基于静息态fMRI独立成分优化排序提升术前语言功能区定位的新算法

来自某研究团队的研究人员为提升术前语言功能区定位的可靠性，开发了一种静息态功能磁共振成像（fMRI）独立成分分析（ICA）的自动排序算法。该研究通过结合空间相似性、频段比率及Bootstrap可靠性验证，在74%的案例中成功将语言网络成分排序至前三，Dice系数显示其与任务态fMRI结果具有良好重叠，为临床提供了一种无需患者主动配合的精准术前规划新方案。

　　

在针对难治性癫痫或脑肿瘤患者的术前规划中，传统方法常依赖任务态功能磁共振成像（task-based fMRI），但这类技术需要患者配合完成复杂认知任务。相比之下，静息态功能磁共振成像（resting-state fMRI）操作更简便，无需患者主动参与，然而其分析方法尚未达到临床实用的稳健性。

为此，研究者提出了一种创新算法，用于对静息态fMRI经独立成分分析（ICA）提取的网络成分进行优化排序，特别聚焦于语言静息态网络（language resting-state network）。研究招募了20名健康志愿者，分别采集了静息态和三种语言任务下的任务态fMRI数据。任务态数据通过广义线性模型（general linear model, GLM）进行分析，而静息态网络则借助ICA进行提取。

团队开发了一套自动化独立成分（IC）排序流程，依据三大特征：与概率图谱的空间相似性、高低频信号比率、以及多次Bootstrap重采样下的IC可靠性。在个体水平上，研究者识别出了与语言网络一致的任务激活模式。

结果表明，该算法能够有效排序IC成分，其中静息态语言网络图在74%的案例中成功位列前三。Dice系数分析显示，排序后的相关IC与任务态语言激活图之间存在良好重叠。整体上，静息态网络表现出较任务态图谱更高的特异性，但灵敏度较低。

这项研究为静息态fMRI在临床中的应用提供了重要支持，所提出的优化排序算法有望成为术前语言功能区定位的可靠替代方案，推动ICA在临床实践中的落地。