《Developmental Cognitive Neuroscience》：Practical considerations for dense longitudinal neuroimaging: ten simple rules for frequent scanning over short time periods
编辑推荐：
密集纵向神经影像学(DLN)是一种精准神经影像学方法，在目标时间窗内频繁采样，以刻画个体脑变化轨迹。该方法能够回答关于认知发展与学习潜在机制的基础性问题。然而，获取DLN数据所面临的实际挑战超出了常规纵向数据采集。本文讨论了设计和执行DLN研究的关键实践考量，
密集纵向神经影像学(DLN)是一种精准神经影像学方法，在目标时间窗内频繁采样，以刻画个体脑变化轨迹。该方法能够回答关于认知发展与学习潜在机制的基础性问题。然而，获取DLN数据所面临的实际挑战超出了常规纵向数据采集。本文讨论了设计和执行DLN研究的关键实践考量，尤其是针对儿童及其他扫描耐受能力有限的人群。研究人员提供了关于研究设计、测量、招募与保留以及依从性的十条简易规则，以协助研究团队开展DLN研究。密集纵向神经影像学(DLN)是一种新兴方法，在快速变化期间对个体参与者进行多次脑扫描。该方法能够推动以理解神经机制随时间变化为首要目标的研究取得理论与应用进展，例如发展、衰老或干预反应研究(Vinci-Booher et al., 2025)，并作为大规模人群纵向数据集(如HBCD Volkow et al., 2018; UKBB Sudlow et al., 2015)的重要补充。采集DLN数据要求参与者在短时间内完成多次扫描，有时甚至在一个月内每天一次(Murata et al., 2024, Pritschet et al., 2020)——这种设计特征给参与者带来了非同寻常的负担，也给研究团队带来了独特的挑战。此外，发展研究和干预反应研究通常涉及在参与研究方面面临严峻挑战的人群，例如研究依从性低和流失率高。DLN研究对这些人群尤其具有挑战性，因为每位参与者必须在短时间内完成多次扫描。DLN在多个研究领域日益普遍(Dehaene-Lambertz et al., 2018, Huber et al., 2018, Murata et al., 2024, Pritschet et al., 2020)，但目前尚无实施这些劳动密集型研究的最佳实践指南。研究人员基于自身开展DLN及其他多会话研究的综合经验，为设计和执行DLN研究提供了指南。研究人员以十条简易规则的形式讨论了DLN特有的考量，涵盖研究设计、测量、招募与保留以及依从性，这些被认为是成功采集DLN数据的关键(表1)。此外，文中还涵盖了与多会话研究、大型MRI数据集以及扫描耐受能力有限的人群相关的DLN实际考量。有关DLN数据分析和统计选择的考量超出了本文范围，读者可参阅常规纵向研究的相关讨论(King et al., 2018; Lin et al., 2025)。表1. 密集纵向神经影像学(DLN)的十条简易规则。研究设计：1. 窄化定义研究人群并深入了解其特征；2. 仅在科学问题需要高密度时间采样时使用DLN；3. 基于先验知识定义采样窗口和采样频率；4. 在保持充分采样密度的同时平衡每会话数据量与参与者数量。测量：5. 选择高统计功效的MRI协议以精确测量会话间变化；6. 使用可靠且敏感的行为测量来检测短期的个体内变化。招募、保留与依从性：7. 通过有意图且持续的社区参与进行招募；8. 采用分层入组策略以确保长期依从性和参与度；9. 通过以参与者为中心的支持措施保留参与者；10. 提供有效的补偿。研究人员的讨论聚焦于两个能从该知识中极大获益的人群：幼儿和特殊人群。研究人员使用"特殊人群"这一术语指代标准成人MRI协议通常需要修改的人群，例如临床人群和非典型发展史的个体。
密集纵向神经影像（DLN）作为一种精准神经影像学方法，其核心价值在于通过短时间窗内的高频采样刻画个体脑变化轨迹，为理解认知发展、学习及干预反应的神经机制提供了独特视角。然而，DLN研究的设计与执行面临远超常规纵向研究的实践挑战，尤其在儿童和扫描耐受能力有限的人群中，高频次、多会话的采集模式对参与者依从性和研究团队资源调配构成了严峻考验。针对这一方法论空白，研究人员基于自身开展DLN及其他多会话研究的综合经验，系统提出了十条简易规则，覆盖研究设计、测量、招募与保留以及依从性四大维度，旨在为研究团队提供可操作的实施框架。论文发表于《Developmental Cognitive Neuroscience》。
