛化能力。其次是从特定任务出发，进一步精细化地处理。例如，在医疗领域，甚至可以针对特定类型的抑郁症进行专业化的任务处理，提供更加精准和个性化的解决方案。最后，数据生成和模型训练的过程将从分离走向融合，而为了保证数据质量的硬性过滤也将逐渐被软性控制所取代。

数据生成研究与应用的发展，为大模型AI走向各个专业领域，尤其是医疗领域提供广阔的可能性。

 TCCI致力于支持全球范围内的脑科学交流，仅2022年就主办、合办、支持了近200场会议，遍及北美、亚洲、欧洲和大洋洲。AI For Brain Science系列会议致力于促进AI与脑科学研究人员的讨论合作，将持续聚焦领域内的数据瓶颈和关键痛点，为大模型AI的未来突破提供创新土壤，促进前沿AI技术在脑科学领域发挥更大的价值。

TCCI由盛大集团创始人，中国网络游戏、网络文学行业开创者陈天桥、雒芊芊夫妇出资10亿美元创建，聚焦AI＋脑科学，支持、推进全球范围内脑科学研究，造福人类。TCCI一期投入5亿元人民币支持中国脑科学研究，与上海周良辅医学发展基金会合作成立上海陈天桥脑健康研究所，与华山医院、上海市精神卫生中心等建立战略合作，设立了应用神经技术前沿实验室、人工智能与精神健康前沿实验室。在国际上，TCCI与加州理工学院合作成立TCCI加州理工研究院。