构建与探索神经影像项目:从临床实践到科学研究的调查
该文综述了全球大型神经影像项目(如HCP、UK Biobank、ADNI等)的建设经验与数据使用规范,总结了项目构建、数据管理、伦理隐私保护方面的原则与挑战,并指出神经外科尤其是脑肿瘤领域大型多模态影像项目仍较缺乏。
要点
- 全球神经影像项目快速发展,但项目间在资金、研究能力、数据采集方法和数据类型上存在显著差异。
- 构建和利用神经影像项目应遵循既定规则与指南,并建立有效的数据管理与治理体系。
- 神经影像项目多集中于脑发育、衰老及神经精神疾病,神经外科疾病尤其是脑肿瘤的大型多模态数据仍稀缺。
核心结论
- 通过回顾全球大型神经影像项目,总结了建立和利用其数据的标准与规范,并就部分伦理问题提出了建议和意见,旨在促进更高质量的神经影像数据发展。
研究设计与样本
- 本文为综述,聚焦队列规模约1000人以上的大型神经影像项目,汇总了各项目的人口学特征、数据类型、成像模态和更新状态等信息。
诊断标准与关键数值
- HCP初始目标为采集约1200名健康成人(22–35岁),每人采集结构MRI、任务态fMRI、静息态fMRI、扩散MRI和MEG。
- HCP的脑分区方案将每个半球划分为180个区域。
- UK Biobank已采集超过60000名受试者的影像数据,目标为100000名,其中超过3000名受试者接受了间隔2年的重测MRI扫描。
- ABCD项目已采集超过12000名9–10岁儿童的多模态影像及多项评估数据。
- TCIA已拥有超过3000万张不同模态的图像,其神经影像项目提供超过20个数据集。
临床应用与阅片要点
- 项目规划初期应确定明确的纳入和排除标准及具体数据采集类型,并平衡项目需求与可用资源。
- 应对项目参与人员进行标准化培训,涵盖与受试者沟通、隐私保护及量表问卷等数据采集的标准流程。
- 应采用标准化数据结构、数据采集流程和质量控制措施,通常使用BIDS作为多模态数据存储、组织和共享的标准格式。
- 在处理影像和临床信息时,应将匿名化和去标识化程序作为规范加以考虑。
- 使用数据集时应了解并遵守数据申请与使用的规则和法规,以保护参与者隐私并确保信息的伦理和责任使用。
局限性
- CHCP目前样本量仍有限,需扩大以提高统计效力和结果代表性。
- CHCP主要关注可能无法完全代表整个中国人群的参与者,需与各地区研究机构合作以确保更广泛的文化和民族背景代表性。
- CHCP缺乏随时间采集重测扫描的纵向和前瞻性研究,而这对于研究大脑动态变化至关重要。
- 全球大型神经影像项目发展不均衡,机构和研究人员在开展针对大人群的大规模研究调查方面存在困难。
- 许多项目由发达地区的组织建立,部分发展中国家仍需进一步加强项目管理和实施能力。
全文中译19 节 · 点击展开
引言
在过去的几十年中,来自不同人群以及具有各种生理和病理状态的个体的大量神经影像数据,包括磁共振成像(MRI)、脑电图(EEG)、脑磁图(MEG)及其他模态,被持续收集并应用于临床和研究领域。尤其是MRI,具有无创性和多种模态,能够获取关于整个大脑结构和功能层面的全面信息。这种多功能性使MRI成为临床实践中宝贵的资源,因此,越来越多的研究和项目正在利用多模态MRI开展研究[1]。
已开展了多项大规模研究项目并发布了大量数据集,旨在从神经影像学的角度解读人类或其他生物在发育和疾病状态下的脑结构与功能变化。其他信息,如遗传数据、行为数据、临床实验室检查以及各种量表数据,也在不同研究项目中予以收集,以全面理解生理发育和疾病进展。
此外,人工智能(AI)模型的最新进展在多样化数据的驱动下提升了计算性能和速度[2]。利用多样化的AI、大规模数据集和多种数据类型,不仅增强了我们对人类和非人类神经系统的理解,也为疾病治疗开辟了途径[3, 4]。同时,对脑信号传输与处理、信息过滤以及数学抽象的分析也促进了AI的演进,使其在思维模式和信息处理方面越来越接近人脑。
