语言网络的短期迅速重组

来自德国马克斯普朗克研究所(Max Planck Institute,Germany)的Gesa Hartwigsen等人在eLIFE期刊上发表了一片文章,研究了病变后的语言网络是否可以得到相邻网络的补偿:即健康大脑中语义区域的刺激扰动抑制了大脑语义网络的活动,但是促进了相邻语音区域的激活。受刺激区域增强了对另一个语义网络内关键节点的抑制作用,而这种抑制导致了个体响应速度的延迟,从而表明对远程节点的抑制是功能相关的。相反,对语音区域的刺激抑制了网络中的活动,并且在不引起脑区激活强度增加的情况下破坏了行为。这一现象说明相邻网络的补偿能力可能取决于功能中断的水平,反映出不同语言网络的特异性补偿能力。

Introduction

当前对脑卒中后失语症患者的语言网络短期和长期可塑性的了解有限。例如,如果左脑一个关键节点病变之后,邻近的同侧网络和/或同源右半球区域能否促进中风恢复仍然是一个疑问。为了研究语言网络的快速重组和功能弹性分配的潜力,本文将健康大脑中受控的局灶性虚拟病变和神经影像数据进行有效连接分析相结合,通过设计实验任务来研究大脑快速分析声音的处理模式(即语义处理)。

前人研究认为大脑语义处理与左半球颞叶,下额叶和下顶叶的神经激活增加相关(Binder et al., 2009; Vigneauet al., 2006)。通过经颅磁刺激(TMS)诱发的局灶性扰动,将左侧角回(AG)和前额叶回(aIFG)识别为语义任务得关键节点(Devlin et al., 2003; Sliwinska et al., 2015),尤其是几个TMS研究更将左前额叶回(aIFG)定义为控制语义处理的核心区域(Hoffman et al., 2010; Whitneyet al., 2011)。此外其他研究表明,颞叶的一些区域对于不同的语义处理至关重要,这些区域包括用于核心语义表达的前颞叶(ATL),和语义控制关键节点的后中间颞回(pMTG)(Binney and Ralph, 2015; Davey et al.,2015; Jung and Lambon Ralph, 2016; Whitney et al., 2012)。

对于语义网络中脑区间相互作用的研究表明,左侧前额叶回对语义决策的贡献在很大程度上取决于左侧角回的功能完整性(Hartwigsen et al., 2016)。因此,左侧角回能够在语义决策期间补偿aIFG受到的扰动,除非其也受到TMS的干扰,这也表明两个区域之间的强烈的相互作用。相反,对SMG施加TMS干扰会造成语音决策的延迟(基于词语的声音进行决策),但不会影响语义决策。

尽管上述提及的TMS研究都清楚地表明除颞叶区域之外,AG和aIFG对语义处理的重要作用,但是当对角回施加局部扰动后在语义网络中会观察到功能重新分配的现象,这些研究在神经基础上都没有得出任何结论。此外,AG在语义处理中的确切作用仍不确定,例如:与非抽象词相比,该区域在处理非单词或混合词时增加了任务相关的激活((Binder et al., 2009; Seghier,2013),但其他语义任务的停用,其数量失活与增加的任务难度相关(Humphreys et al., 2015)。此外AG还有除核心语言领域之外的其他功能(如情景记忆和社会认知任务)(Bzdok et al., 2016)。因此,目前还不清楚在词语处理过程中左侧AG任务相关的激活增加,究竟是语义处理必要的反应,还是随任务难度水平提升需要更多的大脑处理(Graves et al., 2017; Ralph etal., 2017)。

为了阐明大脑响应于受控虚拟病变的适应性短期可塑性的能力和左侧角回对语义处理的贡献,在采集被试的神经成像之前对角回AG或相邻SMG上施加了焦点连续θ-突发刺激(cTBS)(图1)。在设计实验任务时也包含了语音任务,以测试扰动效应的任务特异性。将cTBS应用于健康被试,以研究即时和瞬时的扰动效应。由持续cTBS诱发的神经元兴奋性的抑制会对网络内未受影响的功能节点激发急性适应性重组,以补偿cTBS诱发的神经元活动抑制。

