Deep learning models reveal replicable, generalizable, and behaviorally relevant sex differences in human functional brain organization
PÅVISNING AF FORSKELLE MELLEM KVINDE- OG MANDEHJERNER
En menneskehjerne indehoklder milliarder af nerveceller. Hver nervecelle er forbundet via nervetråde til andre nerveceller; nogle er korte forbindelser til nærliggende celler, andre forbindelsser strækker sig et langt stykke hen igennem helt andre dele af hjernen. Nervetrådene forgrener sig, og kan via sidegrenene danne komplicerede netværk med mange celler.
Det er vigtigt at man nu kan studere, hvordan nervetrådene i hjernen er forbundet i netværk. Man har udviklet en særlig type MRI-scanninger, der registrerer vandmolekylernes bevægelser inde i nervetrådene, og derved kan man få data om nervetrådenes forløb og om hvilke nervecentre, der er forbundet med hvilke andre nervecentre. Der er en række forskellige netværk inde i hjernen, som forbinder forskellige områder. Disse netværk kaldes moduler. Mænd og kvinder adskiller sig bl.a. ved hvor meget forbindelse, der er imellem modulerne.
I nylige undersøgelser, fra omkring 2020 og frem, har man analyseret, hvor meget forbindelse der var mellem forskellige hjerneområder, og ud fra forskelle i graden af forbindelse kunne man korrekt klassificere kønnet på 91 % af hjernerne. Det var dog forskellige individer, der var kønstypiske i det ene sæt resultater, og det andet sæt resultater. Når man kombinerede begge datasæt, nåede man op på at kunne klassificere over 96 % af hjernerne korrekt m.h.t. køn. Det er så højt et tal, at man med rimelighed kan sige, at der eksisterer mandlige og kvindelige hjerner.
I en endnu nyere undersøgelse har man scannet ca. 10.000 9-10-årige børn. Også her har man set på nogle mål for nervetrådenes forløb i hjernens hvide substans.
Man lader et computerprogram behandle hvert individs hjernescanninger og får programmet til at ”lære”, hvilke hjerner der er drenge hhv. piger. Når programmet har lært det, kan det klassificere 93 % af hjernescanningerne korrekt til køn. Der er ikke noget enkelt sted i hjernen, hvor drenge og piger adskiller sig helt. Men en del træk har tendens til at være karakteristiske for drenge hhv. piger, og baseret på disse træk har forskerne, for hvert individ, beregnet graden af hanlighed og graden af hunlighed i hjernen. Der er nogle få piger, der er ekstremt hanlige, selv om langt de fleste piger er ekstremt hunlige. Og omvendt: Der er nogle få drenge, der er ekstremt hunlige, selv om langt de fleste drenge er ekstremt hanlige.
Status indtil for nylig var altså, at op til 96 % af hjernescanninger kan identificeres korrekt til køn.
Men i februar 2024 blev der publiceret en artikel om endnu mere avancerede analyser, der giver endnu større præcision, af Srikanth Ryali, Yuan Zhang, Carlo de Los Angeles, Kausteubh Supekar og Vinod Menon. Menon planlagde undersøgelsen og er på den måde hovedforfatter.
Undersøgelsen går på flere måde videre end de tidligere undersøgelser. Datamodellen blev gennemprøvet på et stort materiale af hjernescanninger fra The Human Connectome Project (HCP), med data fra c. 1000 personer, primært fra England.
Efter at programmet havde lært en algoritme, der gjorde det i stand til at skelne mænd og kvinder i HCP- datasættet, blev det sat til, uden yderligere læringsproces, at anvende sin lærdom på to andre datasæt, dels ca. 200 personer fra et datasæt i Rockland, staten New York, og dels ca. 200 personer fra Leipzig, Tyskland. Formålet var at se, om den lærdom, programmet havde opnået ud fra ét datasæt, gav lige så god sondring mellem kønnene, når det blev anvendt på andre datasæt.
