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。

作为资深精神科医师、心理治疗师，仇剑崟很兴奋地看到，AI这次在情绪认知方面的表现上了一个新台阶。她坦言，自己很期待AI经过专业训练之后能够患上焦虑症，从而帮助医生更好地了解焦虑症的表现，分析背后的相关因素，为找出更多更好的预防、治愈方法打开新思路。

陈光在微博上的ID是@爱可可-爱生活，多年来致力于AI相关领域的研究和分享，获得了广泛关注。他认为，这类模型基于大量的训练数据进行学习和生成文本。用类似填空、接龙的方式训练得到的模型，目前不具备真正的主观意识，没有真正的主观意识、情绪或意愿。而基于人工反馈强化学习（RLHF），AI的确可根据人类对其输出结果的判定和引导，不断调整，逐渐接近人类的倾向，但他认为，目前看来，这种模仿没有超出文本学习和生成的范围，并不会形成稳定、一致的“性格”。

仇剑崟介绍，病理性焦虑是指持续、无具体原因地感到紧张不安，或无现实依据地预感到灾难、威胁或大祸临头感，伴有明显的自主神经功能紊乱及运动性不安，常常伴随主观痛苦感或社会功能受损。国家卫健委2020年统计数据显示，中国焦虑症患病率在5%左右。

近年来，医生开始积极尝试将AI技术应用于包括焦虑症在内的精神障碍临床诊疗。目前，AI已经在自杀预防等领域起到积极的辅助作用。随着人机交互的范围从文本拓展到面部表情、身体姿态、语音、心率、体温，甚至是未来的脑机接口，AI将进一步帮助揭示人类情绪背后的生理学机制，成为心理治疗机器人，在社区或医疗资源匮乏的边远地区助力精神卫生诊疗。

陈光从计算机科学的角度观察到，ChatGPT热潮促进AI进入各行各业广泛应用，如果结合精神卫生领域的专业数据对大模型进行“微调”，一方面将帮助AI更好地模拟人类的情绪反应，模拟出一批供医生研究的“精神病人”，另一方面也有望更准确高效地识别出人类的情绪障碍，起到辅助诊疗作用。相关数据的规模是AI技术能否深入精神卫生领域的关键。

仇剑崟和陈光都认为，传统上，医生对精神障碍的认知依赖主观观察。计算精神病学的兴起，推动数据分析、机器学习和人工智能等工具应用于精神障碍的分型诊断、风险预警、预后预测，协助临床诊疗和防治策略制定。而以ChatGPT为代表的大模型AI，将给计算精神病学带来更大的突破，帮助人类进一步打开精神疾病和大脑这两个“黑盒”。

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问脑”是一档新推出的轻型学术交流会议系列，以AI科学家和脑科学家交叉对话为主，探索AI技术与脑科学的双向创新，并对AI自主意识、人类意识上云等公众热议话题进行开放性讨论。

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。

“面对发展一日千里的AI新技术，作为一名神经外科大夫，我并不担心会失业，更关心如何拥抱AI，更好地服务患者，还能让我们医生早点下班。比如AI辅助问诊、辅助分析大脑影像和脑电数据，制定手术方案等；再比如从AI全新的视角审视，打破人脑研究人脑的主观性障碍，早日攻克脑疾病。”4月9日，由天桥脑科学研究院（TCCI）携手华山医院（国家神经疾病医学中心）、上海市精神卫生中心（国家精神疾病医学中心）联合主办的AI助力攻克脑疾病研讨会上，华山医院院长、TCCI转化中心主任毛颖教授开门见山地说。

会上，来自AI、临床领域的专家进行了积极交流。国家精神疾病医学中心脑健康研究院院长徐一峰教授、上海市精神卫生中心副院长王振教授、上海交通大学心理与行为科学研究院执行院长李卫东教授等参加了会议。

复旦大学附属华山医院神经内科副主任、国家神经疾病医学中心认知障碍方向带头人郁金泰教授指出，为实现AD早期诊断，有必要建立大型队列，尤其是社区队列，以便识别临床前阶段的患者。GPT模型在疾病管理方面的潜力，如搭建疾病管理平台，实现患者个体化病情评估、自动化分析报告、智能随访问答等功能，以提高医疗自动化水平。他也提到，GPT在AD诊疗与研究领域所面临的诸多挑战，如高质量医疗数据的缺乏、数据安全性问题、回答实效性受训练数据影响等。但他同时认为，通过不断深化研究与实践，AI有望在AD领域发挥关键作用。

上海交通大学计算机科学与工程系吴梦玥副教授认为，开发基于人机对话的抑郁症问诊机器人、以及利用语音和语言特征构建症状与精神疾病知识图谱，是未来抑郁症早诊早治的方向。

她说，很多精神疾病的诊断主要依赖于面对面的问诊和交谈，理论上，模型也应该能够学会这个技能。同时，语音和语言作为客观生物标记物，在DSM-5诊断手册中已经被用于诊断抑郁症等精神疾病。开发基于人机对话的抑郁症问诊机器人，通过深度交流，人机对话能够得到与医生所得到的同样精确的症状描述。她还介绍了如何将语音和语言特征作为可计算、可迁移的方式，以及通过患者的自我表达建立症状和疾病的知识图谱，为多种疾病检测提供了新的思路。

