利用任务数据实现个体内脑网络精准绘图的创新方法及其应用价值

为解决传统脑网络研究依赖静息态数据的局限，哈佛大学团队开展了仅利用任务fMRI数据实现个体内脑网络精准绘图的研究。通过多任务范式验证，发现任务回归数据可生成与静息态高度相似的功能连接矩阵（r=0.71-0.80），成功解析默认网络DN-A/DN-B、语言网络LANG等功能特异性分区，并实现任务响应与网络估计的同步提取。该突破为脑成像研究提供了高效新范式，显著提升深部脑区（如丘脑）测绘精度，对神经精神疾病的精准诊疗具有重要价值。

　　

人脑功能网络的精准测绘一直是神经科学领域的核心挑战。传统方法严重依赖静息态功能磁共振成像（fcMRI）数据，要求受试者在扫描仪内保持被动状态，这不仅限制了数据采集效率，更使得大量已收集的任务态fMRI数据无法用于网络分析。更关键的是，许多研究需要分别采集静息态和任务态数据，既增加了时间成本和经济负担，也加重了受试者负担。虽然既往研究提示任务态数据可能包含可用于功能连接分析的信息，但学界普遍担忧任务需求会显著改变大脑相关结构，导致网络边界不稳定，无法反映可靠的生物学分区。

为突破这一局限，哈佛大学Jingnan Du领衔的研究团队在《Neuron》发表了创新性研究成果。团队系统论证了仅使用任务态fMRI数据即可实现个体内脑网络精准绘图的可行性，并开发出多种新颖应用场景。通过严谨的实验设计和多维度验证，研究证实任务回归数据能够生成与传统静息态数据高度一致的网络图谱，为重新利用海量现存任务态数据、优化未来实验设计提供了坚实理论基础。

研究采用多模态磁共振成像技术，对15名健康受试者（18-34岁，9名女性）进行8-11次扫描会话，累计获取16-24次静息态扫描和48-70次任务态扫描。关键实验技术包括：1）多任务范式fMRI（运动任务MOT、情景投射EPRJ、视觉oddball、n-back工作记忆等）；2）功能连接矩阵分析与相似性量化；3）多会话分层贝叶斯模型（MS-HBM）个体化网络分区；4）种子点相关分析与空间对应验证；5）独立任务数据的构建效度检验；6）丘脑关联分区的高精度测绘。数据处理采用iProc管道，表面配准使用FreeSurfer fsaverage6空间，功能连接计算保留原始空间细节。

功能连接矩阵在任务数据与静息态数据间高度相似

研究人员首先比较了任务回归数据（MOT和EPRJ）与传统静息态注视（FIX）数据衍生的区域间相关矩阵。发现不同采集条件得到的矩阵相似性（r=0.66-0.75）几乎接近于同种采集条件内部的重复性测量（r=0.79-0.81）。个体内不同任务状态矩阵的相似性（均值r=0.71）显著高于个体间相似性（均值r=0.32），表明功能连接矩阵主要受稳定个体特征主导，任务状态影响相对较小。数据量是影响相似性的关键因素，单次运行（6分50秒）数据相似性为~0.49，而4次运行（27分20秒）提升至~0.73。

使用任务回归数据可稳健估计个体内网络

通过15网络MS-HBM模型估计，仅使用任务回归数据即可获得与静息态数据高度一致的个体化网络分区。定性比较显示，无论是广泛分布模式还是个体特有的局部细节，两种数据源得到的网络估计几乎完全相同。定量分析表明，在整个皮质表面，79.9%的顶点被分配到相同网络，各特定网络重叠比例在77.1%-87.5%之间，与理想条件下密集静息态数据获取的重叠比例（77.3%-91.0%）相当。

模型无关的种子点相关分析证实网络估计

为消除模型假设可能带来的偏差，研究人员采用模型无关的种子点相关分析方法。将种子点置于静息态数据定义的网络边界内，发现任务回归数据产生的相关模式与独立估计的网络边界高度一致。这种空间对应关系在多个脑区（后中线、后顶叶皮质、背外侧前额叶）和多种分析变体（不同种子点位置、全脑区种子、多分布式种子点）中均得到验证，且相关模式与MS-HBM模型使用的组先验边界匹配较差，进一步表明任务数据能够捕获个体特有特征。

