Neuron：精神病学中的功能神经成像和失败案例

精神疾病包括复杂的认知和情感异常，是最使人衰弱和对了解最少的疾病之一。目前的治疗主要依赖于针对大脑功能(药物)或学习过程(心理治疗)的干预措施。关于这些干预措施如何介导其治疗效果的机制仍不清楚。从20世纪90年代初开始，无创功能神经成像，加上认知神经科学的平行发展，似乎标志着精神病学以神经生物学为基础的诊断和治疗的新时代的到来。然而，尽管进行了30年的神经影像学研究，我们仍然缺乏任何精神疾病的神经生物学解释。同样，功能性神经影像学在临床决策中不起作用。在此，我们对这一僵局提出了批判性评论，并建议该领域如何更好地发展，并提供有影响的神经生物学见解。

1.  简介

作为精神病学研究工具，对功能性神经成像的投资规模令其他近期创新相形见绌，过去30年发表的文章超过1.6万篇(根据PubMed的数据，仅过去5年就有大约三分之一)。然而，我们需要清醒地认识到，功能神经影像，特别是功能磁共振成像(fMRI)和脑磁图/脑电图(MEG/EEG)在临床精神疾病决策中没有发挥作用，也没有为任何精神疾病或症状维度定义神经生物学基础。因此，我们仍然很难反驳这样一种批评，即精神病学的最基本特征是它的无知，它不能成功地定义其关注的对象，而它试图揭示其疾病的病因却是一连串的失败。

精神病学无疑需要在概念理解和治疗方面取得重大突破。常见的神经精神疾病在全球疾病负担中占相当大的比例，仅欧洲每年的费用估计就超过4000亿加元，超过癌症和心血管疾病。然而，一线药物疗法仍然依赖于推测的分子作用机制，这些机制来自20世纪50年代的偶然观察，尽管新型疗法的开发取得了一些进展，药物和心理干预对许多患者仍然无效。有人可能会认为，这证明了精神疾病的独特复杂性，其中因果途径被认为反映了心理、环境、社会文化、遗传和其他生物因素的相互作用。尽管因果关系如此复杂，但临床认知神经科学的核心原则是，精神症状是潜在可识别的神经生理功能改变(一种近似原因)的表达，反映了上游生物-心理-社会因果因素的多样性。根据这一观点，非侵入性测量患者人群大脑活动的能力带来了一个诱人的希望，它将开启一个理解和治疗的新时代。

以20世纪90年代早期fMRI的广泛应用为标志的检测人脑功能的复杂模式，促进了认知神经科学的重大进展，似乎也为生物精神病学提供了理想的工具。15年前，现任资深作者表达了一种广泛持有的乐观态度，即神经影像学将“提供精神疾病更有原则的分类和异常认知过程的高水平规范”，而这一知识反过来将指导以神经科学为基础的临床实践。在此期间，我们在财政和人力资源方面投入了巨大的资金，现在是时候回顾一下实际取得了哪些有意义的临床进展。在这篇综述中，我们重点关注反映大脑活动的无创测量方法(即fMRI和MEG/EEG)的应用。我们包括历史视角，考虑塑造该领域的主要趋势，并突出研究范式和分析方法的多样性。虽然我们的总体目标是改善临床结局，但我们认为区分以下两种研究将有所帮助：一种是追求症状神经生物学方面的“机制”(“解释性”)问题的研究(即“理论驱动”方法)，另一种是将影像学数据作为诊断或预后机器学习模型输入的“预测性”研究(即“数据驱动”方法)。我们研究了这两种临床转化途径面临的共同和独特障碍。

最后，我们考虑了潜在的转化影响。在本文中，我们赞同将大脑视为计算器官的观点，即将精神症状解读为反映关键计算过程的变化。因此，理解神经计算(无论是在算法过程层面还是在神经实现层面)是深入理解精神疾病的必要步骤，也是临床转化的可能先决条件。为了实现这一目标，我们主张精神病学的神经影像研究比以往任何时候都更需要包含来自基础神经科学和计算神经科学的理论框架。这包括研究高维神经活动如何支持认知，以及对这些过程中断后的行为和症状后果制定可验证的预测。可以说，当务之急是通过认知的计算模型来看待症状，弥合在不同分析水平(从神经到行为)和不同物种中表达的知识之间的鸿沟。