然而,海量数据的产生也带来了一些担忧。例如,全球范围内大型神经影像项目发展不均衡,以及机构和研究人员难以开展针对大规模人群的大规模研究调查[5, 6]。此外,数据管理方面也出现了新的挑战,包括与匿名化、隐私保护和伦理考量相关的问题[7, 8]。
因此,我们首先通过列举全球优秀的神经影像项目来开始本综述;这些项目代表了重要的国际合作,并为我们对大脑的理解做出了巨大贡献。借鉴这些项目的经验,我们随后讨论开展和建立大规模数据集相关的益处与风险,以及与数据共享和人群隐私保护相关的考量[9–11]。此外,从临床环境研究人员的角度,我们探讨可以做出哪些努力来加强不同发育阶段之间以及研究中心之间的合作,促进行业进步。
神经影像项目概述
在过去20年中,大规模神经影像项目经历了快速增长和发展。自2004年以来,一项协作工作一直在推进人类大脑结构和功能连接图谱的绘制,并改善脑相关疾病的医疗照护。该倡议汇集了多个单位和中心,整合其专业知识和资源以加速该领域的进展。
美国国立卫生研究院(NIH)神经科学研究蓝图一直是这一协作努力背后的推动力量[12, 13]。它作为协调神经科学研究工作的框架,旨在促进各中心在数据共享以及应对大脑及其疾病挑战方面的合作。此外,自2006年以来,一批欧洲研究所和资助机构支持建立了大型生物医学项目和数据库,以从多样化人群中收集遗传及其他类型数据[14]。该数据库为研究人员提供了丰富的数据,用于研究遗传因素、生活方式选择、环境暴露与各种健康结局之间的关系。在本节中,我们将重点介绍若干杰出的大型神经影像项目,并探讨其成功的促成因素。
鉴于项目类型的多样性,我们聚焦于归属于若干类别的不同人群为基础的项目。这些包括以健康人群为中心的项目、针对特定疾病的项目,以及整合多种数据来源的复合平台。在我们的描述中,我们首先介绍项目及数据库的基本信息,随后讨论这些项目在其各自领域所促成的重大发现。在表1中,我们提供了不同类型项目的更详细总结,主要聚焦于队列规模约1000或以上的项目。该表包含人口学特征、数据类型、成像模态以及每个项目更新状态等具体细节。
人类连接组计划(HCP)
2010年,NIH向两个联合体分配了约4000万美元[15]的资助,作为HCP的一部分[16](https://www.humanconnectome.org/)。目标是加速神经影像方法的进步,并产生高质量数据以增进我们对健康成人大脑不同区域之间连接的理解。华盛顿大学、明尼苏达大学和牛津大学的合作组成了“WU–Minn–Ox”联合体,用于绘制结构和功能连接,并研究行为与生活方式之间的关系[17, 18]。另一个“MGH-UCLA”联合体以麻省总医院和加利福尼亚大学洛杉矶分校为中心,专注于创建一台具有高磁场梯度强度(300 mT/m)的3-T MRI扫描仪,用于扩散成像[19, 20]。
HCP的初始目标是收集约1200名健康成人(年龄22–35岁)的数据。该项目旨在建立标准化方案,并确保对每名受试者进行多种模态图像的高质量数据采集,包括结构MRI、任务功能MRI(任务fMRI)、静息态fMRI(rs-fMRI)、扩散MRI(dMRI)和MEG。除数据采集外,还设计了标准数据预处理方案,并作为参考工作流程发布,名为HCP Pipelines,用于多模态数据分析,以确保可重复性和可靠性。
2016年,发布了采用新的多模态脑图谱分区[21]的年轻成人S1200数据集,其中184名受试者接受了7-T MRI扫描,95名受试者接受了静息态脑磁图(MEG)测试。HCP脑图谱分区将每个半球划分为180个区域,此后该分区方案作为脑网络连接分析的重要工具获得了广泛认可和接受[22]。
为扩展HCP,NIH自2016年起还推动了生命周期项目[23, 24]。这些项目扩展了健康人群的样本量和年龄范围。它们为研究人员探索生命周期不同阶段的横断面差异和纵向变化提供了更可靠的资源。
英国生物样本库
