一个秋天的下午,我在加州大学伯克利分校李嘉诚中心(Li Ka Shing Center)观察自己的脑。我刚刚在3T核磁共振扫描仪(3 Tesla MRI scanner)中呆了10分钟。那是一台昂贵、维护成本极高,且磁性很强的脑部摄像机。我躺在狭小的舱内,强忍着幽闭恐惧,周身被黑暗和雾号一样的刺耳声音包围。
当时,我还是加州大学神经经济学实验室的研究实习生。那是我第一次从核磁共振成像(magnetic resonance imaging,MRI)扫描中窥见我的脑——一张浮在电脑屏幕黑色背景上的灰度三维重构图。作为神经科学专业的本科生,当时的我欣喜如狂。一个青年科学家初遇一种将不可见变为可见的成像技术,还有比这更令人兴奋的事吗?总之,MRI令我叹为观止。我觉得我不光看到了自己身体的内部,更看到了心智的生物学实体。
如果那张图算得上是一种对自我的描绘,那它可真是奇怪:上面没有我的头发,只有我的头骨、面部轮廓和其内部组织的横截面。我拖动鼠标、浏览脑部的水平切面,我看到了分叉的、树根似的的小脑,许多黑色空隙——那是脑室,还有脑皮层上起伏的脑回,像是沙地中扭动的蛇。
看到我的核磁共振扫描图后,我抑制不住兴奋,开始投入到科学论文里,并研究起这些图:脑的灰度图上有橙色或蓝色的斑点代表着激活增加的脑区。第二年,我加入了哈佛大学的一个实验室,并开始用功能性核磁共振成像(functional magnetic resonance imaging,fMRI)技术来研究参与社会决策的脑区。fMRI让我们记录下人们在完成思维任务时,他们的脑在“忙些什么”。那时,我正在完成毕业论文,并将目光投到了认知科学的博士学位上。
那时的我没料到自己就这样陷入了科学界的沼泽之地。的确,fMRI改变了医学。因为有了它,我们才能对病人的脑区进行无创测绘,从而使神经外科手术更为精确、准确[1],并验证了一些潜在药物对于人脑的药理作用[2]。但众所周知,fMRI在认知和心理科学中的应用是极具争议的。部分原因是这项科技并不能直接测量神经活动,而仅能测量一项替代真实神经活动的指标——含氧血流量。此外,为了将信号和噪声区分开来,该技术所需的数据处理的工作量巨大,而这样的数据处理却依赖于研究人员“酌情”作出的决策。
近些年来,该领域前后应对了包括软件故障[3]、数据误用[4]、研究无法复现[5]在内的各种问题。这些问题让MRI在临床和商业领域的应用情况变得愈加复杂。企业试图将fMRI引进法庭,这样,不管一个人是否讲了真话、是否精神错乱或是经历过伤害,脑图像都能反映出来——我们好像期待从这些脑的血流量图中看到更加深刻、更与人相关的东西。我们找寻着心灵及其纷繁细节中的奥秘,那正是我们的能动力、个性和疯狂之所在。
这个故事关乎我们——科学家和非科学家、媒体工作者和读者——如何在试图理解心智的过程中绘声绘色地讲好脑的故事。当我们说脑的某一部分“亮了起来”,或者说大脑皮层上的某一块是负责社交痛苦(social pain)的枢纽时,其实这些用词都源于我们所看到的脑影像的样子,而这些影像呈现更多是出于人工选择而非生物学事实。除此之外,我再讲讲我的故事。我曾决心研究群际关系(intergroup relations)背后的神经机制。如果我们能解开大脑在社会偏见中扮演的角色之谜,某天我们或许就能克服偏见了。MRI则将会照亮这条道路。
