《Human Brain Mapping》:Resting-State and Task Functional Magnetic Resonance Imaging Network Topology Metrics With no Threshold Selection to Predict Cognition
编辑推荐:
本研究针对功能磁共振成像(fMRI)网络拓扑分析中传统图论指标因任意性阈值选择导致结果偏倚的问题,通过对比最小生成树(MST)与持久同调(PH)等无阈值拓扑指标在静息态与多任务态fMRI中对认知表现的预测效能,发现任务态(尤其是工作记忆任务)衍生的骨干强度(BS)等指标能更稳定预测多项认知测试得分,为构建更可靠的脑网络生物标志物提供了新思路。
在大脑的复杂网络中,信息如何高效传递一直是神经科学家关注的焦点。通过功能磁共振成像(fMRI),我们可以构建出大脑的功能连接网络,并用图论的方法计算其拓扑属性,以此来量化大脑网络的效率和整合程度。这些拓扑指标被认为与我们的认知能力息息相关——一个更高效、整合度更高的大脑网络,理论上应该能支持更好的记忆、注意和思维。然而,长期以来,这一领域的研究面临着一个方法论上的挑战:在计算这些拓扑指标前,通常需要设定一个阈值来筛选功能连接矩阵中的边,去除那些强度较弱的连接。这个阈值的选择往往是任意的,或基于比例(如前10%的强连接),或基于绝对值。不同的阈值会直接改变网络的密度和结构,从而导致计算出的拓扑指标(如全局效率、聚类系数)产生波动,使得不同研究之间难以比较,结果的可重复性也大打折扣。这就像用不同网眼的渔网去捕鱼,得到的“鱼”(网络特征)自然会大不相同。这种任意性阈值带来的偏倚,严重阻碍了将脑网络拓扑指标发展为稳定、可靠认知生物标志物的努力。
为了克服这一瓶颈,研究者们开始探索不依赖任意阈值选择的替代性拓扑分析方法。其中,最小生成树(Minimum Spanning Tree, MST)便是一种经典算法。MST通过一个标准化的程序,用最少数量的边(节点数减一)将所有节点连接起来,形成一个无环的树状结构,并优先保留最强的连接。这种方法保证了所有网络都具有相同的边密度,避免了主观阈值设定。更进一步,受拓扑学中“持久同调(Persistent Homology, PH)”思想的启发,研究人员不仅能得到网络的“骨干”(即MST),还能追踪在构建MST过程中被排除的、会形成环路的强连接(即“环”)。由此可以衍生出“骨干强度(Backbone Strength, BS)”和“环强度(Cycle Strength, CS)”等指标,它们分别代表了大脑核心整合处理和信息在整合枢纽间流动的能力。近期有研究表明,这类基于PH原理的指标在预测认知表现上,可能比传统图论指标和平均功能连接更为敏感。
那么,这些新兴的无阈值拓扑指标,在预测认知能力方面究竟表现如何?与传统的图论指标相比孰优孰劣?此外,大部分相关研究基于静息态fMRI数据,而任务态fMRI能激发与特定认知过程更匹配的脑活动模式,这是否意味着从任务态fMRI中提取的拓扑指标能更好地预测认知表现?为了回答这些问题,由Charly Hugo Alexandre Billaud和Junhong Yu等人开展的研究,系统性地比较了MST、PH衍生指标与传统图论指标,在预测广泛认知测试得分方面的表现,并特别关注了这些指标在静息态与七种不同任务态(如工作记忆、语言、赌博、运动等)fMRI数据中的差异。该研究成果已发表在《Human Brain Mapping》期刊上。
为了开展这项研究,研究人员主要运用了以下几个关键技术方法:研究数据来源于“人脑连接组计划-青年成人(HCP-YA)”数据集,共包含超过800名健康年轻人的多模态脑影像数据。功能磁共振成像(fMRI)数据涵盖了静息态和多种任务态(工作记忆、语言、赌博、运动、关系处理、社会认知及电影观看)。研究者使用XCP-D流程对fMRI数据进行后处理,并利用Schaefer-200脑图谱将大脑划分为219个脑区,构建功能连接矩阵。在此基础上,计算了多种拓扑指标:包括传统图论指标(在不同阈值下的全局效率GE和聚类系数CC)、最小生成树指标(直径Diameter和叶分数LF),以及基于持久同调原理的新指标(骨干强度BS、环强度CS和骨干离散度BD)。最后,通过一系列线性混合模型和广义最小二乘法模型,统计分析这些拓扑指标与多项NIH工具箱认知测试得分之间的关联及其预测效能。
