摘要

研究人员开发了一种人工智能模型，能够基于脑扫描图像以超过90%的准确率判断个体的性别。这一突破支持了大脑组织中存在显著性别差异的理论，挑战了长期以来的争议。该AI模型专注于动态MRI扫描，识别出默认模式网络、纹状体和边缘网络等关键脑区在区分男性和女性大脑中的重要作用。这项研究不仅深化了我们对大脑发育和衰老的理解，还为解决精神疾病和神经系统疾病中的性别特异性脆弱性开辟了新途径。

关键发现

1. 性别判断的高准确性：AI模型以超过90%的准确率区分男性和女性脑扫描图像，突显了大脑组织中的内在性别差异。

2. 关键脑网络的识别：可解释的AI工具识别出默认模式网络、纹状体和边缘网络是模型判断性别时分析的关键区域，强调了这些区域在认知功能和行为中的作用。

3. 个性化医疗的潜力：研究结果表明，承认大脑组织中的性别差异对于开发针对神经精神疾病的精准治疗方法至关重要，为个性化医疗铺平了道路。

研究背景

长期以来，科学家们对性别如何影响大脑组织和功能存在争议。尽管我们知道出生时的性染色体决定了大脑暴露的激素环境，尤其是在早期发育、青春期和衰老过程中，但研究人员一直难以将性别与人类大脑中的具体差异联系起来。男性和女性的大脑结构通常看起来非常相似，之前的研究也未能发现一致的大脑性别标志。

研究方法

斯坦福大学医学院的研究团队利用人工智能的最新进展和多个大型数据集，开发了一种深度神经网络模型。该模型通过分析动态MRI扫描数据，捕捉不同脑区之间的复杂相互作用。研究人员向模型展示了脑扫描图像，并告知其性别，模型逐渐学会了识别细微的模式以区分性别。

研究结果

该模型在约1500张脑扫描图像上的测试中，几乎总能准确判断出图像的性别。这一成功表明，大脑中确实存在可检测的性别差异，只是之前未能可靠地捕捉到。模型在不同数据集（包括来自美国和欧洲多个站点的脑扫描图像）中的优异表现，进一步增强了研究结果的可信度。

关键脑网络

通过可解释的AI工具，研究团队识别出模型在判断性别时最常关注的脑网络，包括默认模式网络（处理自我参照信息）、纹状体和边缘网络（参与学习和奖励反应）。这些发现揭示了这些脑网络在性别差异中的重要作用。

认知能力的预测

研究团队还开发了基于性别特异性脑功能特征的认知能力预测模型。其中一个模型能有效预测男性的认知表现，但对女性无效；另一个模型则相反。这些发现表明，性别间功能性脑特征的差异具有显著的行为意义。

研究意义

这项研究不仅为大脑性别差异提供了强有力的证据，还为未来的神经精神疾病研究提供了新的工具。研究团队计划公开其模型，供其他研究人员使用，以探索大脑连接与认知能力或行为之间的关系。

未来方向

研究团队表示，该模型具有广泛的适用性，可用于研究与学习障碍或社交功能差异相关的脑区差异。他们希望通过进一步研究，帮助个体更好地适应和克服这些挑战。

资金支持

该研究由美国国立卫生研究院（NIH）等多个机构资助，包括MH084164、EB022907、MH121069、K25HD074652和AG072114等拨款。