“把你的胳膊和腿伸开,就像一只海星一样,让我来看看你是不是一个金属机器人。”和我一起扫描的搭档、我的博士后导师威尔(Will)对一名被试志愿者说道。威尔拿一根金属检测棒扫过被试的身体。(fMRI研究需要我们对于任何金属都极其谨慎,这可不是没有原因——哈佛的脑科学神经成像中心[Center for Brain Science Neuroimaging]的扫描仪有着3T的磁场,足以将一把办公椅吸进机器里。任何有磁性的东西都会变成致命的抛射体。)
被试在扫描仪的平台上仰卧躺好后,威尔和我扣紧了他头部的线圈——这是一顶笨重的头盔,能发射并接受机器发出的频射脉冲(radiofrequency pulse)。它让我想起一只同样笨重的超级英雄面罩。志愿者们将会执行一项决策任务,他们会重复地操作一架老虎机,老虎机能产生两种类型的经济回报:一种会把钱给他们所支持政党的人,另一种除此之外还会从对立政党的人那里扣钱。我们想知道他是否会展现出对于其中一种回报的偏好。(之后我们计算得出,一些被试更倾向于对对立政党有损的经济回报——他们有对外群体恶意 [out-group spite] 的偏好——而这一偏好或许有着对应的神经机制。)
我们在他右手上绑了一个按钮盒,然后我升高了扫描仪的平台,看着他一点一点进入那个磁铁构成的空间内。一回到控制室,威尔就启动了老虎机的游戏。很快,我们就听到高频的蜂鸣声一阵狂响,这说明我们已经开始收集被试脑部的功能性图像了。这有时候看起来很奇怪,我们竟把一个人绑在一个寒冷的、宇宙飞船似的“甜甜圈”里玩一个小时的低分辨率游戏,来研究群际决策的神经生物学基础。不过,这些确然是大多数fMRI实验室研究的局限——一个模拟现实世界特征但又将其高度简化的电脑任务界面、一台记录你血流模式的机器,这就是全部。
MRI测量的是BOLD信号,也就是血氧水平依赖(blood oxygen level-dependent)信号。由于神经元在放电时需要氧气,含氧量高的血液会在此时流到相应的脑区。里克·伯恩(Rick Born)帮助我理解了这一过程,他是哈佛医学院的一名神经生物学家,主要使用电生理技术研究视皮层。在实验室的休息室里,他很健谈,散发出科学家谈论自己所在领域时的那股兴奋劲。他在白板上兴致勃勃地画了一张图表,箭头从“神经元放电”(neural spikes)指向“细胞外场电位”(extracellular field potential),然后指向“新陈代谢增加”,最终指到“血流水平提高”。由于多半时候科学家并不能直接测量人体内的神经元放电(这要打开头骨、直接植入电极才行,这种程序一般只能在动物和诸如癫痫治疗等医疗案件中进行),我们不得不就此满足于fMRI的间接测量。
那么机器是如何监测到富氧血流的呢?答案就藏在原子世界及其量子特性中,准确来说是由于核磁共振——也就是fMRI中的“M”(magnetic,“磁”)和“R”(resonance,“共振”)。当磁场非常强大时,氢质子的方向是一致的;你可以想象成它们都指向一个方向。然后,MRI机器中调好的射频脉冲会打断它们原本的排列,就像当你用手指轻弹摇头玩具一样。摇头玩具会弹回来,氢质子也一样。它们会逐渐“放松”回到原本的排列中。而头骨中氢质子以不同于皮质组织中氢质子的速率放松回弹,正因如此我们才能用数据处理的方式得到解剖结构的图像。
但是fMRI带给我们的不止是解剖结构。带不带“f”可大有不同。很多人在医院里做的MRI检查一般是结构性MRI扫描,它能提供肌肉、肌腱、骨骼的高分辨率三维图像,也能突出像肌腱撕裂这种潜在损伤或者癌症之类的疾病。而fMRI捕捉的是我们脑和身体的动态,它能测量和神经元放电及认知紧密相关的血液随时间变化的流动情况。
