SPM（统计参数映射）三十周年回顾与展望：推动认知神经科学发展的计算工具演进

本文回顾了SPM软件发展三十年的里程碑式贡献，介绍了其在多模态神经影像数据分析中的创新方法体系。研究团队系统总结了SPM在图像预处理、统计建模、脑电/磁源重建和动态因果建模等方面的技术突破，特别强调了生成模型与贝叶斯推断在神经科学中的核心价值。该研究不仅梳理了历史发展脉络，还为未来计算神经科学方法学发展指明了方向，对推动脑科学研究范式的革新具有重要意义。

　　

自20世纪90年代初以来，Statistical Parametric Mapping（SPM）软件已成为认知神经科学研究中不可或缺的分析工具。随着脑成像技术的飞速发展，研究人员面临着海量神经影像数据的处理挑战——如何从复杂的脑活动信号中提取有意义的神经科学结论？传统分析方法在多重比较校正、跨模态数据整合和因果推断等方面存在明显局限。正值SPM发布三十周年之际，由伦敦大学学院领导的国际研究团队在《Cerebral Cortex》上发表了里程碑式综述，系统回顾了该软件的发展历程、方法学创新及未来展望。

研究人员采用历史回顾与前瞻分析相结合的方法，从图像预处理、统计建模、多模态数据融合和计算框架等维度全面梳理了SPM的方法学体系。研究基于SPM开发团队三十年的技术积累，涵盖了功能磁共振成像（fMRI）、脑电图（EEG）、脑磁图（MEG）和新兴的光泵磁强计（OPM）等多种神经影像技术。

关键技术方法包括：基于微分同胚的图像配准算法（DARTEL、Shoot和MultiBrain工具箱）、随机场理论（RFT）的多重比较校正、广义线性模型（GLM）的群体分析、动态因果建模（DCM）以及针对OPM-MEG数据的干扰抑制算法（如均匀场校正HFC和自适应多极模型）。研究还采用了英国生物银行（UK Biobank）等大型队列数据进行方法验证。

预处理

SPM在图像预处理方面取得了重大突破。早期采用低频空间基函数进行图像配准，后来发展到使用微分同胚映射（diffeomorphic mapping）技术，如DARTEL算法能够生成更精确的脑结构变形场。统一分割（unified segmentation）方法将组织分类、偏场校正和空间标准化整合到单一生成模型中，为基于体素的形态测量学（VBM）研究奠定了基础。最新的MultiBrain工具箱进一步统一了先前进展，支持脊髓和其他物种的图谱生成。

GLM

SPM将广义线性模型（GLM）和随机场理论（RFT）引入神经影像主流分析。GLM框架支持从单样本t检验到重复测量方差分析等多种实验设计，同时考虑序列相关性。通过变分贝叶斯实现限制性最大似然（REML）估计，SPM能够处理更广泛的模型类别。随机场理论解决了海量体素分析中的多重比较问题，提供体素水平和集群水平的家族错误率控制。

SPM用于M/EEG

SPM将拓扑推断框架扩展到脑电和脑磁数据，将传感器数据转换为二维（时间×频率）或三维（头皮×时间，头皮×频率）数组进行统计分析。经验贝叶斯源重建框架使用规范解剖结构，解决了M/EEG逆问题的 ill-posed特性。动态因果建模（DCM）为诱发响应提供了生成模型框架，支持对神经质量模型的贝叶斯比较。

动态因果模型

动态因果建模（DCM）代表了SPM在有效连接性分析方面的重大创新。DCM结合状态空间模型和变分贝叶斯推断，能够评估不同神经动力学模型对数据的解释程度。通过变分拉普拉斯（Variational Laplace）近似，DCM为广泛模型类别提供可重复的模型证据计算。随机效应贝叶斯模型选择（RFX BMS）和参数经验贝叶斯（PEB）框架支持群体水平的模型比较和参数估计。

行为建模

SPM还将生成模型应用于行为建模，发展出主动推断（Active Inference）理论框架。该框架基于预测编码理论，将大脑视为执行贝叶斯推断的生成模型。通过部分可观测马尔可夫决策过程（POMDP）建模，SPM能够模拟决策制定和规划过程，为理解大脑如何解释感官数据提供了计算框架。

开放科学

SPM始终坚持开放科学原则，早在开放科学成为流行术语之前就提供免费开源软件。通过GitHub开发平台、全面的文档和教程以及国际培训课程，SPM建立了活跃的开发者社区。未来发展方向包括与脑成像数据结构（BIDS）标准更深入集成、容器化技术应用以及向Python环境的扩展。

研究结论强调，SPM的发展反映了认知神经科学三十年来的概念演进，始终致力于将显著的科技进步操作化、形式化和民主化。通过坚持生成建模和假设检验的核心理念，SPM在功能分离和功能整合两个关键原则指导下不断发展。从早期的质量单变量程序到多变量分析，再到动态因果建模，SPM成功地搭建了系统神经科学、功能基因组学、细胞生物学和社会神经科学之间的桥梁。

讨论部分指出，SPM的未来发展将继续致力于开发适当类型的生成模型及其反演方案，使研究人员能够回答关于大脑功能和结构的复杂问题。随着神经影像技术向更高空间和时间分辨率发展，以及计算能力的持续提升，SPM将继续在脑科学发现中发挥核心作用。该研究不仅总结了历史成就，更重要的是为下一代神经影像分析方法的发展指明了方向，特别是在多变量分析、跨模态数据融合和可解释人工智能等领域。