本文的一个假设是期望在语义与语音决策上找到与AG和SMG的功能双重解离。具体来说,施加于AG的cTBS应该选择性地抑制左侧AG的任务相关语义活动,反过来会导致语义网络中其他重要节点(例如左侧aIFG,pMTG或ATL)的激活。由于该团队以前的研究(Hartwigsen等,2016)并没有发现AG的单焦扰动对语义响应速度的显着调制,所以对AG施加cTBS之后平均语义响应速度应该没有明显的中断。然而根据该团队以前的研究,对SMG施加cTBS会延迟语音决定,这会反映在语音网络中与任务相关的活动抑制。另一个假设是cTBS会影响更大级别的网络的神经活动。TMS-fMRI结合的研究已经发现了TMS会对相邻和远处相关的脑区具有广泛的刺激作用,如果是这样,那么对AG施加cTBS应该不仅会对刺激部位本身而且会对更大的语义网络抑制其神经活动。

由于大脑认知过程是由相关脑区之间的动态相互作用而非孤立的区域介导组成,扰动对因果网络水平的影响的有效连接性分析应与神经生物学机制更为密切相关(虚拟)损伤改变认知功能,这种网络效应也可能调节了cTBS引起的行为水平的变化。

图1. 实验设计和行为学结果

Methods

Subjects

15名本地右利手德国人(7名女性,年龄范围:20-30岁),没有神经系统疾病史或cTBS禁忌症。在实验前获得书面知情同意书。该研究按照“赫尔辛基宣言”的指导方针进行,并由当地伦理委员会(莱比锡大学医学院)批准。

Experimental design

两任务(语义决策,语音决策)三因子被试间设计(AG施加cTBS,SMG施加cTBS,假cTBS)(图1):每个被试均扫描三段session(间隔> 7天),在扫描fMRI之前在左侧AG或SMG上应用有效或假的cTBS(图1A)。fMRI扫描期间,给受试者播放单词进行语义任务(这个单词是指自然的还是人造的)和语音任务(这个单词是两个还是三个音节),每个miniblock包括6个激活点(图1B)。每个miniblock中的任务内保持不变,并在miniblock之间伪随机化使得相邻miniblock中的任务不相同。使用类似的方法保证两类任务在不同刺激下被伪随机化,并且跨受试对象(在可能的程度上)平衡。每个session中每个任务都有10个miniblock,因而每个session共有120个激活点(每个任务60个)。每个miniblock间隔16s的静息态,当静息态结束后,要求被试尽可能快且准确地用左手中指或食指按下响应板上的按钮来做出反应。共选择了常用且明确的60个双音节名词和60个三音节名词,所有单词都表示自然或人造物品(分别为双音节词的50%和三个音节词的50%),激活点持续的平均时间为0.78秒(0.74~0.87秒)。

Continuous theta-burststimulation

本文研究使用的是基于T1加权MRI图像的神经元导航cTBS(Brainsight;Rogue Research)来保持TMS线圈确切的位置和方向。session的顺序(AG,SMG或假cTBS)尽可能保证平衡。使用平均MNI坐标:左侧AG(x,y,z =42,-66,28mm)和SMG(x,y,z=45,-39,45mm)。通过计算这些立体定位坐标的归一化变换的倒数将每个被试的坐标从标准空间变换到个体空间来确定个体刺激位点。

手柄指向侧面并垂直于左侧SMG或AG的中线定位TMS线圈,第二相的双相脉冲引起侧向内侧电流。在单个有效运动阈值(AMT)的80%的刺激强度下应用cTBS(50Hz600个刺激点,以200ms的间歇间隔40秒的三次刺激的训练)。AMT被定义为在强力活动的第一背侧肌间肌肉(最大收缩的20%)中产生150-200mV的运动诱发电位的最低刺激强度。在所有cTBS条件下都使用连接到MagPro X100刺激器(MagVenture,Farum,Denmark)的八角形线圈(双60mm;线圈型CB-60)。对于假cTBS,我们使用了一个特别设计的八位八角形安慰剂线圈(MCF-PB-70;外径7.5厘米),产生与CB-60线圈相同声级但降低了80%。一半受试者分别接受AG和SMG上的假cTBS。每个被试的TMS脉冲的总体应用在安全限制之内。