fMRI这样的功能得益于磁共振中蕴含的复杂原理。每个氢质子都有一种名为“进动频率”(precession frequency)的量子特性,也就是旋转自旋(rotating spin)。频射脉冲不光能把质子击落,还能使它们的自旋相互同步,将它们的进动频率匹配至一种协调的“群舞”状态。脉冲过后,进动频率逐渐回归非同步的状态,而质子也变回直立方向,开始以不同的速率旋转,就像各自独舞的舞者一般。而在脑的富氧血液的磁场中,这一去同步化的过程发生得更缓慢。正是这一自然界事实最终实现了fMRI的功能。也就是说,在富氧血液中的质子更倾向于保持同步,也就比脱氧血中的质子发出的信号更强,这种差异就是MRI扫描仪监测到的BOLD信号了。
最后,fMRI中的“I”代表“成像”(imaging),因为本质上来说,这一过程最终产出的是一段记录脑活动的三维视频。扫描过程中,脑被分成叫作“体素”(voxels,相当于三维上的像素)的小立方体。从每个体素中量化测量出的BOLD信号构成了人脑扫描最终得到的数据。体素的大小从1mm³到27mm³不等——这对我们来说很小,但对神经元来说可是巨大的规模。毕竟,脑包含了1000亿个神经元,而一体素的人类脑皮层中就有50万个神经元。这些神经元能做非常多事情——它们使其他神经元变得兴奋或受到抑制,在同一个神经元亚群中就可以存在不同的放电模式——但fMRI能监测到的却只有那一个体素空间上方的富氧血每2s内的净变。这就像尝试从50万个和其他人或是争论、或是意见一致、又或是正在辩论的人中确定出一个关于外交政策的平均意见。
威尔和我在扫描了近50个人之后,终于开始处理那些以太字节为单位的数据了。我买了一杯咖啡,戴上耳机,放起“海马体”(Hippo Campus)乐队的歌(我觉得这很切题),准备开始在图书馆里的漫漫长夜。我做起了质量控制检查,在我们收集的脑数据中寻找不自然的条纹或是不寻常的亮部。
我用一个特殊的软件来浏览功能性成像的原始数据——那是一段灰黑色的视频,模糊的脑(的各个区域)在其中缓慢搏动。本质上来说,扫描仪给出的原始数据是一个四维矩阵,记录了每个体素在时间轴上的变化。于是,那曾躺在扫描仪里、有生命的、生物学上的脑,现在被转换成了一些用数值表示的时间序列(time series)。就和你对着日落按下快门之时一样——相机将有实体的景色转换成了由数字组成的矩阵、像素灰度和颜色。而一旦脑变成了这种能用数字来表示的形式,你就能对它做很多事情了。在计算神经科学家的实验台,也就是电脑和桌面上,我能对数据作变形(warping)、平滑(smoothing)和滤波(filtering)的处理,我们将这一数据分析的阶段称为数据预处理(data pre-processing)。
fMRI是一场在毫米尺度上的较量:哪怕是轻微的头动(head motion),只要超过3mm,就会导致图像变形,最终无法使用。而预处理能通过数学变换,补偿因脑的弹动、滚动而产生的位移,从而帮助校正头动。预处理也通过拉伸、改变、或缩小体素,将模糊的原始功能性数据进行转换,使之既与被试的解剖扫描结果一致、又和标准脑模板相匹配。
人跟人之间的脑存在很大差异——有些人脑的两个半球有轻微的不对称、有些人枕叶突出,或者总体来说脑的尺寸比较大(正如头盖测量从业者早期注意到的那样)。如果我们不把每一位被试的脑都和模板进行对应,我们永远无法比较研究样本之间的脑活动。
我们还用算法对数据作空间平滑处理,即取相邻体素活动水平的平均值,进一步去除噪声。至少,我们认为那是噪声;我们并不想把真实的目标信号过滤掉。这就像在铅笔画上用手轻擦,将阴影晕染开来。这些重塑和校正的步骤使脑图像更清晰、更均匀、边缘不再那么粗糙,不过代价是空间分辨率的降低。
