《NEUROSCIENCE AND BIOBEHAVIORAL REVIEWS》：Quantifying the unpredictable: Entropy as a window into resting-state brain dynamics
编辑推荐：
静息态功能磁共振成像（rs-fMRI）是应用最广泛的非侵入性脑成像方法之一。本研究系统综述了111项将熵方法应用于rs-fMRI数据的研究。研究审查了五种熵度量，其中香农熵（Shannon entropy）在77.5%的研究中被使用。研究人员比较了体素级、网络
静息态功能磁共振成像（rs-fMRI）是应用最广泛的非侵入性脑成像方法之一。本研究系统综述了111项将熵方法应用于rs-fMRI数据的研究。研究审查了五种熵度量，其中香农熵（Shannon entropy）在77.5%的研究中被使用。研究人员比较了体素级、网络级和连接级熵应用。研究发现，参数化异质性限制了跨研究的可比性和可靠性。标准化报告和零模型验证是关键的优先研究方向。熵量化了神经信号的不规则性或不可预测性，为脑网络的自适应性、效率和整合性提供了见解。该方法在认知神经科学和精神病学中尤为重要，脑活动的复杂性和变异性常与心理状态、发育阶段和神经疾病相关联。熵分析通过捕捉时间动态和空间连接两方面特征，补充了功能连接和基于相关性的映射等传统测量方法。本研究旨在全面综述各种熵度量在rs-fMRI脑信号中的应用，以确定该分析工具的可靠性和有效应用。主要目标是识别方法学趋势，评估熵度量的可靠性，并强调基于熵的分析在理解静息态脑功能方面的潜力。
论文解读文章
一、研究背景与问题
静息态功能磁共振成像（resting-state functional magnetic resonance imaging, rs-fMRI）是神经科学领域应用最广泛的非侵入性脑成像技术之一，其通过测量血氧水平依赖（blood oxygen level–dependent, BOLD）信号的变化来反映神经状态变化，研究对象处于无外部刺激、无任务执行的静息状态。既往rs-fMRI研究主要聚焦于不同脑区之间的功能连接，并发展出众多分析工具以刻画脑动态特征。
在诸多分析方法中，基于熵的分析逐渐成为量化脑功能复杂性的重要途径。脑熵指神经信号的不规则性或不可预测性，能够反映脑网络的自适应性、效率与整合程度。熵度量在健康个体和临床人群的神经功能研究中应用日益广泛，尤其在认知神经科学与精神病学领域，脑活动的复杂性和变异性常与心理状态、发育阶段及神经疾病相关联。此外，近期研究还发现脑熵不仅对认知状态敏感，还对药理学调节具有敏感性。
然而，熵分析方法在rs-fMRI研究中的应用面临若干关键问题：熵度量种类繁多，各度量在数学定义、参数设置和解释层面存在本质差异；不同研究之间参数化策略异质性显著，导致跨研究可比性受限；熵度量本身的可靠性缺乏系统评估。基于上述问题，本研究旨在系统综述熵度量在rs-fMRI中的应用现状，评估其可靠性，并明确该分析工具在理解静息态脑功能中的潜力。
二、研究设计与主要技术方法
该研究为系统方法学综述，遵循PRISMA 2020指南。文献检索基于Web of Science数据库，使用“fMRI”和“entropy”关键词，覆盖2000至2025年间的出版物，共获得1,413条记录，最终111项研究满足全部纳入标准。纳入标准包括：采用fMRI数据、应用基于熵的定量度量、采用静息态范式、包含健康人类被试、报告原始实证发现或方法学应用。排除任务态fMRI、临床人群或非人类被试研究。
数据提取涵盖熵度量类型、分析范围（区域级、网络级或连接级）、参数规范、fMRI预处理与分析背景及研究目标。偏倚风险评估采用经改编的乔安娜·布里格斯研究所（Joanna Briggs Institute, JBI）分析性横断面研究关键评估清单，纳入熵特异性报告考量，由两名评审员独立评估并通过共识解决分歧。数据综合采用结构化叙述方法，因熵定义、参数化策略和结局指标的变异性使荟萃分析不适用。
三、研究结果
3.1 熵度量在fMRI研究中的分布
综述涵盖五种主要熵度量：近似熵（approximate entropy, ApEn）、样本熵（sample entropy, SampEn）、多尺度熵（multiscale entropy, MSE）、香农熵（Shannon entropy, SE）和转移熵（transfer entropy, TE）。其中香农熵在77.5%的研究中被使用，是最常用的熵度量。各度量量化数学性质不同的属性：ApEn和SampEn反映时间规则性，MSE刻画多尺度复杂性，SE衡量分布不确定性，TE捕捉定向信息传递。这些度量不可互换，跨研究比较仅在相同度量和相同参数化条件下才有意义。
3.2 熵度量的分析范围
熵应用涵盖三个分析层级：体素级/区域级分析用于绘制局部时间不规则性图谱；网络级分析用于表征功能网络层面的复杂性特征；连接级分析用于评估脑区间的信息传递方向性。不同分析层级的选择与研究目标密切相关，区域级分析侧重于局部脑区复杂性映射，网络级分析关注整体网络整合特征，连接级分析则揭示脑区间定向交互关系。
3.3 熵度量的参数化实践
参数化实践在各研究中存在显著异质性。ApEn和SampEn的常用参数为模板长度m=2，容差r设为信号标准差的0.15至0.5倍。MSE涉及尺度因子τ的选择，不同研究采用的尺度范围差异较大。参数化异质性直接影响熵值的绝对大小和相对排序，是限制跨研究可比性和可靠性的主要因素。
3.4 偏倚风险评估
基于改编的JBI检查清单，研究层面偏倚评估覆盖被试选择、静息态方案清晰度、fMRI采集与预处理透明度、熵方法规范、统计分析、混杂控制和结局报告等领域。各领域风险评级为低、不明确或高，整体证据体的一致性、透明度和可重复性通过叙述性评估确定。
四、讨论与结论
讨论部分强调，熵度量在rs-fMRI研究中具有重要价值，能够补充传统功能连接分析，提供关于脑动态复杂性的独特视角。然而，参数化异质性严重限制了跨研究可比性，不同熵度量量化的是数学性质不同的属性，不能互换使用。研究指出，标准化报告和零模型验证是未来研究的优先方向，这对于提升熵分析的可重复性和可靠性至关重要。
研究结论指出，熵分析为理解静息态脑动态提供了有价值的窗口，但当前方法学异质性制约了其科学效用的充分发挥。建议未来研究采用标准化报告规范，明确参数选择依据，并通过零模型验证确保熵值差异的统计意义。该综述为熵方法在rs-fMRI领域的系统应用提供了方法学框架参考，有助于推动该领域向更高可重复性和可比性的方向发展。
