《Brain Research Bulletin》：Neural Connectivity Patterns Associated with High-Altitude Residence Duration: An Exploratory Cross-Validated Multimodal MRI Study
编辑推荐：
一项探索性交叉验证的多模态框架被用于检验高原居住时长的个体水平神经关联。在单模态模型中，静息态功能连接（resting-state functional connectivity）与居住时长之间表现出最高但适度的估计-目标相关（estimate–target
一项探索性交叉验证的多模态框架被用于检验高原居住时长的个体水平神经关联。在单模态模型中，静息态功能连接（resting-state functional connectivity）与居住时长之间表现出最高但适度的估计-目标相关（estimate–target correlation）。体感运动网络（somatomotor network）和默认模式网络（default-mode network）的连接对模型估计表现出正向或负向的贡献。
论文解读
一、研究背景与问题
随着经济发展与旅游业繁荣，越来越多的低海拔人群（如登山者、军人、公务员等）因旅行、工作或居住目的迁往高海拔（high altitude, HA）地区。然而，高海拔环境以低氧、低气压和低湿度为特征，对人体构成显著的生理挑战。既往研究已表明，长期居住于高海拔可影响脑部特征，但多数研究聚焦于短期停留，且存在两大方法学局限：其一，许多研究依赖单一神经影像模态，无法全面揭示与高海拔居住相关的结构与功能特征；其二，多数研究采用群体水平的单变量比较，将个体对高海拔神经反应的差异视为统计噪声。因此，高海拔居住时长的个体差异所对应的脑特征尚未被充分刻画。
近年来，机器学习（machine learning, ML）算法在建模个体水平关联、识别高维神经影像数据中的复杂模式方面受到日益关注。支持向量回归（support vector regression, SVR）模型能够整合脑特征以生成目标变量的个体水平估计。基于相关性的特征选择策略被广泛用于降低维度并可能提升模型性能。在此背景下，研究人员开展了一项数据驱动、个体化、多模态的机器学习框架研究，旨在从多种脑特征中估计个体在调整年龄和性别后的高海拔居住时长。
二、研究设计与方法概述
本研究为横断面设计，招募了217名居住于海拔3650米（中国西藏拉萨）的健康移民（175名女性，平均年龄31.41 ± 6.62岁）。研究人员构建了七个不同的SVR模型，分别使用单一模态或组合的脑结构形态测量（包括皮层和皮层下结构）、结构连接（structural connectivity, SC）和功能连接（functional connectivity, FC）特征。采用嵌套留一交叉验证（leave-one-out cross-validation, LOOCV）框架，在每个训练折内进行基于相关性的特征选择（p < 0.01），确保留出测试个体不参与特征选择，避免信息泄漏。目标变量为高海拔居住月数，因居住时长与年龄显著相关（r = 0.43, p < 0.001），故对年龄和性别进行了残差化处理。模型性能以Pearson相关系数r为主要指标，并辅以预测R2、平均绝对误差（MAE）和均方根误差（RMSE）。通过置换检验（1000次）评估统计显著性。模型解释采用Haufe变换将SVR权重转化为可解释的激活模式。
三、研究结果
3.1 模型比较
在三个单模态模型中，基于SC的模型产生r = 0.23（置换p = 0.03），基于形态测量的模型产生r = 0.05（置换p = 0.20），而基于FC的模型实现了最高的单模态相关（r = 0.34，置换p = 0.01）。FC在所有单模态模型中表现出最高的估计-目标相关，但其样本外预测R2为负值（?0.15），表明平方误差大于观测均值基准。在多模态组合中，FC与SC的整合是唯一产生数值上高于FC单独模型相关的双模态组合（r = 0.36，置换p = 0.01），但该数值提升未达统计显著性（Steiger's Z = 0.24，单尾p = 0.40）。三模态模型产生r = 0.35（置换p = 0.01）。
3.2 结构连接模型的特征贡献