英国生物样本库(https://www.ukbiobank.ac.uk/)是最大的基于人群的前瞻性项目之一,其建立目的是收集和分析来自英国多样化人群的遗传和非遗传信息[25, 26]。它旨在收集有价值的数据,以有助于更好地理解各种健康状况及其潜在的遗传和环境因素,进而改善人类健康。
作为该计划的一部分,英国生物样本库迄今已成功收集了超过60,000名受试者的影像数据,目标是达到100,000名。其中超过3000名受试者以2年间隔接受了重测MRI扫描。这些影像数据涵盖多种模态,为研究人员研究遗传、环境、生活方式与疾病之间的联系提供了丰富的信息。此外,英国生物样本库的数据库还提供影像衍生表型(IDP),如脑回厚度或体积、功能连接及其他指标,可帮助研究人员将这些IDP与遗传状态或生活方式因素之间的关联联系起来[27]。
作为英国生物样本库前瞻性性质的例证,研究人员利用了感染COVID-19患者的重测影像数据。通过比较病毒感染前后的IDP,他们能够识别与病毒相关的纵向效应,包括灰质厚度减少以及与初级嗅皮层相连区域的组织损伤[28]。英国生物样本库还提供其他临床、区域和遗传信息,以将危险因素与各种疾病相关联[29]。这些发现凸显了大规模前瞻性项目在研究疾病长期效应以及识别疾病进展的潜在生物标志物或指标方面的价值。
自英国生物样本库建立以来,已有超过10,000名研究人员注册访问和利用可用数据;除此之外,全球已有超过700家机构基于英国生物样本库所提供数据的分析和发现发表了论文。这种广泛发表的活动展示了全球来自不同机构的研究人员的广泛合作和参与[30]。
中国人脑连接组计划(CHCP)
尽管HCP和英国生物银行提供了高质量的多模态图像,但这些项目的参与者主要来自西方社会,主要是欧洲和美国。因此,基于这些数据集的研究结果对亚洲人群的普适性可能有限。文化和遗传差异以及环境因素的变化可显著影响脑功能和连接性[31]。
2017年,Gao及其团队建立了CHCP(https://www.Chinese-HCP.cn)[5]。当前版本包含近400名生活在东方文化中的健康汉族成年人。该版本采用与HCP一致的采集和处理方案,确保数据集之间的兼容性和可比性。尽管CHCP目前的参与者数量仍然有限,但我们认为这一聚焦于汉族人群的项目对中国更广泛的研究界具有很高价值。
然而,CHCP是一个相对较新的项目,存在一些需要解决和改进的局限性。(1)当前样本量仍需扩大,以提高研究结果的统计效力和代表性;(2)目前主要关注某些参与者,可能无法完全代表整个中国人群。有必要与各地区研究机构合作,以确保更广泛地代表不同文化和民族背景;(3)收集随时间变化的重测扫描的纵向和前瞻性研究对于研究脑的动态变化至关重要[32]。
青少年脑认知发展(ABCD)
ABCD(https://abcdstudy.org/)主要关注美国的脑发育和儿童健康[33]。它使用多种扫描仪采集了超过12,000名9–10岁儿童的多模态图像,以及身体、认知、社会、情绪、环境、行为和学业评估。该项目为认知神经科学研究开辟了新途径,尤其是与幼儿和青少年相关的研究。
2013年发布的第5版ABCD数据还包含了更多随访数据,如重测MRI扫描和学校表现数据。ABCD通过提供评估儿童身心发展的独特机会,拓展了认知神经科学的研究领域,促进了对幼儿和青少年的归因研究。例如,Scott等[34]利用ABCD数据集中2188名参与者的静息态功能连接(RSFC),发现了个体间可重复的功能网络架构。他们识别了可重复的RSFC与行为以及认知之间的相关性。此外,研究人员可以利用丰富的数据研究脑IDP与各种发育障碍之间的关系,包括精神或精神疾病[35,36]、药物和酒精成瘾[37]以及其他相关状况。
阿尔茨海默病神经影像学计划(ADNI)
