《Developmental Cognitive Neuroscience》：Unique Local Gradient-based Functional Fingerprints Enable Precisely Identifying Individual Infants Over Ages
编辑推荐：
脑功能连接（FC）表现出个体化模式，可作为识别成年个体的可靠"指纹"。然而，婴儿大脑快速而复杂的发展对在婴儿期建立个体化、发育稳健的功能指纹提出了重大挑战。本研究引入了一种新方法，捕获源自功能磁共振成像（fMRI）的FC精细局部梯度，从而能够精确表征独特的受试
脑功能连接（FC）表现出个体化模式，可作为识别成年个体的可靠"指纹"。然而，婴儿大脑快速而复杂的发展对在婴儿期建立个体化、发育稳健的功能指纹提出了重大挑战。本研究引入了一种新方法，捕获源自功能磁共振成像（fMRI）的FC精细局部梯度，从而能够精确表征独特的受试者特异性FC模式。该方法在103名婴儿的纵向扫描中实现了约99%的个体识别准确率，显著优于传统的基于连接组的指纹识别方法（约70%的准确率）。重要的是，这些基于局部梯度的功能指纹主要定位于联合网络和感觉网络内，并且与婴儿认知表现存在适度但显著的关联。综上，这些发现支持在动态的早期大脑发育过程中存在稳定的个体化功能指纹，为功能个体性的早期发展及其认知相关性提供了新的见解。
一、研究背景与科学问题
脑功能连接（FC）反映了个体大脑功能组织的独特模式，在青少年和成人中已被证实可作为可靠的"功能指纹"用于跨年龄个体识别。然而，婴儿期是大脑结构和功能发生剧烈动态变化的时期，功能网络经历着功能分离与整合的持续增强，这使得基于传统连接组（connectome）的功能指纹在婴儿期表现出显著较低的识别率和稳定性。既往研究表明，即使采用多种脑区划分方案，婴儿期跨年龄个体识别准确率仍仅约70%，远低于成人水平。
传统连接组指纹识别方法存在两个根本性局限：其一，基于预定义脑图谱（atlas）的感兴趣区（ROI）尺度分析无法捕获精细的、空间局部的功能模式，而这些模式可能更具发育稳健性和个体特异性；其二，预定义脑区划分隐含假设分区在发育过程中保持不变，这与婴儿期功能网络持续动态重塑的客观事实相矛盾。因此，亟需发展能够捕获精细功能模式的新方法，以精确刻画婴儿期的个体化功能指纹。
局部梯度（local gradient）作为刻画皮层功能组织的有力工具，能够检测连接模式的突然空间转变，界定精细尺度的功能边界，且已被证实具有跨会话高度可重复性，并反映具有生物学意义的个体化信息。基于此，研究人员首次利用局部梯度图（LGM）表征个体化功能特征，旨在回答三个核心问题：LGM能否捕获婴儿期个体化且发育稳健的功能特征从而实现跨年龄个体识别；哪些皮层区域在LGM层面表现出最高的个体化可识别性和独特性；LGM功能指纹与早期认知表现之间是否存在关联。
二、研究设计与核心发现
研究人员基于公共婴儿连接组计划（BCP）数据集，纳入132名年龄在16至874天的婴儿。指纹识别队列包含103名具有纵向扫描的受试者，构建了三个具有不同年龄分布和扫描间隔的数据集（数据集I、II、III，平均扫描间隔分别为147、191和298天）。个体识别在目标集和基准集之间进行，采用逐顶点多数投票策略，通过局部斑块的相关性计算实现身份预测。
研究结果表明，在嵌套交叉验证下，LGM-based指纹识别在数据集I、II、III上分别达到100.0%、99.1%和98.2%的准确率（S1→S2方向），反向亦获得相当性能。置换检验证实识别性能显著高于随机水平。在参数分析中，40,962个斑块配合1环邻域（r=1）的配置产生最高且最稳定的识别精度。跨相位编码方向（PED）分析显示，LGM方法在AP、PA及混合方向条件下均保持稳健性能，而可变形策略可进一步提升单方向采集条件下的识别率。与基于连接组的方法相比，LGM在全局和局部两种决策规则下均大幅超越传统方法（360 ROI和864 ROI连接组在平均组中识别率仅43.9%-76.1%，而LGM局部方法达98.1%-100%）。
在逐顶点贡献分析中，独特性（uniqueness）和差分能力（DP）高的顶点主要集中于枕叶、顶叶和后扣带回，对应中央视觉网络、后顶额网络和后默认模式网络。跨状态分析显示，LGM在21名受试者（3-6岁）的清醒与睡眠配对扫描中实现100%识别准确率，而连接组方法仅达66.7%。认知预测分析中，基于功能边界局部梯度幅值的预测与早期学习综合评分（ELC）呈显著相关（r=0.294，95% CI: [0.188, 0.423]，p<0.0001），视觉网络和背侧注意网络贡献最为突出。