Data analyses fMRI data

SPM 8和12(WellcomeTrust Center for Neuroimaging; www.fil.ion.ucl.ac.uk/spm/)被用来分析与血氧水平相关信号的任务相关变化。功能图像的统计分析分两步进行:第一步包括每个任务条件的回归,指令和重新对齐参数。每个回归所有输入都与SPM8的标准血液动力学响应函数进行了卷积。使用SPM8中的最小二乘法估计所有条件的体素回归系数,并从每个条件(即不同cTBS条件下的任务的主要影响)生成t统计量(SPM{t})的统计参数图。第二步分析的数据包括使用柔性因子的组内ANOVA设计的随机效应分析(包括非球形度的校正)所得所有被试的每个contrast估计的合并参数。在SPM8设计规范中采用了限制最大似然法用于第二步的球形度校正。在p<0.05的显着性水平下进行阈值化,峰值点进行FWE校正。使用SPM Results工具(1.7版)和WFUPickAtlas工具(2.4版本,维克森林大学医学院)用于激活峰值点的结构定位。

Dynamic causal modeling

为了研究cTBS在语义网络中的调控效应,本文采用动态因果建模(dynamic causal modeling,DCM)进行有效连接分析。DCM可以研究不同实验环境下预定脑区的相互作用,通过比较观察脑区的血氧水平依赖性(BOLD)反应与神经生物学上可能模型预测的BOLD反应来计算脑区相互作用的强度和方向。该模型描述了脑区内神经元的活动和相互作用如何由外部输入(即实验任务条件)调节,以及如何将神经元动力学转化为测量的BOLD信号(Stephan et al., 2010)。计算三种参数类型:外部输入或刺激对区域活动的直接影响(称为驱动输入:driving input);在不存在外界实验效应时脑区之间的固有连接强度;以及由实验设计引起的脑区间内部连接的变化(本实验中cTBS对AG和SMG的刺激)。感兴趣的语义网络包括cTBS站点(AG,SMG)和aIFG。每个任务的模型空间包括63个具有完全固有连接的不同模型(图5,附图1)。DCM分析的驱动输入设置为三个ROI之一和这些区域之间的所有可能组合(图5 ,附图1A),此外测量了每个被试cTBS对AG或SMG的刺激对这些区域连接的调制效应(图5,附图1B)。种子区域来源于每个对象每个任务的SMG和AG cTBS的比较(AG的平均坐标:x,y,z= 45,-67,28; SMG:x,y,z = 45,-40,46;aIFG:x,y,z= 48,41,-14)。首先,在个人层面指定一个新的设计矩阵,以建模DCM分析的兴趣条件(分别为:cTBS同时刺激AG和SMG之后进行语义判断的回归模型,cTBS刺激AG后进行语义判断的回归模型,cTBS刺激SMG后进行语义判断的回归模型)。随后,在个体水平上提取种子点fMRI信号的第一个eigenvariate变量,种子点为感兴趣效应的组坐标周围8mm直径的球体内未校正的p <0.01的自由阈值处。使用随机效应的贝叶斯模型选择程序选择被试的模型(Stephan et al., 2010)来确定观察到的fMRI数据的候选模型中最可能的模型,在此过程中所有模型都经过相互测试。估计每个模型的概率,基于反映了该模型比所测试的其他模型更适合数据的超出概率进行选择。最后,最优模型中的参数(即驱动输入,种子区域之间的固有连接的强度,以及由AG或SMG的cTBS对相关连接的调制影响)对应每个被试的估计值使用Bonferroni校正双边单样本t检验以测试与零的差异。此外还基于模型空间分区进行了家庭水平推导(Stephan et al., 2010)以确定最优参数。据此,基于cTBS诱发的脑区间连接的调制将模型分组。具有最高超概率值的参数表示给定数据最合理的模型组(Stephan et al., 2010)。

图5. 语义网络的有效连接

Probabilisticdiffusion tensor Imaging-based fiber tracking

扩散加权数据集使用莱比锡图像处理和统计推理算法(https://www.cbs.mpg.de/institute/software/lipsia)和FMRIB扩散工具(FDT, Oxford Centre for FunctionalMagnetic Resonance Imaging of the Brain Diffusion Toolbox, Version 5.0)。数据预处理包括基于7个b0图像的头动校正,全脑配准到T1解剖图并平均梯度方向将各向同性体素分辨率配准为1mm,随后,使用采样技术获得扩散参数,将预处理后的数据使用贝叶斯估计拟合到扩散模型(Behrens et al., 2007)。在峰值激活点的平均坐标周围创建8 mm直径的球体(种子点模型),源自AG cTBS vs SMG cTBS的fMRI组间比较,(AG:x,y,z = 45,-67,28; aIFG:x,y,z = 48,41,-14)并配准到个体扩散空间。