2. 精神病学对功能神经成像的拥抱

2.1 功能定位

对人类大脑活动的非侵入性研究可追溯到汉斯·伯杰的里程碑式的证明，即EEG频谱特性的调制作为行为状态的函数。后来的进展使用正电子发射断层扫描(PET)测量基线(静息)脑血流量和代谢作为神经活动的替代指标。PET可以确定认知参与时局部脑活动的变化。随后的一个主要技术进步是使用血氧水平依赖(BOLD) MRI对比(即BOLD fMRI)来测量神经活动。与PET相比，BOLD fMRI具有更高的时空分辨率和无电离辐射暴露等优势，因此很容易被人类认知和系统神经科学家用作研究工具。功能神经影像学似乎通过确定活动与诊断状态和症状严重程度相关的神经解剖位点，为精神病学提供了直接进展。例如，急性悲伤、抗抑郁药反应和难治性抑郁症被归因于膝下前扣带回皮质(sgACC)的高灌注/高代谢，以及前额叶、运动前区和背侧ACC的低灌注。这促使我们在sgACC内对难治性抑郁症患者进行了小规模、开放标签的深部脑刺激(DBS)研究，其中的疗效与sgACC血流减少相关。类似的理论基础将背外侧前额叶皮层确定为抑郁症重复经颅磁刺激(rTMS)的靶点，假刺激对照试验中的疗效被认为反映了前额叶皮层和sgACC之间的功能耦合。然而，我们注意到，并非所有假对照试验都证明了局灶性神经调节的抗抑郁疗效。

局灶性神经调控研究中的结局变异性可能反映了一系列因素，包括刺激靶点欠佳，而功能神经成像(如静息态fMRI)可能在评估个体患者的靶点选择和参与情况方面发挥作用。此外，基于神经影像学的技术(如病变网络图)有望识别与治疗变化有因果关系的新的解剖靶点。然而，神经解剖位点与精神病学诊断或症状之间的关系仍然难以捉摸。此外，未来任何此类图谱的识别，虽然具有明确的临床效用，但并不一定构成对疾病的神经生物学解释。

2.2 认知的任务、模型和神经相关因素

受认知神经科学进展的推动，精神病学的早期功能神经影像学研究越来越关注认知参与背景下的大脑活动特征，即所谓的“任务型”研究。这种方法假设精神症状和体征源于个体处理世界信息的方式(来自感觉输入和/或记忆)。它还体现了一种观点，即对神经信息处理的更深入理解将提供对症状产生的机制理解。原则上，这应该会加速精神病学中新的诊断、预后和治疗工具的开发。

2.3 基于任务的功能影像

许多基于任务的神经影像学研究利用了似乎与精神疾病相关的心理结构。例如，涉及奖励期待的任务(如货币激励延迟任务)、工作记忆(如n-back任务)和情绪处理(如情绪面孔任务)(图1A)。在小型病例对照研究中，他们的部署通常强调了患者和对照参与者之间的不同神经激活模式(例如，在被诊断为精神分裂症的人中，为了奖赏预期，一个被充分复制的钝的腹侧纹状体激活)然而，更深入的解释却不那么明显。一个原因是，尽管这些研究是在认知神经科学的框架内进行的，但它们一般都脱离了正式的、生成性的认知模型。这些模型试图通过在精确的数学模型(例如，使用强化学习或贝叶斯推理框架)中实例化认知假设，解释可观察的行为如何反映(由)潜在的计算过程。当与神经记录相结合时，这种计算方法为与任务相关的神经计算(例如支持决策的神经计算)提供了一个前所未有的窗口。