在技术方法层面，研究人员并未依赖单一实验设计，而是采用经验总结与文献综合的策略。他们整合了来自多个DLN研究项目的实践数据，包括对典型成人、幼儿及特殊人群的纵向扫描案例，并参考了现有常规纵向研究、精准神经影像研究及多会话研究的最佳实践。样本队列来源方面，文中引用了范德比尔特大学和得克萨斯大学奥斯汀分校采集的儿童DLN数据——6岁儿童在1年采样窗口内接受12次月度扫描，用以说明头动模式的变化特征。研究人员还结合了模拟扫描仪预适应、实时头动反馈（如FIRMM技术）、分层入组访谈、社区外展等具体操作手段，对这些方法的可行性和有效性进行了系统梳理与凝练。
**1. 十条DLN研究设计规则**
**1.1 窄化定义研究人群并深入了解其特征**：DLN研究样本量小，不追求人群代表性。研究人员指出，应基于目标变化轨迹的预期特征，纳入促进该轨迹的因素并排除可能抑制或改变轨迹的混杂因素，从而建立精细的个体变化模型。
**1.2 仅在科学问题需要高密度时间采样时使用DLN**：DLN劳动强度大，横断面和常规纵向设计足以回答的问题不应采用DLN。当研究需要建立非线性变化轨迹的完整模型、确定脑变化的时间顺序或捕捉短暂现象时，DLN才具有不可替代的优势。
**1.3 基于先验知识定义采样窗口和采样频率**：采样窗口应先于频率确定，需覆盖预期变化期及必要的基线和终点时期，避免地板和天花板效应。采样频率应依据轨迹模型的复杂度设定，但过高的频率会因参与者和研究团队的负担导致保留和依从性问题，最终降低数据质量。
**1.4 在保持充分采样密度的同时平衡每会话数据量与参与者数量**：采样密度必须保证轨迹测量充分性，每会话数据量应精简至必要测量，优先增加单任务数据量以提高信度，参与者数量则在资源约束下尽可能增加以保证一定程度的可推广性。
**1.5 选择高统计功效的MRI协议以精确测量会话间变化**：研究发现，参与者特异性功能定位器比解剖定位器产生更大的个体内效应量，多体素模式分析优于单变量分析，单次试验估计可量化测量误差。会话程序需标准化时间与日期类型以减少偶然效应，并通过增加新奇性来维持参与者投入。
**1.6 使用可靠且敏感的行为测量来检测短期的个体内变化**：研究指出，Bayley III语言综合得分的测量标准误为4.4个标准分点，无法可靠检测18月龄儿童每月5-20个词汇的增长；而采用原始分数（如MacArthur-Bates沟通发展量表CDI的原始词汇数）则能敏感捕捉个体内的增量变化。进度监控评估（PM）提供数十个等值版本，适合重复施测。
**1.7 通过有意图且持续的社区参与进行招募**：DLN人群窄化定义决定了针对性的招募策略胜过广泛宣传。有效的长期招募依赖声誉管理和定期外展活动，社区合作关系能增强研究的相关性和参与激励。
**1.8 采用分层入组策略以确保长期依从性和参与度**：研究建议通过入组前访谈、筛选访问（含模拟扫描或真实扫描）和正式入组三个层级，确保参与者在充分知情的前提下承诺参与。研究还建议预先安排多次访问、自动化提醒，并在同意书中设置退出条款以应对依从性下降。
**1.9 通过以参与者为中心的支持措施保留参与者**：保留策略的核心是提高参与便利性和建立高质量的参与者-研究团队关系。具体包括灵活预约、在线自助预约系统、协助规划生活事件、提供受抚养人照护和交通支持。笔记记录个人细节有助于维护长期关系。
**1.10 提供有效的补偿**：补偿结构应提高参与收益-负担比。建议每次访问提供现金或可充值礼品卡形式的即时补偿，并在关键里程碑设置递增奖金。非传统补偿形式如日间营地和社交活动能进一步提升参与积极性和保留率。
**2. DLN研究相关的通用实践考量**
**2.1 多会话研究设计的流失考量**：DLN作为多会话设计，可借鉴传统纵向神经影像和精准神经影像研究的流失应对经验。定期沟通研究进展、监测参与者联系方式的变动是防止会话遗漏和流失的有效手段。
**2.1.1 大型数据集的管理与共享考量**：DLN数据集规模庞大，需确保数据共享基础设施的可扩展性和可持续性。研究建议采用脑影像数据结构（BIDS）组织数据，进行严谨的标准化和文档记录，并准备高质量的预处理版本和软件工具以降低数据使用门槛。
**2.1.2 幼儿和特殊人群的会话内头动与依从性考量**：模拟扫描仪预适应、引人入胜的刺激材料、实时头动反馈（如FIRMM技术）、扫描间定期休息和检查、加重毯以及奖励静止行为的激励措施，都是减少头动和提升任务依从性的有效手段。
**讨论与结论**：研究人员强调，DLN研究的成功实施依赖于研究设计、测量工具、招募策略和参与者支持之间的系统性协调。十条规则并非孤立存在，而是相互关联的有机整体——窄化人群定义影响测量信度统计量的解释，采样频率的设定直接关系到参与者的负担与保留率，而有效的补偿和关系建设则是确保长期依从性的基石。研究指出，DLN研究的头动模式可能与常规纵向研究不同：因入组过程存在选择偏差，DLN幼儿研究往往倾向于招募到头动较低的参与者，其平均逐帧位移（FD）在12次月度访问中保持相对稳定；而常规纵向研究中，头动随年龄增长而下降的趋势在DLN设计中未必显现。最后，研究人员建议未来工作将分析与统计选择的考量纳入DLN研究框架，并以标准化报告和开放共享的方式推动该领域的方法学积累。