根据每个被试区域间连接连通性的体素主体扩散方向的概率分布进行交叉纤维概率谱分析(Behrens et al., 2007)。如果从一个种子点开始重复生成通向另一个种子点的流线,则假定两个种子点之间存在连接,并且基于种子点间连接纤维条数的阈值估计所有的的概率连接。为了消除虚假连接,个体的造影结果被二进制化为1^102阈值百分比。使用FSLView将这些纤维转化到标准MNI空间,并将所有被试的结果叠加在一起(阈值:15个被试中大于8个)。结构连接的定义是基于白质图谱(Juelich Histological atlas andJHU White-Matter Tractography atlas distributed with FSL)和文献(Sauret al., 2008)。

Results

cTBS刺激AG和SMG后被试对任务响应速度的差异分析

在扫描fMRI过程中被试接受了语义任务(判断词语是自然的或人造的)和语音任务(判断词语是两个或三个音节)。通过重复的ANOVA分析来研究被试正确完成任务的反应速度组间因素包括被试任务(语义vs.语音)和cTBS刺激位点(AGvs. SMG vs. sham)。总体而言,语音任务的响应明显比语义任务的响应久(主效应:F1.14 = 13.69,p = 0.002; h2 = 0.56),这种效应还与cTBS刺激位点(AGvs. SMG vs. sham)有显着相互作用,这表明语音和语义决策受到cTBS的影响是不同的(F2,28 = 5.36,p = 0.011; h2 = 0.28;图1C)。双尾特异配对t检验显示,刺激SMG比假刺激(t14= 3.20,p = 0.006; d = 0.81)和刺激AG(t14= 2.76,p = 0.01; d = 0.73)都显着延迟了语音任务。相反对于语义任务,刺激AG相对假刺激(t14 = 2.15; p = 0.05; d = 0.34)有显著延迟趋势,但相对于刺激SMG没有显著延迟(p= 0.14; d = 0.13)。任务精度不受cTBS影响(所有P值都大于0.05)。

图1. C

刺激AG减少了语义网络中的任务相关活动,并且增加了语音网络中的语义活动

首先研究了cTBS刺激AG对语义决策的影响:相比cTBS刺激SMG,刺激AG不仅造成了刺激区域,还有与语义处理相关的较大区域网络显着减少了任务相关的语义活动,包括左侧AG(x,y,z = -42,-67,28;T = 5.21); aIFG(x,y,z = -48,41,-14;T = 6.64;x,y,z = -57,26,19;T = 6.48)和左后中颞回(pMTG:x,y,z= -60,-43,2;T= 5.55)(图2A)。此外,比较cTBS刺激AG与假刺激时在左侧AG和aIFG发现了相似结果(图2-附图1A,表1)。比较cTBS刺激SMG和假刺激后发现脑区的任务相关活动没有显着差异,这说明刺激对语义任务的影响具有结构特异性。

通过比较cTBS刺激左侧AG相比SMG和假刺激在语义任务中激活增强更显著的脑区,发现了属于语音网络的一些脑区。具体包括:AG vs.SMG,在双侧缘上回(SMG,x,y,z= -45,-40,46;T= 5.30;x,y,z = -42,-44,42;T = 5.00)和左后IFG /腹侧运动前皮层(pIFG:x,y,z= -54,5,19;T= 5.28;图2B)中发现任务相关的神经活动增强, AG vs. sham也发现了相似结果(图2-附图1B,表1)。这种激活增强可能有助于恢复大脑的任务处理能力。图3A中总结了cTBS刺激AG对语义任务的特异性影响。值得注意的是,刺激AG后AG区域任务相关神经活动的抑制相对于假刺激预测了SMG区域语义活动的单独增强(回归,归一化为假刺激,R2 = 0.37,ß= -0.61,t = 2.79,p = 0.016,双尾;图3B)。弥散张量成像数据的约束概率纤维跟踪进一步揭示了刺激AG对语义网络的强烈远程抑制作用可能是由远距离皮层-皮层的纤维连接介导的。具体来说,AG和aIFG通过由中部纵束和最外囊构成的腹侧纤维连接(Saur et al., 2008),也被称为下额枕束(Duffau et al., 2005)(图3C)。

