《Scientific Data》：FAIR m-BIDS: Advancing brain data utilization through multimodal and FAIR principles
編輯推薦：
為解決傳統BIDS（Brain Imaging Data Structure）標準難以整合單個受試者跨研究、跨模態腦影像數據的問題，研究人員提出了FAIR m-BIDS（FAIR Multimodal Brain Imaging Data Structure）。該新架構將數據實體粒度從數據集級細化至獨立文件，為每個腦數據文件分配獨立全局標識符（GUId-Key），從而支持研究人員靈活組合來自不同模態與研究的數據，構建定制化多模態數據集。這不僅克服了現有標準在數據整合上的局限，也通過提升數據的可發現性、可訪問性、互操作性與可重用性，顯著增強了FAIR原則在神經科學與AI研究中的應用。
在數據科學與人工智能浪潮席卷神經科學領域的今天，研究人員正以前所未有的熱情探索大腦的奧秘。要獲得更精準、更可靠的發現，關鍵在于整合多維度信息，即采用“多模態”的研究范式。這意味著，對同一個個體，我們可能需要同時分析其大腦的結構磁共振影像、功能磁共振信號、腦電圖波形乃至遺傳信息。然而，理想的豐滿常遭遇現實的骨感。當前，學術界廣泛采用的腦影像數據結構標準——BIDS（Brain Imaging Data Structure）——在應對這一多模態整合挑戰時，顯得有些力不從心。
問題的核心在于傳統BIDS的架構設計。在這一標準下，每個數據集通常隸屬于一項單一的研究，并擁有獨立的受試者身份標識體系。這好比為每場獨立的音樂會印制了不同制式的門票，雖然每場內部的座位（數據）管理得井井有條，但如果你想追溯同一位聽眾在不同場次（不同研究）的出席記錄，卻會因為門票（身份標識）體系不同而無從下手。具體到腦科學研究，這導致了一個棘手困境：來自同一個人的、在不同研究中產生的、不同類型的腦數據（例如，在一項認知實驗中產生的功能磁共振數據，和在另一項臨床評估中產生的結構像數據），由于被歸入了不同的BIDS數據集，而難以被關聯和整合在一起進行分析。這種數據壁壘不僅限制了數據的利用深度，也阻礙了構建更全面的個體化腦圖譜，更與當前推動科學數據共享與重用的FAIR（可發現、可訪問、可互操作、可重用）原則相悖。
正是為了打破這堵“數據之墻”，一項創新性的研究應運而生，其成果發表在《Scientific Data》期刊上。該研究敏銳地指出了現有BIDS在支持多模態數據整合方面的根本性限制，并提出了一種革命性的擴展方案——FAIR m-BIDS（FAIR Multimodal Brain Imaging Data Structure）。這項研究的目的非常明確：設計一個新的數據架構，使得研究人員能夠像“拼樂高”一樣，自由、靈活地將分散在不同研究項目中的、不同模態的個體腦數據“模塊”組合起來，構建出針對特定科學問題的定制化多模態數據集。這不僅是技術上的升級，更是方法論上的革新，旨在為下一代的神經科學和人工智能驅動的大腦研究鋪平道路。
為了達成這一目標，研究人員并未選擇另起爐灶，而是在尊重和兼容現有龐大BIDS生態的基礎上，進行了一場“中心化”到“去中心化”的范式轉移。他們提出的FAIR m-BIDS核心思想在于將數據組織的粒度從“數據集”級別，下移到獨立的“數據實體”級別。具體實現這一點的關鍵技術，是為每一個大腦數據文件（如一個NIFTI格式的影像文件）分配一個獨立的、全球唯一的標識符——GUId-Key（Global Unique Identifier Key）。這個標識符如同每個數據文件的“數字身份證”，獨一無二且終身有效。通過這套標識系統，原本被禁錮在單一研究數據集內的數據文件得以“解放”，研究人員可以依據GUId-Key，跨越不同研究和不同模態的邊界，精確地定位、選擇和提取來自同一個匿名化受試者的所有相關數據，并將它們整合進一個新的、邏輯統一的數據集中進行分析。這種方法巧妙地解決了跨研究受試者身份匿名化關聯的難題，同時確保了與原有BIDS標準的向后兼容性，保護了既往的數據投資和研究積累。
研究結果與結論
1. 架構設計：從數據集到數據實體的范式轉變
本研究提出的FAIR m-BIDS架構是對傳統BIDS標準的一次根本性擴展。其核心創新在于引入了“數據實體”作為組織和管理的基本單位，而非整個數據集。每一個腦影像數據文件（實體）都被賦予一個獨立的GUId-Key。這一設計使得數據項能夠獨立于其原始的研究語境而存在和被引用，為實現靈活的數據集成奠定了基礎。
2. 增強的FAIR原則實現
通過實施上述架構，FAIR m-BIDS顯著提升了腦影像數據在FAIR原則四個維度上的表現：
- •
可發現性 (Findability)：每個數據實體通過其GUId-Key變得可被唯一標識和追蹤，提高了在跨數據集檢索中被發現的可能。
- •
可訪問性 (Accessibility)：明確、標準的標識符簡化了特定數據文件的訪問協議和路徑定義。
- •
可互操作性 (Interoperability)：GUId-Key體系為來自不同源頭（不同研究、不同模態）的數據提供了一個統一的鏈接框架，使它們能夠在邏輯層面相互關聯和操作。
- •
可重用性 (Reusability)：研究人員可以基于科學問題，自由組合不同來源的數據實體，生成全新的、定制化的多模態數據集，極大提升了數據的再利用價值。
3. 匿名化跨研究數據關聯
該結構的一個關鍵優勢是能夠在不泄露受試者真實身份信息的前提下，實現對其在不同研究、不同模態下產生的數據進行安全、可靠的關聯。GUId-Key系統充當了匿名化的鏈接紐帶，使得長期追蹤個體的多維度腦數據成為可能，這對于神經退行性疾病的縱向研究或腦發育研究具有重要意義。
4. 與傳統BIDS的兼容性
FAIR m-BIDS被設計為傳統BIDS的“超集”，而非替代品。它完全兼容現有的BIDS數據集，任何符合BIDS標準的數據集都可以無縫納入FAIR m-BIDS的管理框架中，確保了研究社區能夠平滑過渡，并充分利用現有的大量數據資源。
結論與討論
總而言之，這項研究提出的FAIR m-BIDS結構，是針對當前神經科學多模態研究中數據整合瓶頸的一項有力解決方案。它將數據組織的焦點從固定的數據集轉移到靈活的數據實體，并通過引入全局唯一標識符（GUId-Key）體系，成功實現了對單個受試者跨研究、跨模態腦數據的有效關聯與集成。這項工作不僅克服了原有BIDS標準在多模態應用中的主要限制，更通過實質性地提升數據的可發現性、可訪問性、可互操作性和可重用性，深化了FAIR原則在腦科學研究領域的實踐。
其重要意義在于，FAIR m-BIDS為處理日益復雜和多元的大腦數據提供了一套標準化、可擴展的未來路線圖。它有望極大地促進大規模、多中心腦科學研究項目中的數據共享與協同分析，加速基于人工智能的腦模型構建與驗證，并推動個性化醫療和腦疾病生物標志物的發現。通過將數據從孤島中解放出來，FAIR m-BIDS有望成為連接不同腦研究領域、釋放大數據在神經科學與人工智能交叉領域巨大潛力的關鍵基礎設施。