预处理的步骤有无数种,就算有斯坦福的可复现神经科学中心(Center for Reproducible Neuroscience)带头施行的标准化计划,还是鲜有整个领域都遵循的标准,所以大部分时候还是要取决各个研究者自己的谨慎选择。那些看来无足轻重的决定,包括计算机操作系统、软件或是扫描仪硬件的选择,都会对结果产生关键影响。
马蒂诺生物医学影像中心(Athinoula A. Martinos Center for Biomedical Imaging)计算中心的负责人、麻省总医院(Massachusetts General Hospital)的神经科学家、也是fMRI分析算法的早期先驱者之一布鲁斯·菲舍尔(Bruce Fischl)说:“磁共振的优点在于,它是一项非常灵活的技术。它能产出结构图像、功能图像,甚至绘制出有关神经连接的脑图谱,还能方便我们监测化学物质变化;而灵活性的另一面,则是如何将不同实验室间的图像标准化的难题。”
“好吧,希望接下来的分析更顺利。”威尔和我看着黑白色的脑模板(也就是我们所有被试的数据总和),它没有任何颜色——没有表示热度的彩色斑点,也没有可以未来用作感兴趣区(region of interest, ROI)的集群。终于,预处理结束后轮到我们上场进行真正的统计学分析了。我们的假设是,根据被试选择的经济回报是否对外群体造成伤害,我们会看到皮质下奖赏环路活动水平的差异。而这可能表明有一种奖赏信号对伤害竞争团体的决定产生了影响。在花了那么多晚对大脑进行扫描、周末在图书馆学习新的编程语言、以及用了那么多小时排除实验装置的故障之后,我曾多么希望我们能看到新的成果——但那些不过是无效结果,是哑弹。但幸运的是,那只是我们的初步分析,虽然我还是有些心灰意冷。
一个普遍的误解是,fMRI研究能告诉我们在特定任务中有哪些脑区是活跃的。但事实上,一切都是相对的。fMRI研究只能告诉我们哪些脑区在一项任务中比在另一项任务中更活跃。换句话说,fMRI分析让我们知道哪一群体素的活动模式(比起其他条件)更能匹配某一特定条件。甚至得益于机器学习之发展的最前沿方法也少不了要分析体素是否包含着能区分不同条件的信息。
fMRI实验中最常见的分析程序,即零假设检验,需要研究人员指定一个统计阈值。而选定统计阈值则决定了什么才能算作显著的体素——也就是哪些体素最终能被染上樱桃红或柠檬黄。正是统计阈值决定了我们得到的是《自然》或《科学》等著名期刊中发表的有意义结果,还是可以胡乱塞到档案柜中的无效结果。
科学家们面临着发表积极结果的压力,尤其是因为,竞争激烈的学术界就业市场把论文发表记录作为衡量科学成就的标准(虽然可重复性危机已经让人们开始注意到这一奖励机制的弊端)。如果一项fMRI研究最终得到的是无效或者平淡无奇的结果,研究者可不是每次都能从头做一遍同一研究的改良版本。MRI实验都非常昂贵和耗时的,比如我自己的实验就需要25000美元,耗时一年才完成。现在你知道了,研究者可能会被诱惑着,甚至下意识地想“再调一调分析参数吧”,看看能不能从他们耗尽精力得到的数据中找到一些显著的效果。
伯恩说:“显然,fMRI给出的数据不完全是噪声,它是真实的信号,但是它的自由度太高了 ,你可以不断摆弄数据,以不同的方式过滤数据来得到你想看到的任何结果。”