图2. cTBS刺激对语义任务的影响

图2-附图1. cTBS刺激对语义任务的影响

图3. 语义网络效应分析

cTBS刺激SMG抑制与语音任务相关神经活动

研究发现刺激SMG对语音网络有显着抑制作用(图4,图4-附图1)。具体来说,当与刺激AG或假刺激相比,刺激SMG抑制了双侧SMG /顶叶上回,双侧额叶岛盖/ pIFG和右侧辅助运动区的任务特异性神经活动(表1)。即使降低阈值,也没有发现与刺激AG或假刺激相比,刺激SMG的语音处理过程中有任何任务相关神经活动增强。在语音决策过程中,刺激AG与假刺激之间的任务相关活动没有显着差异。

图4. cTBS刺激对语音任务的影响

图4-附图1. cTBS刺激对语音任务期间任务相关的神经活动的抑制

cTBS刺激AG在语义任务期间增强了AG对aIFG的抑制作用

动态因果建模(DCM)进一步分析刺激AG的抑制作用如何改变语义网络的计算。 DCM基于从第二步fMRI分析获得的主要峰值点(即左侧AG,aIFG和SMG)。共测试了63个模型(图5-附图1),使用随机效应的贝叶斯模型最终确定了驱动输入来自SMG并且AG对aIFG有抑制作用的连接调制模型作为获胜模型。图5A显示了平均参数估计与零显着差异的获胜模型(表2),这些参数包括AG到SMG的固有连接(不管cTBS位点,平均值:0.03,T = 3.27; p <0.006)以及由刺激AG对AG与aIFG连接的调制(平均值:-0.19,T = 3.67 p <0.003)。没有通过Bonferroni-Holm校正的其他参数有:SMG的驱动输入(平均值:0.01,T = 2.24,p <0.046),和AG与aIFG的固有连接(平均值:0.03,T= 2.21,p <0.049 )。所选获胜模式的超出概率为79%,所有其他模型的超出概率<10%。不同驱动输入的家庭比较识别出AG与aIFG的抑制连接作为获胜家庭,超过概率为76%。获奖模型表明,在语义任务期间AG与aIFG之间的固有连接强度较弱,是由于刺激AG带来的强烈抑制作用。相比之下,刺激SMG的cTBS没有显着影响AG与aIFG的连接强度(p= 0.23)。对 AG vs. SMG的参数估计值的直接比较结果表明,刺激AG比刺激SMG更影响AG与aIFG之间的连接强度(t14= 2.92,p <0.026,配对t检验)。重要的是,刺激AG对AG与aIFG之间的连接强度的抑制性驱动的个体增加量预测了平均语义任务响应速度的个体延迟量(回归,R2 = 0.62,ß= -0.79,t = 4.39,p = 0.001,双尾;图5B)。这些结果表明,强烈的远程抑制效应与行为相关。

为了去除基线时(即假刺激)个体语义任务响应速度的变化,计算另一个回归分析:以cTBS刺激引起的AG与aIFG连接强度的个体变化作为自变量,以 AG vs. sham 的语义任务响应速度的比值(即基线校正)作为因变量。基线修正后,结果仍然显着(R2 = 0.48;ß= -0.69; t = 3.79,p = 0.006;双尾;图5-附图2)。

图5. 语义网络的有效连接

图5-附图1. 不同DCM模型的展示

图5-附图2. 回归分析

当语义网络受到刺激需要SMG的补偿

刺激AG后个体SMG区域神经活动的激活增强值与平均语义任务响应速度的延迟时间之间存在显着相关(用假刺激的对应值做归一化,r = 0.54,p = 0.036,双尾;图5C)。这说明被试语义任务响应延迟越久则其SMG区域神经活动的激活有更强的增加。可以推测,这种上调可能部分地补偿了cTBS刺激引起的扰动,以确保大脑可以执行语义任务。