一个显著的例子是在清醒猴子中进行的一系列具有里程碑意义的研究，这些研究揭示了中脑多巴胺神经元的相位活动与来自无模型时差强化学习算法的奖赏预测误差(RPE)信号之间的对应关系。随后，fMRI在人类(尤其是纹状体)中也显示了类似的对应关系，包括使用药物操作和分子神经成像证明了与多巴胺的关系。最近，fMRI研究报道了中纹状体BOLD激活与预测误差(惊讶)信号的多样性之间的相关性，与体内临床前研究趋同。

因此，将基于计算的任务设计、行为建模和神经记录(即基于模型的神经成像)结合起来，使实验者能够对神经计算做出超越仅包含于行为数据的信息的推论。简而言之，行为生成模型充当了神经和行为描述水平之间的桥梁，并显著增强了人类认知神经科学的解释潜力。

2.4 计算精神病学和症状的算法基础

(基于理论的)“计算精神病学”的出现基于一种乐观主义，即使用计算行为模型表达的对症状产生的机械性理解可以加速精神病学的临床转化。计算精神病学将大脑解释为构建简约的世界内部模型的信息处理器官，精神症状源于这些计算的改变(即使在没有异常神经生物学功能的情况下也可能发生)。假设的变化可以通过在精心设计的任务中为行为拟合模型来识别。功能神经成像的价值是将模型衍生的变量(与算法级别的描述相关)与宏观神经活动模式(与神经实现相关)联系起来(图1B)。原则上，这也有助于在相互竞争的算法假设之间进行裁定，我们的最终愿望是发现用于靶向治疗、结局预测和诊断的“计算表型”。精神病学中这种基于模型的神经成像的一个例子是对精神病预测错误表达的研究。在这里，多巴胺能活动和无模型RPEs之间的对应关系为理解症状如何由异常的中纹状体多巴胺信号产生提供了可能。其基础是将妄想和幻觉等症状与预测-错误介导的学习和推理(即异常突显归因)的语言相关联。为此，在患者中进行的fMRI研究使用各种任务(例如经典条件反射、工具条件反射和逆转学习)测量预测误差，发现中纹状体和/或中皮质BOLD反应异常(通常为减少)。相反，在抑郁症患者中，一项fMRI研究发现纹状体RPE信号与对照组参与者相比没有差异。任务也被设计为利用对任务结构的理解(即预测内部模型)的算法。这一领域对知识合成的挑战来自于广泛使用不同的建模惯例和基于任务的统计对比来操作化结构，如RPE。

2.5 计算精神病学的转译差距

虽然计算精神病学文献已经确定了模型介导的神经活动与精神病学变量之间的关联，但缺乏有效的临床转化。在一定程度上，这反映出我们很难确定神经或行为效应的程度、稳健性和可靠性，从而达到个体水平的临床效用。虽然一般因素导致了这种情况(在下面的“对僵局的展望”中讨论)，基于计算任务的方法提出了独特的挑战。

首先，模型衍生结果的有效性取决于假设的生成模型与任务参与的“基础真相”神经认知过程之间的对应关系，以及在许多情况下，假设参与者内部和参与者之间的这些过程均具有同质性。然而，即使是在简单任务中的行为也可以反映多个认知过程的贡献，这些认知过程可能随着时间的推移而变化，并且在相同诊断的参与者之间也不同。因此，理清参与者内部和参与者之间不同的潜在过程的相对贡献需要仔细设计任务和详细的模型比较。与此同时，更复杂的任务由于其复杂性和持续时间，给将其转化为以认知或动机障碍为特征的临床人群带来了挑战，并且通常不适合纳入大型多中心影像学研究。

第二个挑战是获得有意义的个体水平效应，并将其作为临床有用的生物标志物。认知神经科学中的大多数任务旨在引出稳健的群体水平行为和神经效应，这一目标要求减少参与者之间的效应差异。然而，正是这种参与者间的差异使该任务在个体水平的预测中有用，并使其具有检测治疗相关变化的敏感性。此外，即使任务激活的参与者间差异与精神病学变量共变，解读仍然是一个挑战。尤其是当任务行为与临床变量相适应，以及测量的神经成像信号的神经编码原理存在不确定性时。