而这种统计学上的过度问题,也就是“多重比较”(multiple comparison),在fMRI分析的零假设检验环节中占据突出地位。菲舍尔告诉我:“这可能是脑成像中最大的问题。”多重比较代表过多的统计检验。多重比较的问题就像是调查10万个陌生人是否私底下认识碧昂斯本人。这10万个人里没有一个是真正认识她的,但是你问的每一个人都有5%的概率撒谎说他们认识,只是为了好玩。而最终,你统计出5千个碧昂斯的朋友,尽管基本事实是,没有一个人真是她的朋友。而如果你问了100个陌生人,你最终只会得到5个错误的测量结果,但只是因为数量庞大和随机欺骗的概率,调查10万个人最后却会让你得到5千个错误的测量结果。
同样的道理对于fMRI数据也适用:一个人的脑数据可有着数10万个体素。由于体素数量过于庞大以及随机噪声的存在,研究人员对每一个体素都作统计检验之时,几乎是必定会发现显著的影响,尽管这样的影响有时并不存在。
2009年,当一次fMRI扫描在一条死掉的鲑鱼中检测到一些猫腻时,上述事实就格外明了了。当时还是加州大学圣巴巴拉分校博士后研究员的克雷格·贝内特(Craig Bennett)想知道数据分析的影响到底能有多大。他将一只大西洋鲑鱼切片后放入MRI扫描仪里,向其展示情绪强烈的场景图片,然后按照一般的步骤进行预处理和统计学分析。你瞧,死鱼的脑子居然对情绪场景图片显示出了增强的活动——这意味着这条鲑鱼即使不是活的,也至少是有感情的。所以,就连在一条死鲑鱼的脑里,MRI扫描仪都能检测到足够多的噪声,以至于一些体素表现出了统计学意义上显著的相关性[6]。所以在贝内特和同事还没有校正多重比较问题的情况下,他们“发现了”虚幻的脑活动。
而要想校正多重比较,神经成像师必须建立严格的统计学显著性的阈值。菲舍尔告诉我,“这真的很难,因为我们对于正确的方向毫无头绪。”研究员面临的选择是,究竟是要舍弃一些东西,还是要向世人展示并不真实的成果?
菲舍尔想表达的是,统计阈值需要在科学家两种最深的恐惧——假阳性(将噪声误当成信号)和假阴性(在噪声中失去信号)之间谋求平衡点。而问题就在这里了:该领域还没有解决多重比较问题的最佳实践方案,因为大家还不能就如何平衡严谨程度达成一致。更重要的是,所有可能的校正程序都有致命的弱点,比如,它们会假设体素之间是相互独立的,而事实并非如此。
2016年,另一篇论文撼动了神经成像学界。安德斯·埃克隆德(Anders Eklund)、托马斯·E·尼科尔斯(Thomas E. Nichols)和汉斯·克努特森(Hans Knutsson)发表了一项关于fMRI软件分析包中常见故障的实证研究[3]。这些软件故障大大增加了得到假阳性结果的几率,有时误差率甚至超过70%,而不是大部分研究人员假定的5%。这一发现使人们对以往发表的研究(例如人格的大脑机制、知识的神经表征,甚至是决策的神经特征)都产生了质疑。
我第一次读贝内特和埃克隆德的论文时,整个人都呆住了。我问自己,我所做所读的研究都是真的吗?马蒂诺生物医学影像中心的主任布鲁斯·罗森(Bruce Rosen)则给了我一个更温和的看法。他说:“鲑鱼的那篇论文表明,你可以用一种看似合理的方式做分析,然后得到这种非常蠢的结果。但你要问我对于得到这么愚蠢的结果感到惊讶吗?还真的没有。的确,fMRI检测到的都是比较引人注目的信号,但跟基线相比,这些信号的变化也只有1%。偶然之下得到1%的变化容易吗?相当容易的。”
而对于埃克隆德和同事发表的论文,罗森承认道:“这是一个统计学上非常棒的观点。我们其实本来就理解这点,但毫无疑问,还有许多人原本并不了解。”但他认为这篇论文的含义被夸大了。“其实很多结果,尤其是领域内的重要结果并没有就此被推翻,所以那篇论文的影响力其实很小。并且关于‘我们是否明显误导了大众或让医生们误入歧途’这件事,据我所知,其影响是可以忽略不计的。但这篇论文得到了大量媒体报道,然后突然间,它就成了fMRI的丑事。”
