《The Cerebellum》：From Contrasts to Representations: Rethinking fMRI Approaches for Cortico-Cerebellar Networks
编辑推荐：
摘要：尽管经过数十年的功能磁共振成像（functional magnetic resonance, fMRI）研究，小脑与大脑之间的关系在神经影像学文献中仍未被充分理解。在本篇观点文章中，研究人员认为这一空白反映了根本性的方法学限制，而不仅仅是缺乏科学兴趣。研
摘要：尽管经过数十年的功能磁共振成像（functional magnetic resonance, fMRI）研究，小脑与大脑之间的关系在神经影像学文献中仍未被充分理解。在本篇观点文章中，研究人员认为这一空白反映了根本性的方法学限制，而不仅仅是缺乏科学兴趣。研究人员首先讨论了获取和分析fMRI数据时所面临的挑战，特别关注小脑区域。随后，研究人员批判性地评估了最常用的分析方法，包括功能连接（functional connectivity）、单变量对比（univariate contrasts）、多体素模式分析（multivariate pattern analysis, MVPA）和编码模型（encoding models），考察每种方法在识别和量化皮层-小脑网络方面的贡献及其局限性。通过语言处理的视角，研究人员简要回顾了这些方法如何被应用于刻画认知功能背后的皮层-小脑网络。最后，研究人员提出，结合生态效度高的自然刺激范式（naturalistic paradigms）的编码模型框架具有优势，有助于解决关于皮层-小脑网络功能和组织的长期争议。
引言
认知神经科学的目标是理解大脑如何支撑认知功能，通常通过将大脑结构和功能与行为相关联来实现。功能磁共振成像（fMRI）是该领域常用的一种方法，可建模大脑反应与刺激或行为之间的关系。尽管过去几十年fMRI论文数量呈指数级增长，但小脑这一脑结构常被忽视。尤其值得注意的是，小脑虽仅占全脑体积约10%，却包含约80%的神经元。此外，小脑与多种临床障碍和认知领域相关，因此其在神经影像分析中被系统性排除成为理解全脑功能的重大障碍。虽然小脑历史上与协调和运动控制相关，但解剖学、功能神经影像学和神经心理学研究均指出该结构参与高级认知功能，包括工作记忆、社会认知和语言。对患有小脑疾病的个体进行的临床评估也揭示了与小脑损伤相关的高级认知缺陷。
近年来神经影像学的方法学进展使研究人员能够研究小脑与大脑之间的功能和解剖连接。已有研究表明，尽管小脑与大脑的连接存在拓扑组织，但与大脑内部连接相比，个体间差异更大。此外，功能连接分析显示小脑与所有已知皮层网络相连，并偏向于参与高级认知控制的网络，如额顶网络。这促使研究者探究这种连接性及其变异如何与认知功能相关。例如，皮层-小脑连接测量与视觉注意和工作记忆任务表现相关，这凸显了在网络分析中研究小脑的重要性。研究人员通常在fMRI分析中忽略小脑，因为它是一个难以成像的脑区，需要考虑到小脑特异的方法学因素。因此，fMRI分析方法的选取至关重要，不同的流程和建模策略各有优劣。过往研究的三个局限可能制约我们对皮层-小脑网络的理解：第一，血氧水平依赖信号的幅度变化解释不直接；第二，小脑在许多研究中被排除；第三，标准对比分析只能揭示激活发生的位置，却无法揭示皮层-小脑区域编码了什么信息。
成像小脑的方法学考量
小脑fMRI面临多重挑战。小脑常位于视野边缘，容易被排除在图像采集之外。其解剖位置和密集的血管结构导致信噪比低于大脑皮层。在fMRI中，BOLD信号作为神经元活动的代理指标，对呼吸和心率等非认知因素敏感，可能导致生理过程被误判为有意义的信号变化。一些研究者认为，小脑和脑干周围记录的BOLD信号中多达40%可由心率和呼吸解释。此外，标准空间归一化模板对小脑效果不佳，因其折叠模式紧密复杂，难以生成精确的个体层面表面，许多研究依赖群组层面图谱，这会模糊精细的空间信息。这些问题可通过多种方法应对：确保视野覆盖所有小脑小叶，使用多频带多回波序列改善信噪比，收集更多数据提升模型性能，将模型性能归一化至噪声上限以进行跨区域比较，使用有限脉冲响应模型而非典型盒状血流动力学响应函数，记录生理信息并将其回归出BOLD信号，以及使用空间无偏模板等工具进行空间归一化。
常见fMRI分析方法的优势与不足
功能连接（FC）：FC通过关联不同脑区的时间序列来识别网络，适合回答寻求识别网络的问题。静息态FC在刻画皮层-小脑拓扑方面具有基础性作用，揭示了小脑中存在大脑网络，大部分小脑区域映射到联合区，并且沿初级运动到跨模态加工的轴上存在宏观组织梯度。然而，运动、呼吸、血管和心率等因素对FC结果影响很大，FC网络可能因时间信噪比的空间变异而产生混淆。静息态FC不模拟对特定刺激的大脑反应，且网络定义需要先验种子区域或任务激活，这对小脑尤为重要，因为其功能边界并不严格遵循解剖边界。
广义线性模型（GLM）：GLM是传统任务态fMRI分析方法，适用于定位和映射。它将刺激时机和条件构建设计矩阵，拟合回归模型预测脑活动，提供各条件的体素级激活估计。GLM的局限性包括：普通最小二乘回归易过拟合，研究很少使用留出测试集验证模型泛化能力；GLM依赖于对数据分布的假设，在小脑低信噪比条件下问题更为突出；GLM的解释局限于宽泛的类别对比，不能揭示区域内编码的信息内容。一种新近应用是预测性连接模型，通过在大规模任务数据集上训练模型来刻画小脑功能，但其假设输入主要来自皮层，无法确定小脑输出是否反过来影响皮层加工，也无法提供关于激活增加所代表信息的解释。
体素级编码模型（VM）：VM提供了计算严谨且灵活的fMRI数据分析方法，解决了传统GLM分析的若干局限。VM采用正则化回归和高维特征，通常需要更大的数据集，适合研究自然刺激丰富任务中全脑表征的信息内容。VM遵循数据科学最佳实践，将数据划分为训练集和测试集进行交叉验证，减少过拟合并提供泛化测试。VM在个体层面拟合模型，每个参与者作为模型的独立复制，可量化有意义的个体差异。通过聚类VM权重可以基于功能调谐而非时间相关性识别网络，从而获得更精细的网络定义。VM的不足之处在于需要收集大量个体内数据，并要求对要预测的信息构建显式模型。
多体素模式分析（MVPA）：MVPA通过识别区分不同条件的空间活动模式，超越了单变量GLM。MVPA比GLM敏感性更高，可识别即使在平均幅度上没有差异但仍有信息量的体素。在神经网络方面，MVPA可作为二次分析用于识别网络。MVPA的局限性包括：依赖精细空间模式，分类准确率受空间分辨率影响；存在表征歧义问题，即成功分类不代表知道驱动分类的信息来源；搜索光分析中显著体素本身可能不具信息量，少量信息体素可使整个邻域显得显著，个体空间变异会导致群组层面遗漏非重叠体素簇。