ADNI(https://adni.loni.usc.edu/)由美国国家老龄化研究所(NIA)和美国国家生物医学成像与生物工程研究所(NIBIB)于2004年创立,是一个具有世界影响力的项目,旨在通过神经影像学、临床评估和其他生物标志物数据来理解和追踪阿尔茨海默病(AD)的进展[38–40]。目前,ADNI已经历了四个发展阶段,并从数千名AD患者和健康对照者中收集了纵向多组学数据。利用其数据,研究发现AD中的静息态功能连接(RSFCs)与tau病理的积累相关[41]。此外,通过结合静息态功能磁共振成像(rs-fMRI)和tau-正电子发射断层扫描(PET),研究人员有潜力为AD患者的认知障碍和预后预测提供强有力的证据[41–43]。
此外,皮层和皮层下RSFCs可作为揭示认知和行为表现的强有力生物标志物,这有助于促进精准诊断和早期干预[44–46]。ADNI项目持续提供大量的数据支持,使来自不同地区的研究人员能够共享数据并开展大规模人群调查和随访。通过研究人员的协作努力,ADNI的数据量不断扩大,研究内容不断深入,为AD的筛查、诊断和治疗提供了有效证据。
癌症影像档案(TCIA)
TCIA(https://www.cancerimagingarchive.net/)于2011年在美国国家癌症研究所(NCI)下属的癌症影像项目的资助下成立,托管了大量公开的癌症医学影像数据。它已经拥有超过3000万张不同模态的图像,一些项目甚至包含病理图像。此外,由于TCIA和癌症基因组图谱(TCGA)均由NCI支持,拥有影像组学数据的参与者也可以获取其相应的基因组和病理数据。这使得多组学分析成为可能,即将不同数据类型整合在一起进行分析[47–50]。
TCIA神经影像项目提供了20多个数据集,包括胶质瘤、脑膜瘤、髓母细胞瘤等的集合。具体针对胶质瘤,TCIA包含对应不同分子亚型的结构影像,允许用户提取影像组学或影像基因组学特征进行分析[48, 51]。其中,UPENN-GBM[52]和UCSF-PDGM[53]是两个最大的胶质瘤项目,每个项目提供超过五百名受试者的结构和弥散MRI数据用于连接组学研究。利用这些资源,可以创建用于肿瘤分类、分割和基因组学预测的复杂人工智能模型,以辅助临床实践和医学教育[54]。
通过荟萃分析增强神经影像遗传学(ENIGMA)
ENIGMA(https://enigma.ini.usc.edu/)始于2009年,现在是历史最悠久、规模最大的神经影像遗传学联盟,在全球拥有50多个工作组[55, 56],通过全基因组关联研究和神经影像指标分析,涵盖重性抑郁障碍[57, 58]、精神分裂症[59]、强迫症[60, 61]、卒中[62]和其他神经精神疾病[63]。最终目标是建立神经-遗传连接网络,揭示遗传学、脑功能和各种脑部疾病之间的复杂关系。
与将脑成像数据作为其综合数据集一部分进行收集的项目不同,ENIGMA作为一个协作平台运作,汇聚全球研究人员对这些数据进行分析。它旨在汇集来自不同研究和研究组的数据,以增加样本量、提高统计效力,并揭示不同人群和疾病中脑成像指标之间的稳健关联[64]。由于协作研究模式,ENIGMA有几种特殊的统计设计。一种方法涉及荟萃分析,将各研究的受试者和结果按照标准方案和数据协调进行汇总[65, 66]。通过将所有个体参与者数据收集到一个统计模型中,结果将更具普适性,由于考虑了数据缺失或偏倚、研究间差异以及其他潜在的复杂情况,可得出更全面的结论[60, 65, 67],然而代价是需要设计更复杂的统计模型并产生更高的计算费用。除了将神经影像和遗传数据合并为大型数据集进行分析外,它还支持基于体积或表面的分析。
其他