但这件丑事并没有打消人们对该技术的乐观猜测。在《华尔街日报》2019年的一篇文章中,科技企业家杰里·卡普兰(Jerry Kaplan)就提到“能读懂你的心思的机器”。卡普兰的文章强调了机器学习的发展和fMRI数据的融合,探讨了用神经成像检测谎言、在法律环境中判断有罪、判断病人是否真的因疾病而“痛苦”,以及监视大脑活动的可能性。这听起来就像是电视剧《黑镜》某一集中的前提假设:“有一天,我们或许能在某种程度上精确地知道你的配偶是否爱你、是否觉得你有吸引力,或者有没有外遇。”
我们其实早就开始对欺骗与大脑间的联系感兴趣了。从2008年起,像No Lie MRI和Cephos这样的的公司就开始竞相发展fMRI测谎方面的研究,并将他们的服务提供给想要验证自己不在场证明的被告。大部分科学家和法律学者都认为,该技术还不足以应用于法律,并且一些法庭也已经拒绝了以fMRI证据作为论据的请求[7]。但就在2016年,No Lie MRI的投资人罗伯特·胡伊赞加(Robert Huizenga)还在奥兹医生秀(The Dr. Oz Show)里宣传该公司。他吹捧fMRI为“第一个区分大脑是在撒谎还是说真话的无偏见、有科学依据的方式。”
罗森说,他能理解为什么fMRI对人们具有特殊的说服力。他说:“是图像的呈现形式使图像暗示的含义超出了数据本身。当你在大脑图像上看到一个斑点,你就会觉得‘哇,这也太清楚了。’然而当你看到图像背后的数据,你才意识到,‘呃,统计数字可能表明这其实是一个很小的信号。’比起真正的结果,它其实更像是概率导致的。然而当你看到图像上的亮斑,它却看起来一点都不像是概率所致,毕竟它可实实在在地在那儿呢,对吧。这点无可争辩。”
正是脑图像体现出的科学权威力量让科学人类学家约瑟夫·杜米特(Joseph Dumit)评论道:“在法庭上,大脑图像可不会被视作对相关性带有偏见、并非写实的表征,它们只会被当成直接、客观的写照,这种风险实在是不应当。”[8]
为试图减轻刑罚,律师已经开始引用脑图像作为刑事被告的病理学证据。他们的论点往往采用以下形式:被告有神经或精神障碍,认知和道德理性受损。看,这张脑图像就显示了与精神病理学有关的大脑异常。
在涉及死刑的法庭案件中,神经影像是能决定生死的关键证据。同时,这类证据也固化了我们对人的分类:疯狂的、理智的,病态的、健康的,这些分类都在华丽的脑活动图像中得到了证实。在这个过程中,其他对于人类更整体的考量也就比不上生物学上对人格的简单分类了。
这样做的后果令人担忧——将“异常”医学化最终可能会促使对所谓“非常态”或“错误”行为的生物学干预。也就是说,fMRI的使用往往旨在说明某人的大脑是“坏掉的”,而一个坏掉的大脑就需要被修理。这就会催生出伦理隐患,最近为了减少侵犯行为而对囚犯大脑电击刺激的举措就是一个例子[9]。这种情况下,本是人与人之间的暴力——一个受许多结构性和文化因素影响的社会问题——却被归结于个人大脑的层面上。
这个问题不容小觑,因为脑图像紧紧抓住了我们对于人类行为之结构机制的想象,尤其对于像精神疾病和犯罪行为这些被污名化的状态。
我靠在椅子上,在威廉·詹姆斯厅(William James Hall)14楼的实验室里眯着眼睛看傍晚的阳光。fMRI数据中大量无用的、随机的噪声快要把我压垮了。我们到底如何从数字的嘈杂中提取出真正的信号呢?更何况我们的统计程序和现有知识都还存在缺陷。哪些结果是我应该相信的?最重要的是,我们怎样负责任地使用fMRI技术,而不去助长那些关于疼痛、欲望和其他人类情感的狭隘生物医学定义?