上海市精神卫生中心心境障碍科主任彭代辉教授介绍，他正在领导的重大科研项目“抑郁症的前瞻性临床队列研究”旨在收集全国范围内的抑郁症患者数据，创建一个多中心、规范化、标准化的大规模长期病例数据库。

目前，团队通过脑影像学和临床神经心理评估两个维度相结合初步构建了抑郁症脑功能网络诊断与分型模型。他们拟进一步运用数字表型技术，包括音频、视频、脑电和眼动等多维度立体大数据进行特征提取、筛选和建模。他指出，这种多维度立体大数据可能提高抑郁症诊断的精准度，优化筛查评估方法以及风险事件预测；大数据与人工智能技术相结合，在为患者提供敏感和特异的诊疗方案中有着巨大潜力。

上海交通大学生物医学工程学院林关宁教授展示了通过持续优化GPT的训练和规则设定，将GPT技术应用于心理健康和脑科学研究领域所取得的成果。

在压力、抑郁症和自杀风险检测方面，研究团队通过改进提示工程（Prompt Engineering），实现了GPT准确性的提升，已能初步实现准确的分类和预判。团队还成功地从非结构化文本中提取了结构化信息，通过为GPT提供规定模式，实现了将这些信息规范地存储在数据库中，为未来研究和临床实践提供了宝贵数据。尽管在应用过程中遇到了一些挑战，如API接口局限性等，但林关宁教授相信像GPT等大型语言模型在心理健康和脑科学研究领域将发挥越来越重要的作用，很快将有能力处理除文本语言之外的数据，如影像、脑电、生物组学等多模态的数据，并推理数据之间的内在逻辑。这将为现有的科研范式带来革命性变革，并推动心理健康和脑科学研究领域的快速发展。

图1. 各血浆生物标志物与AD脑脊液

和PET显像Aβ和tau病理的关系

研究全面比较了血浆Aβ42/Aβ40、Aβ42、Aβ40、p-Tau181、NfL和GFAP五种外周血浆生物标志物在AD全病程中的变化情况及识别AD病理的能力，发现血浆GFAP最先发生变化。GFAP早在临床前阶段Aβ病理出现时就已经显著升高，随着疾病进展，当tau病理和认知损伤出现后，该蛋白含量逐渐上升，直至AD痴呆阶段达到最高水平。紧随其后变化的是血浆p-Tau181，相比之下，血浆NfL、Aβ42/Aβ40、Aβ42和Aβ40在AD全病程中的变化不太明显。血浆GFAP和p-Tau181均与AD脑脊液和PET核心生物标志物密切相关。在识别Aβ病理方面，血浆GFAP的诊断性能优于血浆pTau181、NfL、Aβ42/40、Aβ42和Aβ40。

郁金泰教授研究团队进一步研究发现，与认知正常、轻度认知障碍（MCI）和非AD痴呆人群相比，AD痴呆患者的血浆GFAP水平显著升高。血浆GFAP可以准确识别临床前AD、AD源性MCI、AD痴呆阶段，且可以有效鉴别AD痴呆与其他神经退行性疾病，包括血管性痴呆、额颞叶痴呆等不同类型痴呆及帕金森病、进行性核上性凝视麻痹、多系统萎缩等神经退行性疾病，其诊断准确性高，AUC值均可达0.85以上。值得关注的是，与未转化为AD痴呆的受试者相比，转化为AD痴呆的受试者在基线时表现出更高的血浆GFAP水平。利用纵向随访数据，研究还发现较高水平的血浆GFAP与认知能力下降密切相关，可以显著增加AD临床转化风险，提示血浆GFAP在预测AD进展方面具有一定临床价值。

图2. 血浆GFAP在AD早期诊断与预测中的应用

综上，本研究揭示了血浆GFAP作为AD早期诊断和预测标志物的潜力，该标志物反映了胶质细胞活化的过程，可能是一种用于无症状期AD早期诊断非常重要的检测指标。该研究成果将有利于今后临床试验和临床实践中使用血液AD生物标志物这一方便的检测手段来识别无症状期AD患者，亦可以用于AD的鉴别诊断，为实现AD快速、精准早期诊断以及大规模老年人AD早期筛查提供了新的无创生物学标志！ 

参考文献

基于临床的观察提示，丙泊酚能有效提升部分心情不畅患者的情绪状态。研究团队因此进一步探索了丙泊酚的愉悦机制能否应用于抑郁症的干预。团队首先使用慢性束缚应激的动物模型以模拟抑郁症患者的日常心理压力，发现慢性应激动物出现了显著的快感缺失（对糖水偏好下降）的行为表现。使得研究者振奋的是，单针丙泊酚注射即可在4小时后逆转快感缺失这一行为表型，并持续到24小时和3天以上的时间点中。如采用神经环路抑制的技术，降低丙泊酚暴露后多巴胺1型受体神经元的电活动，则丙泊酚的抗快感缺失效果消失。这些证据指出，丙泊酚可通过特定分子结合模式，调控奖赏中枢多巴胺水平，对抗快感缺失。

