通过颅内记录的深度学习揭示脑-瞳孔耦合（下）-国际神经外科医生集团

　　James T. Rutka教授作为世界神经外科学院前院长，在儿童神经外科领域拥有30余年研究经验，其团队在脑瘤分子分型、精准治疗、新药研发和微创治疗方面取得重要突破。最新研究《通过颅内记录的深度学习揭示脑-瞳孔耦合》利用深度学习技术分析颅内记录数据，深入探索脑与瞳孔活动之间的耦合机制。

《Brain–Pupil Coupling Revealed Through Deep Learning of Intracranial Recordings》（通过颅内记录的深度学习揭示脑-瞳孔耦合）

任务表现与瞳孔测量学分析

　　为评估任务复杂性对行为表现的影响，研究团队分析了不同试验类型的反应时间。研究结果显示，反应时间随任务复杂性增加而延长：非转换试验反应时间最短（845±536毫秒），隐性转换试验次之（872±525毫秒），显性转换试验最长（972±564毫秒）。LME模型验证显示，从非转换到隐性转换试验（z=3.29, p=0.001）及从非转换到显性转换试验（t=12.43, p<0.001）的反应时间增加均具有统计学显著性。

任务表现和瞳孔测量术概述

　　通过中位数分割法将试验分为"高"和"低"相对亮度组（范围0.41-0.53），LME模型表明相对亮度对刺激后瞳孔直径无显著影响（p=0.998, β<0.001）。比较刺激前基线期（-1至0秒）和任务诱发期（0至1秒）的瞳孔尺寸变化，发现任务期间瞳孔尺寸较基线显著增加（z=3.002, p=0.003）。显性转换试验中的瞳孔尺寸小于非转换试验（z=-2.283, p=0.022），但非转换与隐性转换试验间无显著差异（z=-0.526, p=0.559）。

　　转换成本与瞳孔尺寸关系分析显示，高转换成本组参与者表现出显著更大的平均瞳孔尺寸（隐性转换：t(11)=-3.00, p=0.014；显性转换：t(11)=-2.37, p=0.037）。各试验条件下任务准确率均保持较高水平：非转换试验98.17%（标准差1.90%），隐性转换试验98.65%（标准差1.54%），显性转换试验97.80%（标准差2.42%）。

此效应在非转换和隐性转换试验条件中均观察到。在非转换试验中，关联从-330至880毫秒显著，最强效应出现在约-170毫秒（β̂ < 3.51, p校正<0.05；图3A，下图）。

瞳孔动态与任务表现相关性

　　研究发现瞳孔尺寸与反应时间的关系因任务阶段和试验条件而异。刺激间期，非转换条件下较大瞳孔直径与较快反应时间相关（-1000至-580毫秒，β~>-3.17, p<0.05）。刺激周围和刺激后期间，关系发生反转，较小瞳孔直径与较快反应时间相关。非转换试验中该效应从-330持续至880毫秒，峰值出现在-170毫秒（β<3.51, p<0.05）；隐性转换试验中效应持续时间较短（-170至150毫秒）。

脑-瞳孔相关性神经网络定位

　　FDR校正后发现δ、θ和β频带存在显著相关性。瞳孔尺寸与带限功率正相关区域包括右杏仁核（δ频带）、右颞上回（θ频带）、右岛叶（β频带）和左丘脑（β频带）。负相关区域包括左额上回和左颞上回（β频带）。杏仁核、颞上回和丘脑的带限功率从静息到任务期增加，而岛叶β功率则呈现下降趋势。

成功和不良瞳孔反应预测示例如图4C所示。正Spearman等级相关系数代表成功预测，而零或负相关系数代表不良预测性能。

SEEG信号预测瞳孔动态

　　基于深度学习的预测模型利用SEEG记录数据成功预测瞳孔尺寸时间过程。7名参与者数据训练结果显示，验证集上6个模型达到统计显著性，Spearman等级相关系数范围0.04至0.63。跨日测试显示预测性能有所下降（第1日0.24降至第2日0.15）。激活映射识别出额上回、顶上小叶、辅助运动区等区域对预测有正向贡献，视觉皮质相关区域则显示负贡献。