这些挑战要求我们清醒地评估基于任务的神经影像学方法的预期效应量，以及这些方法在指导临床实践方面的最终效用(但应注意的是，对精神健康研究中较小的预测性效应量的担忧延伸至行为和非任务影像学研究)。在本综述的第二部分(“重新考虑认知”)中，我们为理论驱动的计算精神病学如何应对这些挑战提供了建议。

2.5 超越平均值:多元分析和代表性结构

在精神病学中，许多基于任务的神经成像依赖于将个体体素(或感受器)内的激活动力学与任务事件关联起来的单变量分析。最近，多变量方法越来越突出，包括代表性相似性分析(RSAs)和神经解码。这些方法利用多体素/多感受器的活动模式(通常由任务刺激或伴随的任务表现诱发)来探测神经反应的代表性内容。例如，使用RSA，由个体任务刺激(或状态)诱发的多体素/多感受器活动模式被用于构建一个表征性不同相似性矩阵(RDM)，该矩阵捕捉不同状态(例如在给定的大脑区域)神经反应的相似和不同模式。然后，将这种神经RDM与竞争计算假设(例如，卷积神经网络的隐藏层、任务转换结构或语义/感知相似性)。当应用于MEG或EEG数据时，解码和RSA方法已被证明可以以毫秒分辨率揭示表征模式的时间演变。这样的分析虽然相对较新，但可以揭示与理解精神症状相关的抽象认知方面的表征(在“重新考虑认知”中进一步讨论)。例如，被诊断为精神分裂症的人在推断出的任务状态的关系特征(即在序列中的顺序位置)的表示方面表现出异常 (图1C)，这可能为任务环境的内部模型(即“认知地图”)提供了索引。

图1 基于任务的方法

2.6 "静息状态"和大脑的功能结构表征"静息"大脑的活动

精神神经影像学的第二种主要方法侧重于“静息”时的神经活动研究。这一关注点源于以下观察结果：任务表现往往会引起广泛脑区(包括内侧前额叶皮质、延伸至后扣带回皮质和压部后皮质的外侧和内侧顶叶区，以及内侧颞叶)的“失活”。这些相同的区域在静息状态下表现出更高的脑血流量和代谢率，导致了默认模式网络(DMN)的标记。一个相关的观察是，在不同脑区的自发神经活动的协方差模式(称为“功能连接”，被认为反映了共享的信息处理)在DMN区域之间是高的，而在DMN和背外侧前额叶皮质等更“任务积极”的脑区之间是低的 (图2A)。静息态功能连接(RSFC)已被广泛用于表征全脑“静息态网络”，与认知和感觉运动过程之间的联系通常是基于神经解剖学和与任务相关激活模式的对应(图2A)。这一特征借鉴了数学和工程文献，包括网络科学、图论、动态系统分析和潜在状态空间建模，并对大脑功能组织的时空结构产生了深刻的认识，包括与遗传和特质水平认知变量的关系。

2.7 精神病学神经影像的静息态方法

静息态研究对参与者动机或注意力的要求最低，通常使用相对较短的扫描时间(通常为10分钟)。与基于任务的范式相比，部分由于这些优势，出现了大量涉及整个精神疾病谱系的静息态文献。这些研究采用了多种分析方法，包括测量先验脑区(网络节点)之间的RSFC，使用独立成分分析经验性地提取RSFC网络，全脑RSFC网络的图论分析，以及表征一次扫描会话中的网络(重新)组织。例如，抑郁症与膝下扣带回和丘脑与DMN的超连接相关，以及网络模块化增加，其中后者可能在赛洛西宾治疗后降低。精神分裂症也与DMN超连接相关。