快感缺失是抑郁症患者对生活丧失动力的核心表型，也是其他多种精神疾病的重要症状。研究团队指出，“麻醉牛奶”这一老药，有望在专业医生指导下快速获得精神科的临床应用，从而给抑郁症患者带来新希望。同时，团队已开展了针对丙泊酚分子的结构改造工作，进一步筛选疗效更好、低镇静、免成瘾的新型药物。

朱晓娜、黎杰、邱高林为文章的共同第一作者。胡霁、袁逖飞、许涛为通讯作者，其中袁逖飞为TCCI研究员。研究受到了科技部2030-脑科学与类脑研究重大项目和国家自然科学基金的资助。本研究还得到了上海科技大学程建军教授、白芳教授和赵素文教授的大力支持。

参考文献

现阶段，科学家可以利用脑电图（EEG）、脑磁图（MEG）、功能性核磁共振成像（fMRI）和正电子发射断层成像（PET）等技术对皮层语言区进行定位，不过电刺激（ECS）一直是定位接受性语言功能区域的金标准方法。

▷图注：A.黑色小圆圈指代电极植入位置，黄框内为电极带植入手术示意图。B.清醒和麻醉状态下，语言刺激和电极采集的信号由良好的时空一致性。C.同一位患者在清醒和麻醉两种状态下接受被动语言刺激时活动脑区功能图谱一致 图片来源：Nourmohammadi, et al./ Clinical Neurophysiology 2022

▷该文章报道封面 图片来源：Clinical Neurophysiology期刊官网

在这项研究中，研究人员利用宽频频段（70-170赫兹）对20名不同全麻状态下的神经外科病人进行了ECoG绘图效果测试，实验结果表明患者接受全身性麻醉期间，使用ECoG记录接受性语言皮层被动功能图谱是可行的，同时也确认了实现最佳语言图谱记录的麻醉阶段。

本次研究中，被试均患有癫痫或脑肿瘤，年龄在21岁以上，无听障问题，可以通过英文沟通。癫痫组患者术前1-2周植入ECoG，采集记录在术前和术中全麻时30-90分钟皮层活动信号并绘制功能图谱，患者清醒前移出颅内ECoG；肿瘤组患者在术中全麻后植入ECoG，记录患者在手术过程中由失去意识到可以做出反应的30-60min的脑功能图谱，患者清醒后再记录ECS，随后去除ECoG。

▷图注：麻醉和实验时间线。全麻过程如图1（A）所示，蓝色指代清醒状态，红色指代深度麻醉，当病人失去意识（LOC）即进入全身麻醉状态 图片来源：Nourmohammadi, et al./ Clinical Neurophysiology 2022

▷图注：电极位置定位及植入示例 图片来源：Nourmohammadi, et al./ Clinical Neurophysiology 2022

▷图注：不同麻醉状态下ECoG信号动态变化 图片来源：Nourmohammadi, et al./ Clinical Neurophysiology 2022

随后，研究人员对BBG包络进行统计分析。为量化大脑的反应性，以便进行数值比较，研究人员先绘制单个反应性电极的接收操作特征（ROC）曲线，随后测量曲线下面积（AUC），以量化每个部位的反应幅度，即效应大小。研究人员又计算了反应电极的AUC总和，以此作为每个图谱大脑活动指数（BAI）。

▷图注：统计分析。A.蓝色（左）和青色（右）的时间轨迹是“基线”和“任务”之间宽频伽马波的z评分，每个时间线旁的数字表示其对应的实验编号（1到N）。B.“基线”和“任务”的所有组合（没有重复）之间的相关性分析，每个面板显示了一对不同实验的时间痕迹和它们的皮尔逊相关系数（r）。C.“基线”和“任务”r值分布。D.曲线下面积（AUC）表示两个分布的可分离性，所有对刺激有响应的电极的AUC之和即为脑活动指数（brain activity index, BAI） 图片来源：Nourmohammadi, et al./ Clinical Neurophysiology 2022

通过BAI表征大脑的反应和活动，不仅可以用来研究不同条件下皮质对语言刺激的响应度，还可以减免各个受试者植入电极数量不同带来的潜在影响。实验人员通过量化不同条件下映射结果之间的相似性计算得出两组病人麻醉期间被动语言图谱的平均敏感性和特异性分别为49%（±7.7%）和100%。

▷图注：癫痫组群（左）和脑肿瘤组群（右）的被动图谱测绘结果。分别为12名癫痫受试者和6名脑肿瘤受试者的被动语言脑功能图谱记录结果，黑色小圆圈代表ECoG电极位置，蓝色和红色圆圈分别代表在清醒和麻醉状态下对语言刺激有响应且有统计学意义的电极，每张皮层功能图谱右下角对应有清醒状态下的BAI值 图片来源：Nourmohammadi, et al./ Clinical Neurophysiology 2022