为简洁起见,我们仅列举了现有大规模神经影像项目的一小部分。一些项目侧重于对人群样本进行系统性数据收集,并定期追踪和随访,旨在构建覆盖个体生命周期的整合数据,包括人脑计划(HBP)[68]、开放获取影像研究系列(OASIS)[69]、剑桥衰老与神经科学中心(Cam-CAN)[70, 71]、脑基因组学超级结构项目(GSP)[72]和中国影像遗传学(CHIMGEN)[6]等。其他项目,如帕金森病进展标志物倡议(PPMI)[73]、自闭症脑影像数据交换(ABIDE)倡议[74]和注意缺陷多动障碍-200(ADHD-200)项目[75],主要集中于特定疾病或某些躯体或精神状况,为其诊断、治疗和研究提供数据支持。此外,还有若干开放平台如OpenNeuro(https://openneuro.org/)、OpenfMRI(http://openfmri.org/dataset/)和NeuroSynth(https://neurosynth.org/),它们以脑影像数据结构(BIDS)格式或合成数据形式提供不同模态的神经影像,供研究人员聚焦认知和行为机制及其他项目。
尽管这些研究项目和数据集各有侧重,但我们必须承认,不同国家或研究机构在资金支持、研究能力、数据收集方法和数据类型方面存在显著差异。此外,我们还发现许多项目是由发达地区的组织建立的,因此,对于一些发展中国家而言,仍需进一步加强项目管理和实施能力。
来自这些项目的经验
项目建设和管理原则
在大规模项目的各个阶段建立稳健的基础设施至关重要,包括数据收集方案、标准化影像处理技术、伦理指南等[76]。首先,在项目规划的初始设计阶段,确立明确的纳入和排除标准并确定要收集的具体数据类型是必不可少的。借鉴这些项目的经验,研究人员应仔细确定要收集的具体数据模态。在项目需求与可用资源之间取得平衡往往是成功项目管理的基石[77]。
为实现这种平衡,项目经理必须对项目需求进行全面分析并评估可用资源。这对于以临床为重点的研究尤为重要,因为在规划阶段忽视或遗漏某些指标或特征可能需要花费大量时间和精力回头重新收集。例如,Stroganov等[78]提出了一套用于英国生物样本库(UK Biobank)数据整合与协调的策划与流程,提高了数据质量。
其次,对项目参与者实施标准化培训十分重要。该培训应涵盖与参与者有效沟通的技巧、确保其隐私保护,以及建立使用量表、问卷或其他工具收集数据并配合长期随访的标准化方案。遵循这些标准化程序将确保不同站点间数据收集的一致性和准确性,从而提高所收集数据的可靠性和有效性。
第三,标准化的数据结构、数据采集流程和质量控制措施对于项目管理至关重要[76],尤其是在涉及多中心、多模态和多序列的项目中[79]。通常,BIDS[80]被用作存储、组织和共享多模态数据的标准化格式[81]。在数据采集方面,包括HCP、UK Biobank、ABCD、ADNI等项目在内,其官方网站上均有明确的方案可供参考。这些方案包含扫描机器、参数、模态甚至非影像数据收集方法的详细信息,并定期更新。此外,为保护受试者隐私,在影像和临床信息的处理阶段应将匿名化和去标识化程序作为一项规范加以考虑。这些项目实施了详细的匿名化流程。个人信息已被移除,相关临床信息在访问其公开数据时也已进行匿名化处理。目前,已有不同的深度学习框架和方法用于匿名化[82, 83]。
然而,我们注意到神经科学领域的大型项目主要关注大脑发育、衰老以及一些神经退行性疾病或精神疾病。对神经外科疾病,特别是脑肿瘤的关注似乎较少。尽管有一些与脑肿瘤相关的数据集[84, 85],但仍然缺乏大规模的多模态影像和临床数据。脑肿瘤,尤其是位于功能区的脑肿瘤,可导致不同程度的脑组织侵犯、压迫以及随后的功能活动异常。TCIA或BraTS [86, 87]包含大量肿瘤数据,但由于成像模态的限制以及缺乏对语言、情绪和行为等多种临床指标的评估,其肿瘤相关连接组的探索价值有限。因此,对于神经外科医生而言,目前的努力方向是建立神经肿瘤学多模态影像项目,为脑肿瘤相关的神经认知研究提供强有力的人群证据。
总之,从项目立项的意义上说,开展大型项目面临许多障碍,但它正变得越来越必要和有益。其动机不仅仅在于获得资金支持或发表论文;更深层的目的是促进跨区域合作,尤其是发展中国家之间的合作,并改善对遭受痛苦和疾病折磨的患者的医疗照护。
数据请求和使用的规则与指南
作为这些数据集的使用者,有一些规则和条例需要学习和理解。这些规则的制定是为了保护参与者的隐私和机密性,并确保对信息的合乎伦理和负责任的使用。
