基于fMRI多变量探照灯分析( Multivariate Searchlight Analysis )识别脑网络

《Neuropsychologia》：Identifying Networks within an fMRI Multivariate Searchlight Analysis

　　

摘要：研究人员对大脑不同区域如何在空间和时间上表征信息具有浓厚兴趣。基于信息的探照灯分析( information-based searchlight analysis )系统地检查全脑功能性磁共振成像( functional magnetic resonance imaging, fMRI )体素簇中所编码的信息。显著的探照灯包含可用于解码感兴趣条件的分类信息，但显著的可区分性可通过多种方式实现。本文报告一种新的分析方法，可基于具有相似信息时间变化特征的探照灯识别出其子网络( sub-networks )。研究人员提出该方法并将其应用于被试观看四类视觉刺激（词语、面孔、形状、数字）时采集的fMRI数据。在使用分类器运行探照灯分析后，将所得准确率向量提交至多被试独立成分分析( Independent Component Analysis, ICA )，按解码时间序列对探照灯进行分组。ICA可在变化探照灯尺寸、分类器类型及二值与连续解码指标的情况下识别出探照灯的子网络。这些网络负荷于视觉网络与注意网络，以及概率功能枕颞叶图谱中预测的类别化区域。相比之下，基于表征相似性分析( Representational Similarity Analysis, RSA )生成的网络主要由视觉驱动。结果表明该方法可用于将探照灯图划分为有意义的子网络。

论文解读：《基于fMRI多变量探照灯分析识别脑网络》

Sharma M与Coutanche MN于《Neuropsychologia》发表该研究，旨在解决传统多变量模式分析( Multivariate Pattern Analysis, MVPA )中探照灯分析( Searchlight Analysis )仅提供单一分类准确率值、无法区分具有相同准确率但基于不同神经表征信息的脑区这一局限。现有方法如表征相似性分析( Representational Similarity Analysis, RSA )虽能探究表征基础，但缺乏对全脑探照灯解码时间动态相似性的分组手段。为此，研究人员提出一种新方法：先做四分类探照灯MVPA获取各探照灯在各时间点( Timepoint/TR )的解码准确率（或后验概率）向量，再将多被试的显著探照灯解码时间向量矩阵进行组水平时间串联独立成分分析( Group-level Temporal Concatenation Independent Component Analysis, ICA )，依解码时间序列相似性将全脑具显著解码能力的探照灯划分为若干功能子网络( Sub-networks )，并结合Yeo 7网络图谱及枕颞叶概率功能图谱验证其神经合理性。

主要关键技术方法：

研究纳入匹兹堡社区20名右利手母语为英语的健康成人（女12名，平均年龄22.5岁±3.9岁），采集3T Siemens Allegra fMRI数据（T1加权解剖像及T2*加权功能像，TR=2000 ms，体素3.125 mm各向同性，四运行各80容积）。预处理采用AFNI行层间时间校正、头动校正、配准、高通滤波及标准化至MNI-152空间，Princeton MVPA Toolbox导入MATLAB。实验为匹配/不匹配判断任务，含词语、面孔、几何形状、数字（点数与阿拉伯数字）四条件，每运行两区组/条件，区组内3试次各2 s，区区间隔8 s注视，分析时区内所有TR赋予同区组标签得共160 TR/人。分析流程为：(1) 全脑滚动探照灯( radius=3 voxels，最大123体素/探照灯 )，以Gaussian Naive Bayes( GNB )作四路分类，4折交叉验证得各探照灯平均解码准确率，组水平t检验( p<0.05未校正 )筛选15544个显著探照灯；(2) 提取各显著探照灯逐TR二值分类正确/错误向量( 或GNB后验概率连续向量 )，多被试时间串联成15544(探照灯)×3200(TR)矩阵输入ICA，PCA碎石图确定取7个独立成分( ICs )；(3) 保留成分权重>均值+2倍标准差且单成分团块≥10探照灯的探照灯生成空间图；(4) 用Yeo 7网络图谱及Rosenke等人枕颞叶视觉皮层概率功能图谱计算成分重叠度( flower plot )与Dice系数，对比SVM、正则化LDA分类器及半径2/3/4 voxel探照灯的稳健性，以随机二分样本重叠检验一般性，以不同样本量下与全样本Dice评估稳定性，以单被试回溯重构图评估个体水平相似性，另做基于面孔vs非-面孔单变量对比选取体素再ICA作对照，以及标准RSA流程( 排除区内对角相似只保留跨区组相关 )对比网络差异。