研究人员提取了90个在每个嵌套LOOCV迭代中一致出现的共识SC特征。按24个宏观脑区归类后，丘脑与后颞上沟（posterior superior temporal sulcus, pSTS）之间的连接对模型估计表现出最高的正向贡献，其次是扣带回与额上回、海马旁回与额上回之间的连接。在负向贡献特征中，中央后回与楔前叶之间的连接表现出最负的贡献。在网络水平上，默认模式网络（default mode network, DMN）与额顶网络之间的SC表现出最高的正向贡献，其次是体感运动网络（somatomotor network, SMN）与皮层下网络之间的连接；而突显网络与SMN、视觉网络与边缘网络之间的连接表现出最负的贡献。
3.3 功能连接模型的特征贡献
研究人员提取了200个在每个LOOCV迭代中一致出现的共识FC特征。海马旁回内的区域内部连接对模型估计表现出最高的正向贡献，其次是中央后回与旁中央小叶、外侧枕叶皮层与颞中回之间的连接。在负向贡献特征中，顶上小叶与中央前回之间的连接表现出最负的贡献。在网络水平上，SMN内的网络内部连接表现出最高的正向贡献，其次是边缘网络与SMN、DMN与背侧注意网络之间的连接；而DMN与SMN、DMN与视觉网络之间的连接表现出最负的贡献。
3.4 控制头动的敏感性分析
为检验头动是否影响预测结果，研究人员在将平均帧位移（mean framewise displacement, mean FD）作为额外协变量回归后重复了FC预测模型。头动调整后的FC模型产生r = 0.34（置换p = 0.01，MAE = 41.73），与主FC模型相比r的绝对下降为0.002（0.7%相对衰减），MAE增加0.70个月（1.7%）。宏观脑区和典型网络层面的贡献模式与主分析一致，SMN内FC在头动控制后仍为最大的网络水平正向贡献。这些发现降低了头动完全解释所观察关联的担忧，但不排除头动或其他生理混杂因素的残余影响。
四、讨论与结论
本研究的核心发现是，在单模态模型中，静息态FC表现出最高的估计-目标相关。然而，其样本外预测R2为负值，表明统计上显著的相关并未转化为对残差化目标的准确个体水平估计。此外，FC与SC的组合在数值上产生更高的r和更低的MAE、RMSE，但相关差异未达统计显著性。因此，本研究应主要定位为一项探索性交叉验证关联研究，而非具有实际预测效用的模型证据。
关于FC为何优于其他模态，研究人员指出，尽管功能与结构连接中度相关，但SC相对稳定，而FC可更动态地重构。在高海拔情境下，FC变化已被报道先于血氧和行为改变。然而，由于未测量体力活动、饮食和环境暴露，FC与居住时长的关联不应被具体归因于低氧神经适应，未测量的生活方式和生理变量也可能对FC信号有贡献。形态测量模型未显示显著关联，可能与既往群体水平研究的方法学差异有关，既往研究对急性或亚急性低氧暴露期间可能发生的平均结构差异高度敏感，而本研究旨在个体水平上建模连续居住时长。
在特征贡献方面，SMN内FC对模型估计呈正向贡献，SMN作为大脑与环境感觉-运动交互的中枢；SC模型中丘脑与pSTS的连接呈正向贡献，丘脑作为感觉信息的中枢中继站，pSTS与多感觉整合和目标导向行为相关。与此相对，SMN与DMN之间的FC呈负向贡献。这些功能描述和既往发现并不确立本模型贡献的行为意义，因为未收集运动、认知、心理测量或慢性高山病指标。
研究结论为：在此个体水平、多模态交叉验证关联框架内，FC在测试的单模态模型中产生最高的估计-目标相关；相应的样本外预测R2为负值，表明观察到的横断面关联未转化为绝对尺度上的准确个体水平估计。研究人员还识别了与居住时长相关的连接模式，为高海拔居住时长相关的多模态连接模式提供了探索性证据。作为一项无行为验证的探索性横断面研究，本分析不能支持时间性或功能性主张，需纵向队列检验时间性主张，需客观绩效测量确定这些连接模式的功能意义。
五、研究局限
本研究存在若干局限：横断面设计无法确定因果或时间性推断；未收集运动、认知、心理测量或慢性高山病指标以确立SMN相关发现的功能相关性；未收集体力活动、饮食和环境暴露数据，这对静息态BOLD FC尤为重要；缺乏独立的地理上不同的验证队列，嵌套LOOCV提供内部验证但不建立跨扫描仪、人群、海拔环境或招募设置的普适性；多模态整合采用基于特征拼接的相对简单的早期融合方法，更先进的跨模态融合方法未被检验；Haufe变换后的特征模式不应被直接解释为连接的生物学增强或抑制。
