综述：超越纤维追踪的脑连接图谱：扩散磁共振形态计量学与功能网络整合

本综述系统探讨了超越传统纤维追踪的脑连接研究新范式，重点介绍了扩散磁共振形态计量学（dMRI morphometry）对白质通路的量化分析，以及结构与功能连接（DTI与FCT）的整合方法。这些技术通过人工智能辅助分析，为神经发育疾病（如自闭症、ADHD）和神经系统疾病（如多发性硬化）提供了新的生物标志物，显著推进了对脑网络结构和功能耦合（structure-function coupling）机制的理解。

　　

引言

人脑作为自然界最复杂的网络系统，其连接模式构成了认知、行为和意识的基础。传统脑连接研究主要依赖纤维追踪技术（tractography），通过扩散磁共振成像（dMRI）重建白质纤维通路并估算区域间连接强度。然而，新兴方法正推动我们对脑网络的理解超越这一局限。本文源自TractAnat retreat的"Did-You-Know"研讨会系列，聚焦于扩散磁共振形态计量学和结构-功能整合两大前沿方向。

dMRI形态计量学：原理与应用

技术基础

扩散磁共振形态计量学代表了方法学的范式转变。与传统纤维追踪不同，该方法通过统计比较群体 normative data 来量化白质通路体积和几何特征，而非重建单个通路。早期方法如基于骨架的 Tract-Based Spatial Statistics（TBSS）在共同白质骨架上评估扩散指标，而束特异性体积分析则量化预定义纤维束的空间范围。

近年来发展的扩散张量形态计量学（DTBM）将扩散张量的标量和方向信息纳入配准过程。通过张量驱动的非线性配准，DTBM生成描述个体解剖结构与模板对齐的变形场，其雅可比行列式用于分析白质区域的局部膨胀或收缩。这种方法能够表征白质通路的几何形态和局部体积特性，实现个体和群体间的比较。

临床应用与影响

在莫比乌斯综合征（Moebius syndrome）的案例中（图1），dMRI形态计量学展示了其跨神经发育和神经系统疾病的广泛应用价值。

自闭症谱系障碍研究中，形态计量分析揭示了语言和社会认知网络中一致的白质结构改变模式。注意缺陷多动障碍（ADHD）研究发现了连接前额叶和纹状体区域的白质通路体积特异性减少，这些变化与症状严重程度相关。在多发性硬化等白质疾病中，形态计量指标可在常规MRI显示异常前检测到病灶负荷和正常表现白质的细微变化。衰老研究中，纵向形态计量研究表征了白质退化模式和速率，有助于区分健康衰老与阿尔茨海默病等病理过程。

超越结构约束的功能连接

方法学原理

功能连接分析通过功能磁共振成像（fMRI）血氧水平依赖（BOLD）信号检测脑区活动模式的时间相关性，其基本原理是计算不同脑区活动时间序列的统计依赖性，不受直接解剖连接的限制。分析方法包括种子点连接（研究预设区域与全脑的相关性）、独立成分分析（识别具有相干时间动态的空间分布网络）以及图论方法（表征网络拓扑属性）。

静息态功能连接揭示了即使在没有特定任务时也保持一致活动模式的内在脑网络，包括默认模式网络、显著性网络和执行控制网络。这些网络在个体间表现出显著一致性，同时显示出与认知能力、人格特质和临床状况相关的有意义变异。

结构-功能关系

结构连接与功能连接之间的关系是脑图谱研究的重要领域。功能连接模式往往远远超出纤维追踪识别的直接解剖连接限制，表明白脑通过多突触通路和间接网络效应实现动态组织和适应的能力。

定量研究表明，结构连接与功能连接矩阵仅显示中等相关性（0.3-0.6），表明功能网络在相当大程度上独立于其直接结构基础运作，依赖复杂的多步通路和网络级相互作用（图2）。

最近进展使得能够更直接评估白质内部的结构-功能耦合。功能相关张量（FCT）分析等新方法提供了功能信号如何与白质通路对齐的新视角。将FCT与局部纤维取向的扩散张量测量相结合，发现结构-功能耦合在不同脑区存在显著差异，并在神经精神和神经疾病中可能被破坏。例如，精神分裂症研究表明白质区域内广泛的结构-功能耦合降低，尤其影响皮质脊髓束和上纵束，这些变化与临床症状和疾病持续时间相关。

整合与临床意义

多模态方法

这些互补方法的整合为基础神经科学和临床研究创造了新的机遇。通过结合扩散模型衍生的结构连接和功能连接（如FCT），研究人员可以开发更全面的脑组织模型。这种多模态方法提供了对结构改变如何与功能重组相关的见解，特别是在脑损伤后可塑性或神经发育状况的研究中。

最近研究表明，具有相似结构连接特征的个体可能表现出显著不同的功能连接模式，表明功能网络可以通过替代路由机制补偿结构限制。这种功能组织的灵活性帮助解释了个体为何能够在 aging、损伤或疾病引起的脑结构变化情况下维持认知功能。

临床转化

这些先进连接方法的临床意义尤为重要。在神经发育障碍中，量化并比较白质通路体积与规范数据的能力有助于识别导致认知或行为症状的细微结构差异。功能连接分析可以揭示单独结构成像无法发现的异常网络模式。

理解功能网络如何超越结构约束运作，为促进脑损伤后神经可塑性和功能恢复的治疗策略提供了信息。例如，当主要结构连接受损时，康复方案可以设计为加强替代功能通路。最近工作还表明，结构-功能耦合测量可以作为精神疾病的敏感生物标志物，具有追踪治疗反应和疾病进展的潜力。这代表了从检查孤立结构和功能特性的传统方法向前迈出的重要一步，提供了对脑网络如何支持认知和行为的更全面理解。

未来方向与技术整合

人工智能和机器学习技术与这些先进连接方法的整合代表了具有多重应用的发展领域。深度学习算法可以识别多模态连接数据中传统统计方法可能遗漏的复杂非线性模式。具体而言，卷积神经网络已应用于自动从形态计量数据中分割白质通路，而循环神经网络可以模拟功能连接模式的时间动态。

机器学习方法使得能够开发结合结构和功能连接特征的预测模型，用于分类临床状况、预测治疗结果或识别神经系统疾病风险个体。图神经网络是分析脑连接数据的新兴方法，因其可以自然融入脑连接的网络结构，同时学习局部和全局网络属性之间的复杂关系。

结论

扩散MRI形态计量学已成为量化白质微结构变化的 promising 工具，超越传统纤维追踪，提供对脑组织的新视角。同时，扩散MRI与功能连接分析的整合——特别是DTI-based结构连接与fMRI-derived功能连接（或FCT）的耦合——正在提供关于结构和功能网络如何相互作用的额外见解。这些互补方法共同推进了我们对脑组织的理解，并提出了从神经系统疾病早期检测到个性化治疗干预的临床应用潜力。

随着技术不断进步和分析能力通过人工智能整合而扩展，这些方法可能在神经科学研究和临床实践中扮演越来越重要的角色。未来发展可能产生更复杂的工具来理解脑连接模式，最终有助于更好地治疗神经系统状况和更深入地理解人脑功能。从简单纤维追踪到全面网络分析的演变不仅代表方法学的进步，更是我们研究连接脑的方式的意义深远变革。