Det næste nye skridt i undersøgelsen var at tage bedre højde for tidsmæssig variabilitet. Analysen kaldes en Deep Neural Network (DNN) analyse; men her inkluderer man tidsvariation i signalerne, som tager højde for at nerveforblindelserne er dynamiske og ændrer sig i løbet af analysen. Det kaldes så st-DNN analyse, hvor st står for spatio-temporal.
Det tredje skridt er at man anvender AI til at følge med i, hvilke dele af hjernen der bidrager til at finde kønsforskellene. AI sættes til at analysere, hvilke skridt i læringsprocessen der forbedrer programmets evne til at skelne køn, og kan derigennem sætte fokus på, hvilke hjerneområder der især bidrager til bedre skelneevne. Dette har vist sig som meget væsentligt for at få mere præcise resultater end tidligere.
Resultater:
Først blev de ca. 1000 personer i HCP-data sættet delt op i fem lige store grupper. Programmet blev sat til at lære at skelne køn på basis af 800 personer, og skulle derefter anvende sin lærdom til at klassificere de resterende 200 personer til køn. Her kunne programmet klassificere kønnet korrekt i 90,2 til 91,2 % af tilfældene.
Dernæst så forskerne på resultatet af AI-analysen af hvilke hjerneområder, der især bidrog til at kunne skelne kønnene. For hvert enkelt individ gav programmet et såkaldt ”fingerprint”, dvs. et sæt af værdier for hver meget hvert enkelt hjerneområde bidrog, og disse værdier dannede et mønster, som var karakteritisk for hvert individ for sig. Hvis f.eks. en bestemt del af pandelappen gav stort udslag hos det ene individ, kunne der være andre individer hvor den samme del af pandelappen gav udslag, men også hvor helt andre hjerneområder bidrog. Man så så på, om der var forskelle mellem kønnene i disse fingerprints, f.eks. om der var tendens til, at visse del af hjernelapperne gav meget udslag hos mænd, mens andre dele af hjernelapperne gav meget udslag hos kvinder. Nu samlede man så alle fingerprints fra alle mænd, og lavede en statistisk sammenfatning af disse, med en central værdi og en spredning omkring denne centrale værdi.. Tilsvarende gjorde man for kvinder.
Hvis en mand har sine fingerprints liggende tæt op ad den centrale fordeling af fingerprints for mænd, kan man hævde, at han er en typisk mand. Vurderet på den måde var samtlige mænd typiske mænd. Ingen mænd overhovedet lå i nærheden af den centrale fordeling af kvinders fingerprints. Og tilsvarende – samtllige kvinder var typiske kvinder i den forstand, at deres fingerprints lå tæt op ad den centrale fordeling af fingerprints for kvinder Vurderet på den måde var samtlige kvinder typiske kvinder. Ingen kvinder overhovedet lå i nærhden af den centrale fordeling af mænds fingerprints.
Det nye her er altså, at ved hjælp af AI har man fået koblet de enkelte hjerneområders betyning ind i analysen, og når det sker, er der ingen overlap mellem de to køn i den samlede, statiske analyse.
Computerprogrammet blev sat til at lære at skelne kønnet på basis af nogle hundrede personer i HCP-datasættet, og derefter, uden yderligere læringsproces, anvendt på Rockland og Leipzig datasættene. Derefter blev der skabt ”fingerprints” på samme måde som før ud fra bidragene fra de enkelte hjerneområder, og resultaterne blev lige som før – samtlige mænd grupperede sig omkring de centrale værdier for mænd, og samtlige kvinder omkring de centrale værdier for kvinder. Altså igen: Når data om de enkelte hjerneområder blev inddraget, var der 100 % adskillelse mellem mænd og kvinder.
Man har derudover også data om intelligens for HCP- datasættet (fjorten forskellige kognitive tests) . Her forsøger man så at finde kombinationer af hjernedata for specifikke hjerneområder, der kan forudsige intelligensen. Også i disse forudsigelser finder man en kønsforskel. De nerveforløb, der kan give mænd høj intelligens, har ikke nogen særlig betydning for kvinder. Omvendt, de nerveforløb, der kan give kvinder høj intelligens, har ikke nogen særlig betydning for mænd.
https://www.pnas.org/doi/10.1073/pnas.2310012121