编辑推荐：
为解决传统基于体素方法在研究脑损伤与广泛语言功能关系时的局限，研究人员开展用非负矩阵分解（NMF）识别卒中模式与失语严重程度关系的研究。结果发现两种 NMF “原子” 与失语严重程度相关，该研究为探索卒中后语言障碍提供新视角。
在神经科学领域，脑卒中后的失语症一直是备受关注的难题。长期以来，人们知道大脑左半球某些区域，像布洛卡区（Broca’s area）、韦尼克区（Wernicke’s area）以及弓状束（arcuate fasciculus ）受损，会引发语言功能障碍。随着磁共振成像（MRI）和先进神经影像工具的出现，研究人员可以更细致地探究这些区域与语言功能的联系。
其中，基于体素的病变 - 症状映射（VLSM）技术成为了研究的常用手段。它通过对每个体素的病变状态进行统计检验，看其是否影响行为学指标，进而确定与语言功能受损相关的特定解剖区域，为语言神经解剖学提供了有针对性的见解。例如，诸多研究利用广泛认可的西方失语症成套测验（WAB），借助 VLSM 技术发现了多个与整体失语严重程度及特定语言功能缺陷相关的脑区，像左额下回、颞上回等。不同的 WAB 子分数及相关评估的 VLSM 研究也得到了类似结果，进一步证实了 VLSM 在确定关键语言区域方面的有效性，尤其是针对特定功能领域。
然而，VLSM 并非完美无缺。在研究更广泛的语言功能时，它就暴露出了问题。语言处理涉及左半球的广泛区域，大的病变往往会导致更多的组织功能丧失，从而引起更严重的整体语言障碍，而这一影响常常掩盖了病变位置的作用。以大脑中动脉（MCA）供血区域为例，这里有许多关键的语言区域，病变体积的影响使得 VLSM 在研究与广泛语言测量指标的关系时容易出现偏差。要么把大部分左半球都判定为有意义的区域，要么在多重比较校正后几乎找不到有意义的体素。而且，基于体素的方法还受解剖结构的限制，卒中损伤常涉及多个有共同血管供应的区域，这些区域的损伤难以区分，靠近血管区域的影响也容易被高估。同时，体素分析无法捕捉区域间的相互作用，整体损伤情况并非各离散区域损伤的简单相加。
其他方法，如多元方法和机器学习算法，虽然能同时考虑全脑情况，在一定程度上解决了独立测试体素的部分问题，但也存在局限性，同样难以确定与广泛语言测量指标的体素关联。主成分分析（PCA）虽能降维提取信号，但主成分是正负加权变量的线性组合，生物学意义解释困难。
为了突破这些困境，研究人员开展了一项新的研究。此次研究由未知研究机构的研究人员进行，研究成果发表在《Cortex》杂志上。他们旨在探究非负矩阵分解（NMF，一种降维方法）应用于分割的病变数据时，能否揭示与失语严重程度相关的准确解剖学卒中模式，以及这些病变特征与语言缺陷的相关性。研究人员假设 NMF 能够识别典型的左大脑中动脉卒中模式，并且相比基于体素的测量方法，能更好地预测整体失语严重程度。
在研究方法上，研究人员将两个失语症患者队列合并进行分析，使用西方失语症成套测验修订版（WAB - R）评估患者，以失语商（AQ）衡量失语严重程度，并收集了患者的年龄、性别等人口统计学信息。在数据处理方面，运用 NMF 对 spared tissue 数据进行分析，为确定最佳组件数量（k），对 k = 1 - 20 进行 NMF 运算，同时应用奇异值分解（SVD）作为基准，并对随机数据矩阵进行 SVD 运算 。
在研究结果部分：
- NMF 原子识别：通过对不同 k 值进行 NMF 运算，确定了合适的组件数量，最终识别出 5 个 NMF “原子”，这些 “原子” 代表了整个数据集中的典型卒中模式。
- 与失语严重程度的关联：线性回归分析发现，有两个 NMF 原子与预测 AQ 相关。整个 MCA 区域 spared tissue 较少的卒中与更严重的失语症相关；而岛叶周围 spared tissue 较多的卒中，失语症则较轻。此外，还发现额顶叶上部区域 spared tissue 较高的一种模式，在此模式下，由于损伤更集中于关键语言区域，病变体积与失语严重程度的关联更强。
研究结论表明，利用 NMF 作为降维技术，成功识别出了与预测整体失语严重程度相关的常见卒中模式。大脑中动脉中央区域，尤其是岛叶周围的 spared tissue 数量，在决定卒中后整体语言能力方面起着关键作用。这一研究成果意义重大，为结合病变负担和位置信息、探索卒中后语言功能障碍的解剖学关联提供了新途径，有助于深入理解支持整体语言功能的核心神经基质，而非仅仅局限于单个组件，为卒中后的恢复治疗提供了新的理论依据和研究方向。
