基于全流线多尺度几何深度表征的白质分区分析（DPA）及其在人类语言相关认知特质预测中的应用

《Neuroinformatics》：DPA: Deep Parcellation Analysis for Human Trait Prediction

　　

绘制白质组织个体差异图谱是人脑图谱的核心目标。基于图谱的结构连接组分析应用广泛，但对解剖假设敏感，可能遗漏细粒度连接模式。数据驱动纤维聚类可缓解部分局限，但通常依赖流线端点，忽略全轨迹上的丰富几何信息。本文，研究人员介绍深度分区分析（Deep Parcellation Analysis, DPA），一种用于白质分区和特质关联的几何感知框架。DPA沿整个纤维流线采样多尺度几何特征，并用多尺度纤维自编码器（Multiscale Fiber AutoEncoder, MFAE）编码以产生紧凑潜表征。这些表征使聚类能够保留内在纤维几何，独立于解剖图谱，支持与个体差异相关连接模式的可解释映射。应用于人类连接体项目青年成人（Human Connectome Project Young Adult, HCP-YA）队列的扩散磁共振成像数据，DPA捕捉语言相关认知特质背后的白质基质。相对于基于图谱和主成分分区方法，它达到可比或更优预测性能，同时揭示生物学上合理的纤维通路。关键地，DPA识别基于端点方法遗漏的特质相关连接，强调全流线几何的重要性。总体，DPA证明深度、几何信息引导的分区为连接白质组织与行为提供强大、可解释的方法，推进人脑图谱中的结构–功能研究。

研究背景：人脑图谱的核心目标之一是刻画脑结构与连接中的个体差异如何对应认知能力、行为特质和临床表型差异，并保持生物学可解释性和跨人群可重复性。扩散磁共振成像（diffusion magnetic resonance imaging, dMRI；利用水分子扩散方向推断白质纤维走向的成像方法）和大规模队列促进了这一目标。将脑组织与人类特质关联的常见范式包括两步：先从神经影像导出结构或连接表征，再以统计或机器学习模型关联行为或认知指标。脑分区（parcellation；将脑组织划分为空间单元的过程）并非中性预处理，而会影响连接组、统计敏感性和神经生物学结论。基于图谱的解剖分区分析（atlas-based anatomical parcellation analysis, APA）仍是最常用策略，其依据预定义感兴趣区（ROI）汇总纤维束成像（tractography；由dMRI重建三维纤维轨迹的技术）流线以估计区际连接。APA便于跨研究比较，但连接估计和下游结构–特质关联对图谱选择、ROI粒度及解剖假设高度敏感，且可能遮蔽细粒度白质组织和个体差异。数据驱动纤维聚类可直接从纤维束成像导出白质分区，较尊重白质通路内在几何，并显示较好分割一致性和重测信度。Liu等提出的主成分分区分析（principal parcellation analysis, PPA）进一步以纤维聚类定义数据驱动分区，优化个体差异解释并关联结构连接与人类特质。然而，PPA主要依赖流线端点坐标进行聚类和构建分区表征；端点只捕获皮层终止的粗略信息，忽略整条纤维轨迹上的曲率和扭转、空间范围、轨迹形状等几何与拓扑信息。基于端点的分区可能混淆皮层端点相似但轨迹不同的纤维，限制对分布式通路和整合回路的敏感性。为此，研究人员提出DPA，将全流线几何与深度表征学习结合，用于生物学启发的白质分区和特质关联分析。

研究概述与意义：研究人员提出DPA，沿整个纤维轨迹采样多尺度几何特征，捕获局部形状和全局通路结构；设计基于神经网络的MFAE学习紧凑潜表征以用于聚类和下游分析，并保持完全数据驱动、独立于预定义解剖图谱。研究使用HCP-YA队列的dMRI和语言相关认知特质，显示DPA可捕捉特质相关白质基质，相对基于图谱和主成分分区方法达到可比或更优预测性能，并揭示生物学上合理的纤维通路；关键地，DPA识别基于端点方法遗漏的特质相关连接，强调全流线几何的重要性。其意义在于提供深度、几何感知的分区策略，提升连接组人脑图谱的可解释性和稳健性，推进结构–功能研究。