首先,在申请数据时,用户应提供准确的信息并仔细阅读知情同意文件。来自HCP、OpenNeuro、BraTS、TCIA等来源的数据可以直接访问,然而,像ADNI、UK-biobank、ENIGMA等项目以及其他疾病相关数据集通常要求申请人提交研究计划书,以评估拟议研究的适宜性和一致性。他们应说明数据量及其预期用途,甚至提供对项目的清晰介绍。这些步骤至关重要,因为用户可能来自世界各地,项目管理者需要评估项目信息和参与者隐私是否会得到保障[88]。用户还应遵守任何限制或指南,并对数据保密,未经适当授权不得向其他实体或研究人员披露或共享数据。
此外,另一个重要的考虑因素是选择合适的处理流程。流程对于以一致和标准化的方式预处理和分析数据至关重要。主要关注点是使其与具体的研究问题相一致。有些可能提供预定义的流程,但更常见的情况是,有些可能只有BIDS格式甚至原始格式的影像数据。研究人员可以根据这些工作流程调整其分析步骤,以满足其研究需求。
一批数据分析工具已被发布用于预处理,包括传统工具如FSL [89]、SPM [90]和AFNI [91]等[92, 93],集成工具如fMRIprep [94]、C-PAC [95, 96]等[97, 98]。关于哪种软件或流程更好仍存在争论[99, 100]。事实上,我们认为处理流程的选择应考虑研究平台的能力、参与者数量、多任务处理需求等因素。
此外,在使用数据集时,样本量的影响必须被视为一个重要因素[101]。合适的样本量取决于感兴趣效应量、数据变异性、期望统计功效和分析复杂性等因素。并应在项目期间明确声明[102]。事实上,在某些罕见病研究中,样本量的估计可能在实践中较为困难。最近一项研究[103]揭示,基于人群的全脑关联研究需要尽可能多的参与者以获得更稳定和可重复的结果。然而,较小的样本量对于提供减少MRI伪影的蓝图以及提高数据量也很重要。
在上述讨论中,我们调查了项目建设者和使用者的考虑因素和指南。这些通常是基于相关各方集体经验和知识而建立的惯例。在下一节中,我们将关注伦理和法律方面,讨论与数据发布和共享以及隐私保护相关的挑战和问题(图1)。
伦理与隐私问题
随着生成数据量的不断增加,数据共享和发布是一种日益增长的趋势。然而,这一趋势也带来了一系列需要解决的伦理和法律关切和问题。数据治理被定义为在数据生命的所有阶段维护安全和隐私的原则、框架和政策[7]。
所有权
在分析和共享数据之前,建立数据所有权至关重要。这在涉及多个部门的临床项目中尤为重要,包括神经内科、神经外科和精神病学等临床科室,放射科等辅助科室,以及资助机构和合作机构等第三方。如果存在关于数据所有权的冲突,受试者的第一责任单位应对其原始数据拥有主要控制权,无论之前的知情同意如何。知情同意应包括关于数据使用、匿名化和隐私保护问题的明确信息,并提供数据撤回或退出某些分析的选项,确保数据处理实践的透明度。
通用数据保护条例(GDPR)(https://gdpr-info.eu/)由欧盟(EU)起草并通过,涵盖了“数据主体的权利”。它概述了关于个人数据保护和管理的具体规定,确保参与者的隐私和对自身信息的控制,并规定研究人员有义务尊重和保护参与者及其数据[104]。至于从原始数据衍生的后续结果,主要由主要作者或创建者负责[105]。
此外,在多个个人或部门参与了数据分析过程的情况下,有必要在项目开展前及开展期间建立协议和指南。尽管分散式数据管理是一种日益增长的趋势[106],但考虑到发展中地区的具体情况至关重要,因为这些地区的研究人员隶属于特定的医院或机构。建议这些机构在不同部门或科室存在利益冲突的情况下,采取协调一致的项目管理方式。这将有助于确保项目管理过程更加连贯和有效。
政策与法规