仅从任务回归数据得到的网络估计预测功能特异性

通过严格匹配数据量，研究发现从任务回归数据得到的网络估计能够预测独立任务数据中的功能分离。在已知的三重功能分离中，DN-A网络对情景投射任务（EPRJ）显示最强反应，DN-B网络对心理理论任务（ToM）反应最强，语言网络（LANG）对句子处理任务（SENT）反应最强。无论是使用静息态还是任务数据定义网络，这种三重分离模式均高度显著（p<0.001），且所有两两比较均显著。在解剖变异最大的区域（外侧前额叶、内侧前额叶、颞叶联合区），使用个体化网络定位使功能响应提升了20.3%-276.3%。

整合任务回归与静息态数据可稳定功能连接矩阵

研究表明，将任务回归数据与静息态数据整合可显著提高功能连接矩阵的稳定性。单次静息态运行相似性为0.52，单次任务运行相似性为0.53，而将两者合并后相似性显著提升至0.68（p<0.001）。这种增益为通过数据整合提高统计功效提供了新机会，特别是在测绘小型深部脑结构时。

pooled数据揭示与不同皮质关联网络相连的并列丘脑分区

通过整合大量静息态和任务数据（总数据量296-475分钟），研究成功绘制了个体内丘脑关联区的精细组织。发现五个高级关联网络（FPN-A、FPN-B、LANG、DN-B、DN-A）在大多数个体中均有分离表征，且这些分区在独立发现和复制数据集中均可靠。丘脑分区大致重现了其皮质组织的一般拓扑结构：FPN-A和FPN-B对应的分区在前部相邻，接着是LANG、DN-B和DN-A网络的相关分区。与语言网络相连的丘脑分区优先呈现左侧化特征，与其皮质表征一致。

任务数据可同时用于估计网络组织和提取任务响应

研究发现同一任务数据可发挥双重作用：任务回归部分用于估计个体内网络拓扑，而标准一般线性模型（GLM）输出则用于从已定位网络中提取任务响应。在oddball任务中，CG-OP和SAL/PMN网络显示强烈激活，而DN-A和DN-B网络显示任务诱导失活。从静息态数据定义网络提取的功能响应水平与从任务回归数据定义网络提取的水平高度相关（r=0.94-0.97），且变异性未出现衰减或偏差。作为概念验证，研究人员在单次MRI会话（约1小时）中仅使用n-back任务数据同时获得了精度网络估计和任务响应提取，在FPN-A网络中观察到强烈优先反应。

研究结论表明，仅使用任务数据即可实现个体内脑网络精准测绘，且这些网络估计与传统静息态数据得到的估计高度一致。这种一致性不仅体现在宏观网络模式上，还扩展到个体特有的精细空间细节和功能特异性预测。讨论部分强调，这一发现为神经影像研究带来了范式转变：首先，大量现存任务态数据集可重新用于网络分析；其次，在既有静息态和任务数据的研究中，可通过数据整合提高统计功效；最重要的是，未来研究可考虑仅采集任务数据，同步实现网络估计和任务响应量化，大幅提升研究效率。

该方法对神经科学和临床研究具有深远意义。通过允许使用任务数据估计网络，大大提高了现有数据的利用率，特别是大型数据库如Human Connectome Project和UK Biobank中的大量任务态数据。同时，这种方法为研究设计提供了新思路，特别是在临床环境中，缩短扫描时间可显著降低患者负担和提高依从性。对丘脑等深部结构的成功测绘证明，该方法能够推动对大脑皮层下结构功能组织的理解，为神经精神疾病的机制研究和治疗靶点开发提供新视角。

需要注意的是，虽然研究证实任务数据可用于提取稳定的网络结构，但并未完全解决状态依赖成分的来源和意义问题。即使经过任务范式结构回归，任务间差异仍然存在，这些差异可能为了解网络如何互动支持瞬时任务需求提供重要线索。未来研究需要更全面探索状态或任务特定因素如何影响网络相关性，可能涉及图论度量以及旨在最大化认知状态转变的任务设计。