研究结果

Identification of searchlights（探照灯的识别）：

研究人员以GNB对四视觉类别做全脑探照灯四分类，组水平t检验(p<0.05未校正)筛选出15544个显著高于机会(0.25)的显著探照灯，作为后续ICA输入。

Identification of sub-networks（子网络的识别）：

将显著探照灯的逐TR二值准确率向量多被试串联，PCA碎石图显示方差解释率拐点位于7个成分，故ICA提取7个独立成分(IC1–IC7)，各成分探照灯数分别为614、1016、881、1125、1067、858、978。各成分内探照灯具相似解码时间模式，如Component 2与Component 5对面孔解码优，Component 2与Component 5对侧数字解码优等，Neurosynth元分析提示各成分分别关联认知控制/语言(IC1)、数字加工/顶内沟(IC2)、词与面孔加工/梭状回(IC3)、早期视觉V1(IC4)、工作记忆/顶叶及前运动(IC5)、面孔选择性梭状回面孔区( Fusiform Face Area, FFA )(IC6)、外侧枕/视觉物体(IC7)。双侧对称成分重复出现表明ICA依时间模式而非空间邻近分组。

Generalizability（一般性/可推广性）：

将20名被试随机均分为两组各重复10次并置换检验100次，结果显示实际分组下探照灯被分配至相同ICA成分的概率显著高于随机置换(null distribution, 均p<0.01)，证明成分分配具跨被试可靠性。

Benchmarking components on Yeo 7 Network atlas（基于Yeo 7网络图谱的成分基准检验）：

改变显著探照灯阈值(FDR校正、置换聚类水平校正)、分类器(GNB→SVM 8成分、Regularized Linear Discriminant Analysis, LDA 8成分)、探照灯半径(2/3/4 voxel)后，各ICA成分主要重叠于Yeo图谱视觉网络，部分落于背侧注意( Dorsal Attention )、默认模式( Default Mode )、额顶( Frontoparietal )及腹侧注意( Ventral Attention )网络；flower plot显示方法学变动下主导仍为视觉网络，Dice系数表明多数成分类似(IC1与IC5跨条件重叠略低)。

Representational Similarity Analysis（表征相似性分析比较）：

同样数据做RSA得集群主要负荷于Yeo视觉网络，背侧注意等网络负荷明显低于ICA法，ICA与RSA空间区域Dice得分低，证实两种方法捕获不同层面信息，ICA解码时间序列对注意波动等时间变化更敏感。

Robustness of components while using binary decoding accuracies vs posterior probabilities（二值准确率与后验概率稳健性）：

以GNB后验概率连续解码向量替代二值正确/错误向量做ICA，所得7成分类似二值向量结果(flower plot与Dice高)，说明方法对解码指标连续/离散形式不敏感。

Loadings of components to probabilistic functional atlas of occipitotemporal visual cortex（枕颞叶概率功能图谱负荷）：

各ICA成分主要重叠于概率图谱中视网膜拓扑( Retinotopic )、面孔( Face )、字符( Character )及身体( Body )区，运动和场景( Place )区极少，符合实验四视觉类别预期，验证方法可分辨视觉子类别网络。

Component stability across sample sizes and for individual subjects（不同样本量及个体水平成分稳定性）：

随机重抽样显示探照灯半径2 voxel需N≈15人达与全样本Dice>0.7，半径3 voxel需N≈19人，半径4 voxel稳定性明显下降；单被试回溯重构图显示半径2–3 voxel成分Dice介于0.3–0.7，半径4 voxel变异大，推荐探照灯半径2–3 voxel。

Impact of voxel selection（体素选择标准的影响）：

若改以"面孔vs非-面孔"单变量对比显著体素选入ICA，则成分主要集中于枕颞面孔网络、社会认知及情绪加工(杏仁核)，χ2检验证实较探照灯四分类选择法含显著更多面孔相关Neurosynth标注(p=0.0001及p=0.046)，说明网络随初始特征选择(解码显著vs单变量激活显著)而重配置以反映所选特征功能。

讨论与结论总结：

研究人员提出并验证了将探照灯MVPA解码时间序列进行多被试ICA分组的新方法，能从全脑显著探照灯图中划分出具共同信息时间动态的脑子网络。该方法在视觉类别辨别任务中识别出7个ICA成分，分别对应早期视觉、面孔加工(FFA)、词与面孔联合枕颞区、数字加工顶内沟、认知控制/额顶、工作记忆/前运动及外侧枕物体视觉网络，且与Yeo 7网络及枕颞概率图谱吻合。方法对分类器类型(GNB/SVM/LDA)、探照灯半径(2–3 voxel)、解码指标(二值/后验概率)及初步显著探照灯阈值具稳健性；较小探照灯半径(2–3 voxel)及适中样本量(N≥15–19)可提供稳定组成分。与RSA比，该法更能捕捉跨脑区随注意等波动共有的解码时间模式，区分开具相同静态准确率而异源信息的区域。需注意ICA成分数依碎石图肘点主观判定，大探照灯(半径4 voxel)因跨功能边界及过拟合降低稳定性不建议使用，可扩展至图谱ROI采样但建议仍先做显著性筛选。总之，此法使研究者超越单纯探照灯解码图，获得大脑信息空间组织子网络的理解，为fMRI解码研究提供新分析工具。