3.1 网络拓扑对认知表现的全局效应
研究人员首先将所有认知测试的得分合并为一个整体认知得分进行分析。结果发现,尽管所有效应值都较小,但一些拓扑指标确实能够显著预测整体认知表现。其中,在工作记忆任务中,骨干强度(BS)和最小生成树直径(Diameter)的预测作用显著;在语言任务中,骨干强度(BS)、全局效率(在10%阈值下)以及平均功能连接(Overall FC)的预测作用显著。这表明,从特定任务(尤其是工作记忆和语言任务)中提取的脑网络拓扑特征,与广义的认知能力存在关联。
3.2 网络拓扑对特定认知任务表现的效应
当针对每项具体的认知测试进行独立分析时,研究发现了更多细致的关联。在经过错误发现率校正后,仍然显著的预测关系主要集中在工作记忆任务衍生的拓扑指标上:工作记忆任务的骨干强度(BS)能显著预测流体智力、综合流体与晶体认知、词汇理解、空间定向和工作记忆等多项得分;工作记忆任务的最小生成树直径(Diameter)能显著预测综合流体认知得分。此外,语言任务和运动任务的BS能预测流体智力,语言任务的CS能预测言语情景记忆,而静息态的MST叶分数(LF)能预测自我调节能力。这些结果突显了工作记忆任务网络“骨干”的强度在预测多种认知功能中的核心作用。
3.3 不同拓扑指标在模型中的相对性能
通过卡方检验比较不同拓扑指标在所有模型中呈现显著效应的频率,研究人员发现,在3T扫描仪的任务数据中,不同指标的表现存在显著差异。具体而言,骨干强度(BS)产生显著效应的概率显著高于其他指标,而骨干离散度(BD)及聚类系数(在10%和30%阈值下)产生显著效应的概率则较低。这从发生频率上证实了BS作为认知预测指标的稳健性。进一步的回归模型分析比较了各指标的预测效能(以偏R2衡量)。结果发现,在工作记忆和赌博任务中,BS的预测效能显著更高;而在语言和运动任务中,MST的直径和叶分数的预测效能相对较低。任务态拓扑指标(尤其是工作记忆任务的BS)的预测效能普遍优于静息态指标。
4 讨论与5 结论
本研究的发现有力地支持了使用无任意阈值拓扑指标(如基于PH的骨干强度BS和MST的直径)来评估脑网络与认知功能的关系。与传统图论指标相比,这些指标避免了阈值选择带来的不稳定性,且在本研究中表现出与认知能力更稳健的关联,尤其是在任务态fMRI数据中。其中,骨干强度(BS)被证明是最可靠的认知预测指标。
研究的重要意义在于以下几个方面:首先,在方法论上,它验证了MST和PH等无阈值分析方法在提高脑网络拓扑研究可重复性和可比性方面的价值,为未来研究提供了更优的工具选择。其次,在发现上,它明确了任务态fMRI(特别是N-Back工作记忆任务)在揭示脑网络-认知关联方面优于静息态fMRI。这是因为任务态能激发与认知评估更具内容对应性的脑活动模式,使其网络特征成为更敏感的“认知生物标志物”。具体而言,工作记忆任务中形成的脑网络“骨干”,其连接强度(BS)能够广泛预测从流体智力到词汇理解等多种认知能力,这表明该任务所调用的核心脑网络整合机制可能是支持多种高级认知功能的基础。
当然,研究也存在一些局限性,例如7T MRI数据样本量较小、结论可能依赖于HCP特定的任务范式、拓扑指标是全局性的而缺乏对具体脑区或子网络的解析等。此外,尽管达到了统计显著性,但拓扑指标所能解释的认知得分变异比例(效应值)仍然较小,这符合脑成像领域脑-行为关联研究的普遍情况,提示脑网络整体拓扑属性只是影响复杂认知表现的众多因素之一。
总而言之,这项研究系统性地证明,采用最小生成树和持久同调等无阈值算法衍生的脑网络拓扑指标,特别是从任务态功能磁共振成像(如工作记忆任务)中计算得到的骨干强度,能够更稳定、有效地预测个体的认知表现。这为推动脑网络拓扑指标向标准化、可重复的认知生物标志物发展迈出了关键一步,并强调了在未来研究中采用任务态范式和更稳健分析方法的重要性。