为营造更好的数据使用和共享环境,政策和立法对于建立管理数据收集、存储和共享的框架至关重要,可确保对个人隐私和权利的保护。美国卫生与公众服务部、美国国家心理健康研究所(https://grants.nih.gov/grants/guide/notice-files/NOT-MH-23-100.html)以及美国国立卫生研究院(NIH)(https://grants.nih.gov/grants/guide/notice-files/NOT-OD-21-013.html)确实已制定了相关政策和法规,以管理研究项目中数据的获取和共享[88, 107]。这些政策旨在确保符合伦理标准、隐私保护和负责任的数据管理实践。研究人员须在整个数据生命周期中遵守这些规定。
一些国家和地区已制定了专门的数据保护法律,例如欧盟的《通用数据保护条例》(GDPR)和美国的《加利福尼亚州消费者隐私法》(https://oag.ca.gov/privacy/ccpa)[108]、美国的《健康保险可携性与责任法案》(https://www.hhs.gov/hipaa)[109]以及加拿大的《个人信息保护与电子文件法》(https://laws-lois.justice.gc.ca)[110]等。这些法规和法律界定了个人对其数据的权利,并为处理此类数据的组织设定了义务。
亚洲国家的机构,如日本的文部科学省(https://www.mext.go.jp/en/)和日本医疗研究开发机构(https://www.amed.go.jp/en/)、中国的国家卫生健康委员会(http://www.nhc.gov.cn/)和中国科学院(https://www.cas.cn/)等,也已制定了相关的数据管理政策和法规。近期,Shen等[111]从法律角度阐述了神经影像研究在政策和伦理方面面临的挑战并提出了详细建议。
然而,当前政策主要针对机构内部的数据管理,对跨机构和跨境广泛合作的重视有限。鼓励跨机构合作并建立国际数据协调机制,可以增强科学研究、促进创新,并更有效地应对全球健康挑战。发展中国家应认识到合作的潜在益处,并努力制定政策,以在更广泛范围内实现负责任且安全的数据共享。最终,需要采取结合技术措施、政策框架和协作努力的多层次方法,以加强数据监管并防范跨行业和机构的数据窃取和泄露。
与人工智能相关的伦理
目前,最先进的人工智能应用在辅助临床实践和研究探索方面已取得显著进展。它们已被应用于病灶检测、预后预测和药物研发等多个领域[112, 113]。这些人工智能驱动的技术为医疗专业人员提供了有价值的支持,增强了患者护理和医学研究。
然而,一些关切和伦理问题需要加以解决。首先,人工智能模型,尤其是一些深度学习模型,往往作为“黑箱”运行,使得理解其如何做出决策变得困难。应努力开发透明且可解释的人工智能模型,以便它们能够为其预测和建议提供清晰的解释[114]。
其次,在人工智能模型做出错误或有害决策的情况下,确定问责和责任是一个重要的伦理关切[115]。人工智能驱动的决策应由人类医生维护和监督,并应建立更清晰的指南来分配责任和处理任何潜在的负面后果。
第三,在处理生成式人工智能模型创建的数据时,会出现关于所有权、验证、可靠性、发表伦理等方面的关切[116]。此外,人工智能可能无意中延续训练数据中存在的偏见[117, 118]。因此,全球合作对于训练更适用于临床应用的泛化模型至关重要。
总之,人类独特性和中心性的理念塑造了我们伦理、法律和社会系统的许多方面。随着人工智能及其能力的提升,调整我们的政策和保障措施以应对不断变化的格局正变得越来越迫切。
项目生命周期管理
项目生命周期管理是指对项目从启动到结束的全面监督和控制。通过遵循结构化和系统化的项目生命周期管理方法,项目经理和相关机构可以提高项目成功率、增强协作并优化资源利用。
在临床案例中,医院信息系统结合图像归档与通信系统为临床管理提供了基础性、集中化的数据库[119]。然而,对于项目管理而言,还有一些不同的组成部分旨在高效且有效地实现项目目标,其中包括伦理和一些其他需要解决的问题。
