人工智能研究揭示小動物恐懼症背後的腦部模式
一項最近發表於《生理心理學》的研究利用機器學習技術，識別出與小動物恐懼症相關的腦部結構和網絡。研究結果揭示了不同的灰質特徵和宏觀網絡，幫助區分有此恐懼症的個體與沒有的個體。這些結果不僅突顯了大腦在恐懼反應中的角色，還為未來可能的干預措施提供了線索。
小動物恐懼症，即對昆蟲、蜘蛛或小型哺乳動物等生物的強烈和不理性的恐懼，影響約10%的人口。儘管這種情況普遍存在，但其神經機制仍然不甚明瞭。以往的研究已經確定了在接觸恐懼刺激時激活的多個腦區，但通常依賴於樣本數量有限或僅集中於狹窄的腦區。本次研究旨在通過整腦的方法和先進的機器學習技術來解決這些差距。
研究作者阿萊桑德羅·格雷庫奇（Alessandro Grecucci）表示：“在臨床和情感神經科學實驗室，我們專注於發展個性及正常與異常情感狀態的神經預測模型。”他指出：“小動物恐懼症是一種尚未被神經科學研究充分探討的特定焦慮障礙。值得注意的是，迄今為止進行的少數幾項研究存在一些方法論的限制，例如使用大規模的單變量分析和小而不平衡的樣本，導致研究結果不一致。此外，尚未評估從腦部特徵預測小動物恐懼症的可能性。”
在這項研究中，研究團隊分析了來自122名成年參與者的結構性腦成像數據，其中32名被診斷為小動物恐懼症，其餘90名則作為對照組。參與者的恐懼症狀是通過臨床診斷工具確定的，以確保其狀況為主要的心理障礙。所有參與者均接受了高分辨率的磁共振成像（MRI）掃描，然後使用先進的神經影像學軟件進行處理。
研究人員使用了一種名為二元支持向量機的機器學習算法來分析數據，旨在識別複雜數據集中的模式。該模型被訓練以根據灰質特徵對恐懼症和非恐懼症個體進行分類。為了提高可靠性，研究團隊使用了交叉驗證技術，並考慮了影像設備之間的差異。
分析結果揭示了小動物恐懼症患者的腦部結構與對照組之間的顯著差異。在整個大腦層面上，機器學習模型的準確率約為80%，顯示其能夠基於腦部解剖結構區分恐懼症個體。幾個關鍵的腦區在分類過程中顯示出重要性：
– **小腦**：傳統上與運動協調相關，但在恐懼症患者中與情感處理和恐懼反應有關。
– **杏仁核**：以其在恐懼和威脅檢測中的角色著稱，杏仁核顯示出結構差異，可能導致情感反應的增強。
– **顳葉和顳極**：這些區域參與記憶和情感處理，可能加強對恐懼刺激的回憶和情感顯著性。
– **前額葉皮層**：眶額皮層及其他前額區域在情感調節和決策中扮演重要角色，似乎在控制恐懼反應中發揮作用。
– **丘腦**：作為感官中繼中心，可能增強對恐懼刺激的感官處理。
格雷庫奇表示：“這項研究旨在開發一個神經預測模型，根據形態特徵（如灰質或白質）檢測小動物恐懼症患者，利用一種稱為二元支持向量機的方法。”他補充道，“這個模型識別出一組與情感感知和調節、認知控制及感覺整合相關的腦區，包括杏仁核、小腦、顳極、顳葉和丘腦。這些區域對於小動物恐懼症的預測能力極高。”
分析還探討了特定的腦網絡，以了解它們對小動物恐懼症的集體貢獻。默認模式網絡成為最具預測性的網絡，其準確率超過80%，優於整腦分析。這個網絡通常與自我參照思維相關，可能反映出與恐懼相關的內部專注和反思。情感網絡，包括杏仁核、眶額皮層和島葉，顯示出強大的預測能力，突顯了其在情感調節和反應中的角色。
格雷庫奇指出：“我們的研究結果顯示，默認模式網絡是最具預測性的網絡之一，重申了其在精神病理學中的重要角色。”他還提到，研究了由皮層和皮下區域組成的新型情感網絡，這些區域與情感處理有關，顯示出優異的預測能力。
其他網絡，如中央執行網絡和感覺運動網絡，對分類也表現出顯著但不夠精確的貢獻。中央執行網絡涉及注意力控制，可能反映出對威脅相關刺激的高度警覺。感覺運動網絡則可能代表恐懼反應的身體表現，如逃避行為和高度的行動準備。
雖然這項研究在理解小動物恐懼症方面取得了重大進展，但也存在一些局限性。特別是恐懼症患者的樣本量相對較小，可能限制了結果的普遍性。未來需要進行更大且更具多樣性的樣本研究，以驗證和擴展這些結果。
此外，這項研究僅聚焦於灰質特徵，排除了其他可能相關的因素，如白質或功能連接。在未來的研究中納入這些因素，可能會更全面地理解恐懼症背後的腦部機制。
格雷庫奇表示：“我們相信，這一基於機器學習方法的正常與異常情感狀態的神經預測模型研究，可能為心理障礙的神經基礎提供有價值的見解，並提出新的研究方向，建議潛在的改進診斷和治療策略。”
以上文章由特價GPT API KEY所翻譯及撰寫。而圖片則由FLUX根據內容自動生成。