额顶网络的处理语义和语音任务的分区

为了研究基线额顶网络在语义和语音处理中的作用,将每个任务与假cTBS后的休眠对比(表3,图2-附图2 )。值得注意的是,语义任务中(双边)AG和aIFG与任务相关的神经活动均有增强,而语音任务中(双边)SMG和左pIFG与任务相关的神经活动有增强(图2-附图2A,B)。两个任务的直接比较确认了AG和aIFG(和其他脑区)作为语义处理区域(图2-附图2C),SMG和左pIFG作为语音处理区域(图2-附图2D)。这与前人对语音语义处理的fMRI研究结果一致(Devlin et al., 2003; Price etal., 1997; Vigneau et al., 2006)。

图2-附图2. 假刺激后(基线)的任务相关的神经活动差异

Discussion

本文的研究结果揭示了健康人脑中与各种认知过程高度相关的脑区间连接的动态调节。这对于了解左半球中风之后的语言恢复具有潜在的相关性,表明某个关键区域发生病变后相邻网络可能具有补偿部分任务处理的能力。本文的研究结果有助于解剖扰动效应的神经机制,从本文的研究发现cTBS刺激不仅会影响受刺激区域的神经活动,而且还会影响其他脑区的神经活动。虽然观察到的效应是短暂的,但它们足以影响任务相关的神经活动,功能连接状态以及行为,这可以通过个体连接强度和响应速度延迟之间的显著相关性来证明。本文的研究证明了用TMS结合fMRI数据的有效连接强度分析来映射局部扰动导致的的神经活动的价值,并且进一步指导了卒中失语症语言重组模型的构建方式。

注:表1-3点击链接阅读:https://elifesciences.org/articles/25964/figures

参考文献:Hartwigsen G, Bzdok D, Klein M, et al. Rapidshort-term reorganization in the language network[J]. eLife, 2017, 6: e25964.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-07-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏Vamei实验室

数据可视化的秘密

研究数据的方法有很多,比如利用统计方法,计算数据的平均值和标准差;再比如使用模型,拟合数据。数据通常是大量的,人脑难以直接把握其中的信息。研究数据的最终目的是减...

1867
来自专栏应兆康的专栏

送给刚踏入数模路上的萌新们

送给刚踏入数模路上的萌新们 这里不会引用任何官方术语,均为我个人的理解,所以小伙伴们放心阅读 前面如果觉得很枯燥,可以调到后面,后面会提供干货 顺便打个广告,嘿...

43210
来自专栏量子位

论文自动转代码!IBM印度大三实习生搞了个神奇研究(已中AAAI)

李林 岳排槐 发自 凹非寺 量子位 出品 | 公众号 QbitAI 深度学习的论文越来越多了~ 多到什么程度?Google scholar的数据显示,2016年...

3478
来自专栏CSDN技术头条

WSDM 2017精选论文解读

人工智能和机器学习领域的学术论文汗牛充栋。每年的各大顶级会议、研讨班录用好几千篇论文,即便是亲临现场也很难追踪到所有的前沿信息。在时间精力有限的情况下,选择精读...

2846
来自专栏专知

张翼英:一点论文写作心得

【导读】论文是硕士博士必修之关。我们转载一篇来自张翼英老师的论文心得文章! 本文来自张翼英科学网博客。 链接地址:http://blog.sciencenet....

3827
来自专栏量子位

超火的漫画线稿上色AI出新版了!无监督训练,效果更美好 | 代码+Demo

夏乙 安妮 编译整理 量子位 出品 | 公众号 QbitAI 给喜欢的动漫形象建个了收藏夹,里面收集她的各种图片……懂,谁没几个喜欢的动漫萌妹呢。 一些手绘线稿...

3603
来自专栏机器之心

解读 | 起底语音对抗样本:语音助手危险了吗?

3416
来自专栏大数据文摘

揭穿机器学习“皇帝的新装”

我们常把机器学习描述为一种使用数据模式标记事物的神奇技术。听起来艰涩,但事实上,拨开层层概念,机器学习的核心简单到令人尴尬。

1154
来自专栏新智元

AI当“暖男”:给裸照自动穿上比基尼

【新智元导读】AI可以用来鉴黄,但有时会把含裸女的古典名画过滤掉。巴西的一组研究人员在JICNN上展示了一种新方法,使用生成对抗网络,给女性裸体照“穿上”比基尼...

1162
来自专栏智能计算时代

21个经典数据科学面试题及答案(上)

本文翻译自kdnuggets网站热文 21 Must-Know Data Science Interview Questions and Answers 本篇...

3123

扫码关注云+社区

领取腾讯云代金券