伯恩对我说:“科学家也是人。如果我们对人类有什么了解,那便是,当我们想相信一件事时,我们会很擅长欺骗自己。”关于fMRI究竟能揭开大脑什么真相,我不想愚弄自己,也不想让大家自欺欺人。
2020年三月世界卫生组织宣布COVID-19为全球流行病的同一周,我提交了本科学位论文并以神经生物学和哲学的联合学位毕业。这篇论文里有我的fMRI实验报告,包括无效的那些结果,也指出了未来能开展进一步分析的方向。我还论证了某种fMRI证据如何说明了幸灾乐祸(schadenfreude)——对于其他人或群体的不幸感到愉悦的情绪——之不道德。我对我的学位论文深感骄傲,也发自内心地享受收集和分析神经数据的过程。
但在做这项研究的过程中,我被迫面对以下现实:fMRI是一台不够精准的相机,它能捕捉血液、而非神经元的模糊图像,而且在我们能查看图像之前,我们还必须进行大量的计算。如果我们要免去手术或药物,这是现有的最好的大脑照相机了,但它又是一台非常糟糕的照相机。fMRI已经给我们非常重要的结果和知识了。正是因为有了它,我们才能构想成年人大脑皮层的系统结构。正如麻省理工学院麦戈文研究所(McGovern Institute)的南希·坎维舍(Nancy Kanwisher)教授所说,“这为我们探索人类心智的发展和演化起源赋予了新的手段。”它还让神经科学家们认识了大脑的默认模式网络(default mode network),而该网络在自传式记忆(autobiographical memory)和计划(planning)中起着至关重要的作用。
但问题在于,我们想从这些科学结果中得到什么、期待了什么,又给了这些结果什么样的威信。毕竟,“大脑亮了起来”的表达是我们精心制作的图像之人为产物。那些抓人眼球的亮斑和神经元连接图之所以存在,只是因为神经科学家、磁共振物理学家和数据科学家决定以这种特殊的方式对大脑数据进行可视化和表征罢了。
现在,我开始质疑自己是否想在这个令人忧心忡忡的领域继续下去。毕业之后,我就转而投入到其它领域中了。不过,我还是保留了认知科学博士项目相关的浏览器书签文件夹。我尽自己所能参加神经科学讲座。也许我还会作为研究神经成像技术的社会学家或科学家归来。在解开核磁共振机器这个黑箱的过程中,我或许失去了那份对神经影像的爱,但至少,现在我看清了它们的本质。
参考文献
1. Golby, A. The FMRI25 Symposium (2017).
2. Wise, R.G. & Tracey, I. The role of fMRI in drug discovery. Journal of Magnetic Resonance Imaging23, 862-876 (2006); Carmichael, O., et al. The role of fMRI in drug development. Drug Discovery Today 23, 333-348 (2018).
3. Eklund, A. Nichols, T.E., & Knutsson, H. Cluster failure: Why fMRI inferences for spatial extent have inflated false-positive rates. Proceedings of the National Academy of Sciences 113, 7900-7905 (2016).
4. Vul, E., Harris, C., Winkielman, P., & Pashler, H. Puzzlingly high correlations in fMRI studies of emotion, personality, and social cognition. Perspectives on Psychological Science 4, 274-290 (2009).
5. Williams, R. Research teams reach different results from same brain-scan data. The Scientist(2020).
6. Bennett, C.M., Miller, M., & Wolford, G.L. Neural correlates of interspecies perspective taking in the post-mortem Atlantic salmon. NeuroImage 47, S125 (2009).
7. Farah, M.J., Hutchinson, J.B., Phelps, E.A., & Wagner, A.D. Functional MRI-based lie detection: Scientific and societal challenges. Nature Reviews Neuroscience 15, 123-131 (2014).; Lowenberg, K. fMRI lie detection fails its first hearing on reliability. Stanford Law Review (2010).
8. Dumit, J. Objective brains, prejudicial images. Science in Context 12, 173-201 (1999).
9. Molero-Chamizo, A., Riquel, R.M., Moriana, J.A., Nitsche, M.A., & Rivera-Urbina, G.N. Bilateral prefrontal cortex anodal tDCS effects on self-reported aggressiveness in imprisoned violent offenders. Neuroscience 397, 31-30 (2019).
作者:Kesley Ichikawa | 翻译:M.W.
校对:老司橘 | 编辑:Soda | 封面:Stephan Schmitz
原文: