前言

人腦由數十億個細胞組成，細胞之間有數萬億個突觸連接。根據人類解剖研究的估計，以及約80%的皮層細胞是興奮性錐體細胞的常識，一個成年人的大腦皮層中大約有200億個興奮性錐體細胞。這些細胞如何協調它們的活動，形成我們思想和行動的基礎，以及這些模式如何構成我們提取的典型全腦神經成像信號，都是目前神經科學領域需要解決的關鍵問題。

磁共振成像(MRI)提供了一種非侵入性的方法來跟蹤內部組織的結構。隨著時間的推移，工程技術的進步能夠從這項技術中提取出獨特的信號，這些信號對伴隨神經活動的血液流動的細微變化很敏感，即所謂的血氧水平依賴(BOLD)信號。這一進步的重要性不應被低估，因為它允許研究人員在參與者執(zhí)行認知任務時了解大腦的內部運作。這與大腦皮層內特定位置的激活相關，如加工面孔的腹側顳葉皮層。這一過程為理解大腦產生認知、注意力和心智等心理能力的規(guī)則奠定了基礎。

但是，大腦是一個復雜的、具有組織多個時空尺度的適應性系統，這使得從單個神經成像研究中獲得靜態(tài)的、特殊的成像來推斷大腦功能非常具有挑戰(zhàn)性。在功能性MRI的早期階段，為了證明該技術的實用性，研究人員主要集中在試圖復現正電子發(fā)射斷層掃描(PET)和電生理研究的結果。雖然這對該領域的發(fā)展很重要(也許是必要的)，但它也假定了與之前的研究相同的優(yōu)勢。具體來說，這些研究在很大程度上是為了通過分離與特定任務相關的活動模式來確定特定區(qū)域的功能。這樣，區(qū)域位置就成為了首要的關注點。這種策略類似于生物學的林奈階段或前牛頓物理學，相當于確定系統的特征，但不一定是各部分如何相互作用，以形成系統本身的基礎。

回想起來，科學上的許多重大進展都是由于一些偶然的發(fā)現而產生的。比如亞歷山大·弗萊明(Alexander Fleming)，他在度假前忘記從窗臺上取下瓊脂培養(yǎng)皿，結果回來發(fā)現一種入侵的真菌正在阻礙細菌的生長。經提煉后，發(fā)現這種化學物質是青霉素。幸運的是，1995年fMRI領域也得到了類似的精進，巴拉特·比斯瓦爾(Bharat Biswal)及其同事們感興趣的是，對在一個半球的運動皮層觀察到的模式是否會在另一個半球反映出來，他們記錄了左半球運動皮層的信號，然后測量了大腦皮層其他部分的BOLD數據。通過分析結果數據，Biswal注意到，對側半球的一組體素確實與種子半球內BOLD的波動有很強的相關性(圖1)，而且即使在沒有明顯認知任務的情況下，這種模式也會持續(xù)存在。在此基礎上，建立了靜息態(tài)fMRI研究。

圖1.靜息態(tài)功能磁共振成像。在Biswal等人的開創(chuàng)性研究中，他們在左側運動皮層放置了一個種子點(灰色圓圈)，觀察到左右半球的感覺和運動區(qū)域(綠色區(qū)域)分布的網絡中存在強烈的正相關。

大腦中相關區(qū)域之間的協調活動模式引發(fā)了不同領域研究科學家的想象力，這是因為數據很容易收集(參與者只需躺在掃描儀中，并保持清醒，因此，休息本質上是非結構化認知，而不是休息活動本身)，還因此開辟了一條重要的研究路線：大腦各區(qū)域之間的相互作用是如何組織的？盡管BOLD信號存在時間上的延遲，但它為研究人員提供了一個前所未有的機會，以比之前更高的空間分辨率，用非侵入性的方式研究大腦中協調活動的模式。雖然該領域的大部分研究重點是大腦皮層內部固有的模式，但fMRI也允許在皮層下結構中獲得BOLD的波動。對大腦結構(如灰質和白質)敏感的MRI序列的出現，也意味著在靜息態(tài)下觀察到的模式可以直接與大腦神經結構的結構完整性進行比較。簡而言之，靜息態(tài)提供了一種評估大腦作為一個完整系統的方法，而不是一系列獨立的部分。

雖然這是一個相對年輕的領域，但靜息態(tài)數據的分析已經帶來了許多重要的見解。本文將首先描述收集靜息態(tài)fMRI的方式，然后概述用于分析靜息態(tài)BOLD數據的統計方法。在此過程中，將強調每種方法的一些優(yōu)點和缺點。然后，總結靜息態(tài)文獻中產生的一些含義，最后確定一些注意事項和正在進行的研究，這些研究有助于更好地理解靜息態(tài)數據的含義。

靜息態(tài)fMRI收集

靜息態(tài)數據的優(yōu)勢在于，它提供了對大腦固有功能結構的非侵入性訪問，并且相對容易收集，交織在結構和功能掃描之間，一個典型的靜息態(tài)數據會話包括收集T2*加權的BOLD數據，參與者在掃描儀中平躺約10min。眼睛可以是睜開的，也可以是閉著的。如果閉著眼睛，或者臨床隊列有睡著的風險，也應該注意，因為睡眠階段已經被證明與靜息態(tài)連接的不同模式有關。根據這些理論，大量的文獻將靜息態(tài)連接的變化與喚醒水平的微妙變化聯系起來。

久而久之，單個靜息態(tài)會話的長度也變得略有爭議。勞曼、波特拉克及其同事們使用一個在同一被試上長時間收集的獨特數據集發(fā)現，需要約100min(即10×標準會話長度)的數據才能精確地再現個體大腦的精確細節(jié)，而且他們能夠在整個掃描過程中辨別這些細節(jié)。當所謂的“午夜掃描俱樂部”(Midnight Scan Club)的個體對10個人隊列進行類似(但短得多的)MyConnectome研究時，也觀察到了相似的結果。雖然在組水平上產生可靠影響所需的特定長度數據可能遠低于這個數量，但是這些研究確實提出了一些非常有趣的問題，即將數據收集的各個方面與特定的一組假設進行匹配的重要性。

在靜息態(tài)會話期間收集體素數據之后，通常會使用許多預處理步驟。這些步驟可以大致分為兩類。第一種利用一組定義良好的線性代數算法來將數據對齊到一個共同的參考系中。第二種試圖控制數據中假定的虛假噪聲，通常是通過對數據中的信號[如全局信號、頭部運動，或來自研究范圍之外的大腦區(qū)域(如腦脊液或皮層白質)的信號]進行回歸，或者通過檢查被認為是反射噪聲而不是信號的數據的特定時間層。一旦這些步驟完成，通常會在體素水平、頂點水平或區(qū)域水平對數據進行分析。最后，應用帶通濾波器，以分隔區(qū)域之間的緩慢波動(~0.01＜Hz＜~0.1)。然而，這一策略的影響也存在爭議。

對數據進行了適當的預處理后，就可以進行統計分析了。重要的是，“靜息態(tài)”這一術語指的是收集BOLD數據的方式，但并不限制用于對數據進行推斷的特定分析工具。事實上，有各種各樣的統計技術被用于靜息態(tài)數據，每一種都有其獨特的優(yōu)勢和弱點。接下來，將簡要介紹幾種用于分析靜息態(tài)fMRI數據的最常用技術。

靜息態(tài)fMRI分析

基于體素和種子點的分析

也許，分析靜息態(tài)數據的最簡單方法取決于特定種子點(或體素/頂點)的選擇。在試圖校正潛在噪聲混淆源之后，研究人員嘗試識別與原始種子點共享統計對應關系的其他種子點(或體素/頂點)。通過這種方式，研究者能夠詳細描述兩個時間序列之間的時間相似性。計算所有種子點(或體素/頂點)，這種方法最終可以用來填充一個鄰接矩陣，其單個元素代表了大腦特定空間分辨率的一種功能連接體(圖2)。此輸出通常被標記為“功能連接”矩陣，但諷刺的是，這些度量并沒有什么特別的“功能”，矩陣中的值最好用統計相似性來描述，而不是“連接”。

圖2.全腦靜息態(tài)分析。分割后(左圖)，每對分割之間的關系被用來填充一個鄰接矩陣(中圖)，這里顯著的邊緣用黑色表示。可以使用同樣的信息將數據嵌入到圖形中(右圖)，其中每個分割成為一個節(jié)點，節(jié)點之間的關系成為邊。