与许多精神病学研究一样，可复制性问题困扰着这个领域。例如，一项针对抑郁症静息态文献(n = 556例患者)的荟萃分析报告了DMN超连接，而随后的一项大型研究(n = 848例患者)发现了DMN低连接。类似地，在精神分裂症中，对种子-体素RSFC研究(n>2000例患者)报告了DMN低连接(与之前报告的高连接不同)。本研究发现了一个复杂的网络间改变模式，包括突显网络节点(如岛叶和ACC)与DMN和额顶叶网络之间的功能连接降低，这符合断开假设。分析流程的异质性妨碍了RSFC结果的简单综合。一种高层次的表述是，临床样本中的功能网络改变超越了分类诊断边界，存在于更抽象的网络描述层面。这与网络间异常的相互作用代表了症状产生的跨诊断机制的观点相一致。例如，一项基于种子点的功能连接研究(包括242项病例对照研究中8种精神疾病的8,000多例患者)的荟萃分析发现，在各种疾病中，DMN、突显网络和额顶网络之间存在共同的RSFC异常模式。这些考虑促使我们从分类诊断转向在大型横断面观察性研究(称为“全脑关联研究”[bwas])(图2B)。对大学生开展的一项研究(n = 605，其中133人至少有一项DSM-IV诊断)发现，网络间RSFC(例如dnn -视皮层超连接)和跨诊断的一般症状因子(“p因子”)之间存在关联 (图2B)。另一项对999名年轻人进行的研究使用稀疏典型相关分析，以确定与几个跨诊断症状维度相关的网络隔离(DMN、额顶叶和突显网络之间)减少的共同模式。最近的研究结果提示，在人群样本中，这种横断面BWAS效应的真实大小可能远远小于个体水平预测所需的样本量，而稳健估计需要数以千计的样本量。

2.8 静息态研究中的解释性愿望

在静息态研究中，通常会就功能连接网络的组织与认知和临床构建之间的关系提出假设(即解释性想法)。解释性提案将独立于刺激的思维的类吸引物动力学与静息态激活模式进行了类比，并推测这些动力学的改变可能是抑郁症的基础。一个相关的主题是DMN与自我参照认知、心理模拟、想象(如场景构建)、记忆巩固和世界动态模型的表征等认知过程之间的联系。这些功能似乎与理解幻觉、反刍、执念和担忧特别相关，尤其是因为这些精神现象往往在独立于刺激的思考过程中显现。最后，从网络和信息论的角度，我们假设全脑RSFC模块化和区域间协同性等更高层次的属性对于维持跨脑区信息分离和整合之间的平衡很重要。尽管有这些解释性的建议，传统的静息态研究并没有明确尝试将随时间变化的神经活动与伴随的认知过程联系起来，而是侧重于将活动与扫描仪外的特征或状态测量联系起来。此外，静息态研究在处理神经数据时倾向于描述性。这忽略了以下事实:弥合神经数据的描述性描述和精神病理学之间的鸿沟需要一个将网络属性(例如全脑RSFC)与特定计算过程关联起来的模型。如果没有这样的模型，我们认为，进一步的大规模数据收集将不足以在探索认知或精神疾病的基本理解方面取得突破。

图2 静息态方法

2.9 一个新的综合:桥接任务-休息二分法

虽然提供有临床意义的见解和转化工具是精神病学的共同目标，但基于任务的研究和静息态研究通常属于不同的研究团体，它们采用不同的分析方法和理论框架。然而，在任务和休息状态下测量的大脑活动在能量消耗、功能网络结构，并提出了信息处理功能。这些观察结果促使人们努力弥合任务-休息二分法。例如，理解与任务相关的神经活动有利于最初在静息态文献中开发的方法，包括图论功能连接网络表征。基于网络的方法也被用于表征精神分裂症患者工作记忆表现期间的全脑动态(例如网络灵活性和可控制性)，包括详细描述与多巴胺能和谷氨酸能神经传递的关系。此外，在任务态fMRI中发现的精神分裂症患者的高激活/低激活位点被解释为反映了大脑的内在网络结构。

