基于脑图谱理论预测模型揭示日常重复性负面思维的神经网络机制及其临床应用价值

本研究创新性地运用图论预测模型（GPM），通过静息态与RNT诱发态功能磁共振，结合生态瞬时评估（EMA）技术，揭示了默认模式网络（DMN）、额顶网络（FPN）和边缘网络的关键拓扑属性（如中枢性、分离性）对日常重复性负面思维（RNT）特征（侵入性、重复性、焦虑）的差异化预测能力，为精神疾病精准干预提供新路径。

　　

Highlight

背景

重复性负面思维（RNT）作为一种以持续侵入性思维为特征的认知现象，与默认模式网络（DMN）、凸显网络（SN）、额顶网络（FPN）及边缘网络的功能连接异常密切相关。然而，这些大规模网络异常对日常RNT的预测潜力尚未被充分探索。

方法

我们基于脑图谱理论预测模型（GPM）对54名个体的日常RNT进行预测。功能磁共振数据采集于：（1）静息态；（2）RNT诱发态。RNT严重程度及其瞬时波动通过生态瞬时评估（EMA）进行量化。

结果

GPM模型识别出DMN、FPN和边缘网络的关键功能组织属性，这些属性可差异化预测RNT的严重程度、波动特征及其临床亚型（侵入性、重复性、RNT相关焦虑）。具体而言，内侧前额叶皮层（DMN）的中枢性预测了EMA评估中侵入性的波动和焦虑严重程度；相反，眶额皮层（边缘网络）的强度和中枢性预测了重复性的波动，而颞极（边缘网络）的分离性则预测了RNT整体严重程度。此外，RNT总波动可由眶额皮层（边缘网络）的强度及后中部扣带回皮层（FPN）的分离性共同预测。值得注意的是，基于日常EMA的预测效果显著优于实验室问卷评估。

结论

本研究证实了GPM模型在预测日常RNT发生中的实用性，并揭示了特定网络层级属性（如中枢性、分离性）与RNT及其临床特征的关联。

讨论

本研究通过全脑数据驱动的GPM模型，成功预测了EMA测量的日常RNT波动与严重程度。结果表明，RNT的不同临床特征（如侵入性、重复性、焦虑）可由DMN、FPN和边缘网络的功能组织特性差异化预测。特别值得注意的是，DMN中枢性对侵入性波动的预测力，以及边缘网络强度对重复性的关联，为针对特定RNT亚型的神经调控提供了靶点。此外，大脑状态（静息态vs.RNT诱发态）和个体临床状态（高/低RNT倾向）显著影响预测效果，突显了动态评估的重要性。

结论

核心脑网络（DMN、FPN、边缘网络）的组织属性可特异性预测日常RNT的严重程度与波动。最具预测力的特征包括DMN和边缘网络的分离性、强度及中枢性。值得注意的是，脑图指标与RNT的关联模式因大脑状态和参与者临床状态而异。此外，本研究强调EMA相较于单次问卷评估在捕捉RNT动态特征方面的优越性，为精神疾病的精准医学实践提供了新方向。