跨诊断连接组数据集：开放共享的神经影像与行为学资源助力精神疾病脑功能特征研究

为解决精神疾病诊断边界模糊和脑功能特征研究数据匮乏的问题，耶鲁大学和麦克莱恩医院团队开展了"跨诊断连接组计划(TCP)"，收集了241名精神疾病患者和健康对照者的高分辨率MRI数据及50余项心理评估。该数据集通过HCP标准化处理流程，提供了分析就绪的静息态和任务态fMRI衍生数据，为揭示跨诊断症状的神经基础提供了重要资源，研究成果发表于《Scientific Data》。

　　

精神疾病研究长期面临诊断标准重叠与生物标记物缺乏的困境。传统研究多聚焦单一疾病类别，而临床实践中常见症状跨诊断分布的现象。更棘手的是，现有大型神经影像数据库如UK Biobank主要收录健康人群数据，难以捕捉精神疾病特有的脑功能异常模式。在此背景下，由耶鲁大学和麦克莱恩医院领衔的国际团队启动了"跨诊断连接组计划(TCP)"，旨在建立覆盖多种精神疾病的开放数据集，为探索症状维度与脑网络异常的关联提供新资源。

研究团队采用多中心协作模式，在2019-2023年间收集了241名18-65岁参与者数据，包括148名符合DSM-5诊断标准的患者和93名健康对照。所有参与者完成结构化临床访谈(SCID-V-RV)、50余项心理量表和认知测试，并接受3T Prisma扫描仪的多模态MRI采集，包含高分辨率T₁/T₂加权像、4次静息态fMRI(共26分钟)、2次Stroop任务fMRI(13.6分钟)和1次情感面孔任务fMRI(6.6分钟)。数据通过HCP 4.7.0流程进行标准化预处理，包括FSL和FreeSurfer的联合分析、ICA-FIX去噪及MSMAll表面配准，最终生成434个脑区的功能连接矩阵。

在"Functional connectivity quality control and benchmarking"部分，研究证实去噪流程显著降低头动对功能连接的影响。原始数据中35-56%的连接与帧位移(FD)相关，经ICA-FIX处理后降至1-19%，加入全局信号回归(GSR)后进一步改善。距离依赖性分析显示，去噪有效消除了短程连接的虚假增强现象。

"Functional network structure"章节验证了数据集的可靠性。通过17网络皮层分区和3网络皮层下方案，研究者观察到经典的网络内高连接模式。Mantel检验显示不同认知状态间连接模式高度相似(r>0.7)，其中Stroop任务引发前额叶-顶叶网络更强激活，情感面孔任务特异性激活杏仁核，与既往研究一致。

"Benchmarking functional network properties"采用图论分析揭示网络特性：静息态中背侧注意网络和默认模式网络呈现高聚类系数，任务态下认知控制网络的中介中心性增强。这些模式在患者组中呈现特异性改变，为后续跨诊断比较奠定基础。

"Inter-scale correlations"部分通过主成分分析(PCA)提取行为维度：第一主成分(21%方差)代表整体功能水平，与抑郁、焦虑症状负相关；第二主成分(9%)反映内化症状，与童年创伤和自杀风险相关；第三(8%)和第四主成分(6%)分别对应外化行为和认知功能。

研究结论指出，TCP是首个整合多诊断类别、深度行为表型和标准化神经影像的开放数据集。其创新性体现在：(1)采用HCP兼容的采集处理流程，支持跨研究数据融合；(2)包含Stroop和情感面孔双任务范式，可同步评估认知控制和情绪加工；(3)提供原始和处理后数据，满足不同分析需求。该资源将加速精神疾病生物标记物的发现，推动基于症状维度的新型分类框架建立。正如通讯作者Avram J. Holmes强调，这种"跨诊断视角"对理解精神疾病的神经基础至关重要，有望突破现有诊断系统的局限性。