关键技术方法（≤250字）：研究使用HCP-YA队列1065名受试者的dMRI与PicVocab、ReadEng特质。dMRI经DSI Studio以广义q采样成像（generalized q-sampling imaging, GQI；无模型扩散重建方法）重建为2 mm各向同性FIB，并行确定性全脑纤维束成像：每受试者5000次种子、步长2 mm、角度阈值45°–90°、各向异性停止阈值0.5–0.7倍Otsu阈值、流线长度30–200 mm。DPA将流线重采样为30点，提取逐点坐标、曲率、扭转及纤维中心、Frobenius范数、弧长，MFAE编码为潜表征；对全队列流线K-means聚类为K束，个体表示为各束纤维比例组成向量；以最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO；带L₁惩罚的稀疏回归）关联特质，λ经内层5折交叉验证选择，候选K为50、100、150、200、250。

研究结果：
预测性能（Prediction Performance）：研究人员以5折交叉验证的均方误差（MSE）和决定系数R²比较DPA、仅局部特征变体DPA-Local、仅全局描述符变体DPA-Global、PPA、APA-Lasso、基于图谱的对称双线性回归APA-SBL及仅用样本均值的null模型，并进行30次重复五折交叉验证。PicVocab中DPA平均MSE为216.54、PPA为219.48，平均配对MSE差为2.94±2.51，30次中27次DPA更优；ReadEng平均MSE为209.20对209.85，差为0.64±2.30，30次中17次DPA更优；相对APA-Lasso，两特质30次均DPA更优，PicVocab差13.07±2.12，ReadEng差8.25±2.04。原始比较中ReadEng在K=50、100、150、200、250均DPA优于PPA；DPA-Local和DPA-Global优于图谱表征和PPA但不及完整DPA，提示局部几何特征与全局纤维描述符提供互补信息。PicVocab绝对R²较高；APA-SBL原始比较平均交叉验证R²为负，显示该设置下预测有限。

活跃纤维束可视化（Active Fiber Bundle Visualization）：以PicVocab K=100、ReadEng K=50的原始比较选出活跃纤维束，并将纤维簇映射到FreeSurferDKT皮层图谱构建ROI连接图。DPA活跃束涉及双侧舌回、双侧外侧枕叶、左梭状回和左岛叶；DPA图包含右侧外侧枕叶参与，而PPA图主要突出梭状回、下颞和舌回区域。作者明确该比较为定性观察，不建立DPA恢复PPA缺失的解剖有效通路，也未进行独立定量解剖验证或轨迹与端点分布分析。

消融研究（Abaltion Study）：将K-means替换为高斯混合模型（Gaussian Mixture Model, GMM；概率聚类模型），或将LASSO替换为弹性网（ElasticNet；结合L₁与L₂惩罚的回归），其他组件固定；两特质在不同K下交叉验证MSE和R²与完整DPA大体相当，说明预测增益不依赖特定聚类算法或稀疏正则，而主要来自多尺度纤维表征。

讨论与结论：讨论指出，全流线几何的附加价值可能依赖所预测特质；端点位置可能已捕获部分相关连接信息，使几何特征冗余；MFAE以重构为目标，其潜表征可能保留与特定特质弱相关的变异；纤维方向估计噪声可导致追踪误差，降低几何特征的预测效用；这些为可能解释，现有分析不能判定。结果受追踪流程条件限制，GQI重建和确定性追踪中的种子、步长、角度阈值等选择可能影响追踪性能，本研究未量化其对DPA与比较方法相对性能的影响。HCP-YA采集条件利于几何特征提取，但低分辨率或不同协议不能假定同样获益；受限年龄和健康范围限制人群泛化，未评估独立队列或采集协议。验证设计上，MFAE训练和聚类使用全队列后再进行回归交叉验证，评分评估共享分区下的回归，未评估完整管线在排除于表征学习和聚类之外的受试者上的表现；原始比较中K未嵌套选择，所选K分数可能乐观；补充评估在内层交叉验证中选择K、预处理和λ，标准差描述同队列随机分区变异而非置信区间，校正区间为条件近似不确定性估计，DPA–PPA的MSE差异区间在两特质均包含零。生物解释限于定性可视化与既有文献比较，所选簇应视为与特质预测相关的追踪特征，其解剖有效性及与PPA差异的轨迹或端点机制未验证。研究结论翻译：DPA为HCP数据中PicVocab和ReadEng的探索性预测提供有前景的方法；在得出更广泛结论之前，进一步验证应优先考虑独立队列、将完整训练管线与测试受试者分离，以及评估对纤维束成像选择和分区稳定性的敏感性。