三、主要技术方法
研究采用以下关键技术方法：（1）数据来源为公共UNC/UMN婴儿连接组计划（BCP）数据集，所有MRI数据在婴儿自然睡眠状态下使用3T Siemens Prisma扫描仪采集；（2）结构像和功能像均采用婴儿定制化处理流程，包括iBEAT V2.0进行组织分割和皮层表面重建，基于UNC 4D婴儿皮层表面图谱进行球形配准，最终重采样至32k fs_LR空间；（3）功能连接梯度计算：构建逐顶点RSFC矩阵，经Fisher r-to-z变换后生成二阶相关矩阵（RSFC-2nd），在此基础上计算FC梯度，采用基于分水岭的边界检测生成二值边界图，最终定义为所有边界图的均值即LGM；（4）局部级LGM指纹识别（LGM-Local）：在目标集和基准集间逐顶点计算局部斑块相关性，采用逐顶点多数投票确定预测身份；（5）嵌套交叉验证框架用于参数选择与性能评估分离，置换检验验证统计显著性。
四、研究结果
4.1 局部梯度图功能指纹识别
全脑识别分析中，LGM-based指纹识别在数据集I、II、III上分别达到100.0%、99.1%和98.2%（S1→S2方向），反向亦获得相当性能。全样本分析中识别率分别为103/103、102/103和101/103。置换检验证实性能显著高于机会水平（经验p=1/5001≈0.0002）。进一步分析表明，LGM指纹不仅保持跨纵向扫描的个体区分性，其个体内相似性还随扫描间隔和发育阶段呈现变化。
4.2 影响识别准确率的因素
斑块数和斑块尺寸分析显示，更密集的斑块采样（40,962个）普遍提高识别精度并降低对斑块尺寸的敏感性，1环邻域配置在各数据集中均表现最优。跨相位编码方向分析中，AP组识别率为96.1%、91.2%和89.3%，PA组为92.2%、96.1%和90.2%，平均组达100%、99%和98.1%。可变形策略在单方向采集条件下带来适度提升。与连接组方法比较中，LGM在全局和局部规则下均大幅超越传统方法，LGM-Global在平均组达97.1%-99.0%，而360和864 ROI连接组仅达43.9%-76.1%。
4.3 逐顶点贡献量化
独特性高的顶点主要分布于枕叶、顶叶和后扣带回，对应中央视觉、后顶额和后默认模式网络。DP值高的顶点集中于枕叶，凸显中央视觉网络作为个体识别的关键判别贡献者。网络内和网络间比例分析显示，中央视觉、后默认模式和后顶额网络在独特性与DP的前5%顶点中占比最高。
4.4 清醒与睡眠状态间识别
在21名3-6岁受试者的同日配对清醒与睡眠扫描中，LGM方法实现100%识别准确率，而864-ROI连接组方法仅达66.7%（睡眠到清醒匹配）和29.5%（清醒到睡眠匹配），揭示连接组方法在跨状态识别中的不对称模式。
4.5 认知评分预测
基于功能边界LGM幅值的预测与ELC评分呈显著相关（r=0.294，p<0.0001），控制扫描年龄后仍显著（偏r=0.290，p<0.0001）。网络贡献分析显示，正向关联边界主要位于外周视觉、中央视觉和背侧注意网络，负向关联边界集中于后默认模式网络。逐网络剔除分析证实视觉和背侧注意网络对认知预测贡献最大。
五、讨论与结论
讨论部分指出，LGM-based功能指纹在婴儿期表现出显著优于传统连接组方法的稳健性、年龄不变性和状态不变性，平均识别率超过98%（平均扫描间隔约200天），远超前人报道的围产期11%、婴儿期62%和儿童期42%的识别率。LGM之所以能捕获个体化特征，可能源于其对功能连接空间转变的敏感表征，反映功能边界精确的拓扑组织，这种组织在个体内高度可重复而个体间存在变异。网络特异性分析发现，除预期的联合网络（顶额和默认模式）外，中央视觉网络也表现出强独特性，提示LGM捕获的个体化特征分布更为广泛。认知关联分析中，视觉和背侧注意网络贡献最为突出，与既往研究认为局部梯度缺乏行为相关信息的结论不同，这可能源于本研究采用逐边界相关性评估而非全局相似性。研究局限性包括仅关注静态功能连接、仅涵盖婴儿期、仅纳入典型发育婴儿，以及计算资源需求较高。
结论部分总结认为，功能连接的局部梯度捕获了个体化的精细空间局部特征，为理解发育过程中的功能个体性提供了新视角。该研究补充了传统全局连接组方法的不足，强调了精细尺度局部转变在塑造个体功能架构中的重要性。这一局部视角在早期大脑发育阶段尤为宝贵，此时快速且异质性的发育轨迹对传统连接组方法构成挑战。通过确立局部梯度的行为相关性，该研究为个体化功能映射的发展趋势做出贡献，并支持此类局部模式在表征认知特质以及识别神经发育障碍早期偏差方面的潜在应用价值。