相反，最初用于任务范式的基于解码的技术越来越多地应用于静息状态数据。例如，根据精神分裂症患者是否存在幻听对fMRI静息数据进行分类，以及作为闭环DBS系统的一部分，对抑郁症患者的情绪波动进行检测。方法学趋同的另一个案例是将动力学模型应用于精神病患者的静息和任务EEG数据，详细描述了可能导致皮质兴奋-抑制失衡的假定回路机制。最近的一项进展是将解码应用于跟踪休息期间与任务相关的神经再激活，包括顺序再激活(即“重放”)。非临床MEG研究揭示了重放在记忆提取、学分分配、关系推理和厌恶学习中的潜在作用，这可能与病理性回避、反刍和基于模型的计划相关。将这一方法应用于精神分裂症患者的MEG数据发现，休息时神经回放减少(图3B)，这与遗传小鼠模型的结果一致。在健康志愿者中进行的一项相关研究揭示了回放事件和DMN活动之间的紧密时间耦合，这为DMN在任务相关认知中的作用提供了一个新的视角(图2C)。将后一种方法扩展到精神病学人群可能有助于阐明报告的静息状态异常在一系列疾病中的功能意义。

3. 对僵局的看法

对精神病学神经影像学文献进行观察，可以得出以下结论：尽管经过30年的深入研究和相当大的技术进步，但这项研究并未为任何精神疾病提供神经生物学解释(即机制解释)，也未提供具有临床效用的基于影像学的可信生物标志物。临床转化的一般障碍包括对短时间扫描得出的测量结果的重测信度的担忧以及对分析选择的高敏感性。这些因素导致了低可复制率，并会影响测量效应的大小和意义，从而限制了神经影像在理论驱动的研究、个体差异研究和研究领域标准(research domain criteria, RDoC)框架下设想的生物标志物开发中的效用。建议的缓解措施包括研究的预注册、分析管道的对齐、在任务设计中重新考虑重测可靠性，以及收集足够的数据(参与者和总样本量)，以确保足够的测量稳定性和统计功效。一个潜在的途径可能是类似于国际大脑实验室(International Brain Lab)的方法，促进理论和实验神经科学家之间的合作，并促进范式和分析方法的标准化。精神病学分类框架的生物学有效性存疑是另一个障碍。离散的分类诊断包括异质性和不断变化的临床表现，可能反映了多种因果途径。此外，诊断标签在个体内部既不是单一的，也不是静态的，即使是“金标准”诊断仪器也显示出有限的效度和信度。这些因素限制了在病例对照设计中检测到的效应的大小和意义。如前所述，一些研究人员已经开始转向在大型人群数据集中由数据驱动识别潜在症状维度和“跨诊断”研究(transdiagnostic)，试图在不同诊断类别中识别常见的神经异常。虽然这种一般方法可以阐明已确定的脑-临床关联的特异性，但横断面跨诊断研究与使用分类诊断的研究面临许多相同的问题。将纵向临床评估纳入个体(例如利用经验抽样应用程序的数据或社交媒体使用情况)是我们减轻这些局限性的努力，但尚未被神经影像界完全接受。

人们普遍认为，减轻这些一般性障碍有助于推进对精神疾病的机制理解和临床转化。然而，旨在提高测量的可靠性、效度和研究功效的努力本身并不能告诉研究者，如果功能性神经影像学研究要取得有临床意义的进展，就需要解决哪些问题。在这里，我们详细介绍了解释-预测光谱的两个相反极点对这个问题的两个观点。

3.1 认知重新考虑

理论驱动的精神神经影像学希望揭示大脑活动的变化如何导致症状的表达，其假设是了解这一情况将有助于开发这两种基于机制的疗法以及可用于个体水平临床决策的稳健影像学生物标志物。这一雄心勃勃的目标引发了两个挑战:首先，需要用神经计算的语言来表征精神症状，其次，需要在最忠实地反映这种计算的水平上表征神经活动。

