共计 879 个字符，预计需要花费 3 分钟才能阅读完成。
图示：基于 ResNet10 的 3D CNN 模型。（来源：论文）
研究纳入了来自人类连接组计划的 471 名男性和 560 名女性健康受试者（年龄范围：22-37 岁），使用分数各向异性、平均扩散率和平均峰度等指标来捕捉脑组织微观结构特征。为了减少由脑大小和轮廓等宏观解剖学差异引起的偏差，将扩散参数图注册至标准模板。
该研究得到了三种不同的人工智能模型的验证，这些模型旨在利用它们在集中关注小部分白质或分析大脑较大区域之间的关系方面的相对优势来识别生物性别。三种主要模型架构包括：二维卷积神经网络、三维卷积神经网络以及带有自监督预训练的视觉 Transformer。
图示：用于扩散 MRI 性别分类的视觉 Transformer。（来源：论文）
这项研究的资深作者、纽约大学格罗斯曼医学院放射学系教授兼研究副主任 Yvonne Lui 说：「我们的研究结果更清楚地描绘了活体人类大脑的结构，这反过来可能为理解许多精神和神经疾病的发生过程以及为什么这些疾病在男性和女性身上的表现不同提供新的见解。」
Lui 指出，之前对大脑微观结构的研究很大程度上依赖于动物模型和人体组织样本。此外，过去一些研究结果的有效性也受到质疑，因为它们依赖于「手绘」感兴趣区域的统计分析，这意味着研究人员需要对他们选择的区域的形状、大小和位置做出许多主观决定。Lui 说，这样的选择可能会扭曲结果。
研究人员表示，新的研究结果避免了这个问题，因为它利用机器学习来分析整组图像，而无需计算机检查任何特定位置，这有助于消除人类的偏见。
在这项研究中，研究小组首先向人工智能程序提供健康男性和女性脑部扫描的现有数据示例，并告诉机器程序每个脑部扫描的生物性别。由于这些模型被设计成使用复杂的统计和数学方法，随着时间推移积累更多的数据而变得「更智能」，它们最终「学会」自行区分生物性别。重要的是，这些程序无法使用整体大脑尺寸和形状来做出判断，Lui 说。
根据结果，所有模型正确识别受试者扫描结果性别的准确率在 92% 到 98% 之间。有几个特征尤其有助于机器做出判断，包括水通过脑组织的难易程度和方向。
图示：基于遮挡分析的 FA 分类概率具有显著 (p