在项目的生命周期中,管理团队必须建立标准操作程序(SOPs),描述项目从规划、数据收集到数据共享和研究发表的完整标准化阶段[81, 120]。我们可以借鉴所提到的成功项目,组建一个由神经科学、数据科学、计算机科学、伦理学等领域专家组成的项目管理团队。该团队可以协作制定全面且清晰的SOPs,并通过定期讨论和更新来推动项目进展。
在启动之前,预注册至关重要。它涉及在数据收集和分析开始之前,将研究设计、假设、样本量和分析计划提交至公认的平台或注册机构[121],尤其是对于临床试验。更多出版机构要求提供预注册报告以供同行评审,以区分验证性研究(检验预先指定的假设)与探索性研究(产生新假设),并通过公众监督促进透明度和问责制[122, 123]。最常用于预注册的平台包括OSF(https://osf.io/)、aspredicted.org、clinicaltrals.gov和chictr.org.cn等。
在处理阶段,定期的项目监测和伦理审查对于跟踪里程碑、识别潜在问题并进行必要调整至关重要。为促进更好的项目质量控制,应考虑实施预防错误、缺陷和偏离项目目标的措施,并确保可交付成果和结果达到预期的质量水平。
应建立国际数据治理框架以应对数据相关挑战,确保数据隐私和安全,促进负责任的数据使用,并推动有效的国际合作和数据驱动倡议[7, 10]。
讨论与展望
基于我们之前的讨论,显而易见的是,建立大规模人群项目和构建综合性神经影像数据库是当前的趋势,也是在机构和个人研究者层面上神经科学及跨学科应用未来发展的关键路径。
在机构层面,组织日益认识到涉及多样化人群的大规模项目的潜力。这些项目能够收集广泛而多样的数据,增强研究结果的稳健性。建立跨学科的伙伴关系和合作将为优秀研究项目提供沟通桥梁和网络。然而,这些并非没有若干挑战。例如,可能出现需要平衡的组织间利益冲突,尤其是在区域合作或部门内部[124, 125]。
在保护研究参与者权利的同时,确保为项目做出重大贡献者获得公平利益同样重要。发展中国家和地区可以借鉴这些先进的项目管理团队,通过政策、法律和管理努力推动自身项目的进展。为规范第三方利益,建立有效的治理机制并确保符合伦理标准是必要且至关重要的。
同时,研究人员自身在推动这些倡议向前发展方面发挥着关键作用。他们必须积极参与项目设计、数据收集和分析。一方面,研究人员需要超越仅关注单一疾病的做法,拥抱多学科协作,利用大规模数据集,并探索个体化分析。另一方面,这也对研究人员提出了更高的期望。为了实现对疾病更深入的理解,研究人员可能需要增强其在多个领域的专业知识,包括神经科学、生物工程甚至人工智能领域。此外,他们还必须收集和整理符合纳入标准的病例,并定期对这些病例进行随访。重点应是将研究课题与实际工作相结合,而不是仅仅为了收集数据而收集数据。
结论
在这篇综述中,我们借鉴先进的神经影像学和神经科学项目,讨论了建立大规模项目和综合数据库的重要性和必要性,并指出了建立和利用此类项目所必需的关键问题。这是一个前景广阔的方向,需要多学科协作、遵循标准化流程、先进的技术支持以及伦理管理。这些努力不仅将增进我们对人脑的理解,还将从更广阔的视角改善临床环境中的创新和患者照护。
引用
- Chen Z, Adegboro AA, Gu L, et al. Constructing and exploring neuroimaging projects: a survey from clinical practice to scientific research. Insights Imaging. 2024. PMID: 39546176. doi:10.1186/s13244-024-01848-9
- 全文:PMC11568082(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11568082/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。