3.2 迫切需要了解行为和症状

基于理论的计算精神病学解决了在生成算法过程水平上表征症状的挑战。在这里，灵感的一个来源是认知神经科学和实验心理学的进展，它们证明了计算建模在解析行为的算法构建模块方面的精湛能力。计算精神病学对症状应用了类似的方法，通常假设症状反映了孤立的计算过程中的功能障碍(例如条件恐惧和焦虑之间的联系，或者联想学习和妄想之间的联系)。然而，真实世界的症状总是复杂和多方面的，这使寻找到边界清楚的算法构造的简单映射变得复杂。此外，标准行为范式倾向于使用与参与者的个人历史、自我概念、特质不安全感或短暂欲望没有任何关联的刺激、目标和背景，而这些因素却有助于症状的产生并赋予其主观品质。相反，在经历精神状态改变的人(例如在精神病前驱期)中，即使是精心控制的实验环境也可能充满有价值的意义。这些考虑凸显了精神病学现象作为研究对象的异常复杂性，尤其是当考虑到社会、环境和心理对症状表达的影响，以及这些因素的权重可能在一次扫描过程中发生变化时。

3.3 一个解释缺口:从神经活动到表征

第二个挑战是在适合解释症状和其他抽象认知形式的分析水平上确定神经活动的特征。在这里，表示被定义为一种(神经)状态，它是关于世界的某些方面的，并且可以独立于它的指示物(例如，在记忆检索或计划中)被实例化。计算和认知以指导行为的方式与表征的转换和组合是同义的。

3.4 跨物种和描述层次的整合

最后，要完全理解精神症状，最终将需要将影像学研究的结果(影像学研究在很大程度上是相关的，在解剖学上是粗糙的)与丰富的临床前研究项目(涉及细胞和回路水平的过程)相结合。其中一个接触点是使用基于计算的行为任务，这些任务涉及人类和其他动物的类似认知过程，最近的跨物种研究调查了异常信念更新和幻觉样知觉的神经基础。第二个接触点是使用丰富表征的分析方法，这种方法允许使用适合物种的研究工具，在不同的空间尺度上，将与任务相关的神经反应映射到一个共同的表征空间(图3A)。第三个桥梁来自生物物理回路模型，利用先前的解剖学和神经生理学知识，预测细胞和回路水平的异常如何在可观察的行为和宏观神经活动模式中表现出来。

图3 认知神经科学中的跨物种整合

3.4 预测和实用主义

进展僵局促使一些人质疑从机制角度理解精神病学临床影响的必要性，他们提出使用预测性机器学习工具(有时称为数据驱动的计算精神病学)确定神经特征和临床有用变量之间的直接映射(图2B)。支持这种预测方法的一个论点是，鉴于精神现象和大脑的复杂性，对症状的机械性(基于大脑的)解释不太可能是正确的，并且容易受到“探照灯偏差”。以理论为导向的研究者赞同“所有模型都是错误的，但有些模型是有用的”的原则，他们可能反驳说，简化模型对于从潜在的机制过程解释数据至关重要。此外，如前所述，随着对来自临床前和理论研究的认知的神经和算法基础的理解，机制假设越来越多地得到了指导。

3.5 总结

我们质疑功能性神经影像学的进步程度，更不用说发现任何常见精神疾病的神经生物学基础(基于理论的计算精神病学的目标)，或者生成指导临床决策的预测模型(精准精神病学的目标)。虽然功能磁共振成像和脑磁图是强大的工具，但它们的临床效用受到它们需要回答的问题的限制。与神经病学(神经活动、解剖和感觉运动功能通常是主要研究对象)相比，这些问题在精神病学(一个渴望理解神经活动和精神现象之间关系的领域)中尤其具有挑战性。虽然获得精神症状的神经生物学解释是机制(解释性)研究的明确目标，但我们认为，这也与开发可解释的临床决策工具高度相关。我们的总体观点是，精神病学神经影像研究者与更广泛的神经科学和人工智能(AI)社区之间的深入合作(以计算精神病学的发展为例)为我们提供了谨慎乐观的基础，我们认为，在中期，我们仍将受益于有临床意义的机制见解和转化影响。