這種方法的優(yōu)點是它不需要任何數據結構的先驗模型。但是需要進行一些重要的方法選擇。首先，研究人員需要選擇他們希望查詢數據的分辨率(即體素/頂點vs.區(qū)域vs.網絡)。其次，相似性的統計度量也是一個需要考慮的開放參數。比如皮爾森相關性是文獻中最受歡迎的技術，盡管還有各種各樣的其他技術，每個都有其優(yōu)點和缺點，在制定靜息態(tài)分析計劃時都應該納入考慮。最后，如果在鄰接矩陣的層面分析數據，關于閾值(即只選擇高于特定值的連接)的選擇和多次比較的統計校正也是需要考慮的。

低頻波動的振幅

另一種不需要對數據進行較強假設的技術包含計算靜息態(tài)BOLD數據的功率譜，然后創(chuàng)建反映靜息態(tài)BOLD信號頻率內容的某些特征的概括統計量。特別是，許多研究集中在BOLD信號的低頻(0.01-0.1Hz)波動上，因為這些模式被認為在形成靜息態(tài)腦網絡的動態(tài)交互過程中發(fā)揮著重要作用。低頻波動幅度(ALFF)方法測量BOLD信號在這個低頻范圍內的總功率，但與基于種子點的方法不同，因為該信號與BOLD活動的關系比協方差更密切。同樣，這種方法的一大亮點是該技術相對數據驅動的性質，但需要注意的是，這種方法得到結果的功能解釋通常也不像其他技術那樣清楚。目前有待解決的問題是，即在BOLD功率譜上計算的統計數據是否與認知功能相關，還是反映了穩(wěn)態(tài)過程(如神經遞質循環(huán))。

獨立成分分析（ICA）

與上述數據驅動方法相比，一種獨立的、強大的策略是首先對數據中的某些特征做出一些假設，然后根據這些假設分析數據。如果假設是真實的，這種方法可以給分析帶來很大的好處，因為用于實例化方法的數學比在大腦中整體計算一組概括統計數據要先進得多。也許，其中最著名的算法是獨立成分分析(ICA)。該方法本質上是對靜息態(tài)數據中的信號進行盲源分離，這類似于在嘈雜的雞尾酒會上用一組不同的麥克風記錄對話，然后試圖分析產生的錄音，每個錄音都包含多個不同對話的元素。目的是將源信號與記錄信號分離或解混。如果對不同對話(即獨立成分)的數量進行了假設，這些對話被組合在一起以產生混合信號，ICA提供了一種巧妙的數學手段來創(chuàng)建理想的分離。該過程的輸出是一組空間地圖，然后通過對成分隨時間變化的特征做進一步的假設，將其轉變?yōu)闀r間軌跡。

與所有基于模型的方法一樣，這種技術的優(yōu)勢在于形成模型的假設是否得到它們試圖表征的系統結構的良好支持。雖然使用ICA進行了大量優(yōu)秀的研究，但對于靜息態(tài)fMRI來說，考慮到對數據進行清晰解釋的一些挑戰(zhàn)是很重要的。首先，尚不清楚靜息態(tài)下的大腦理想的獨立成分數量是多少，也不清楚不同的個體是否具有相同數量的成分。當試圖比較和對比臨床隊列時，特別是那些有明顯神經生物學病理的隊列，這個問題變得尤為尖銳。

另一相關問題是，把大腦分成一組獨立的成分是否合理。事實上，大腦是一個復雜的系統，具有多層次的空間和時間組織。因此，假設一個特定的體素屬于一個特定的成分是有問題的。此外，雖然這種假設可能對大腦皮層的感覺區(qū)域是合理的，但它可能會導致跨多種模式區(qū)域的系統性問題，如頂葉、顳葉和額葉。事實上，不管閾值或選擇的成分數量如何，大腦皮層的關聯區(qū)域涉及到更多的成分，這表明大腦中內在的非線性特征并不完全符合ICA的假設。例如，在深度腦刺激(DBS)的情景下，ICA可以被應用于識別和比較DBS開啟和關閉條件下的靜息態(tài)網絡，以識別DBS功能中變化的特定成分。

主成分分析（PCA）

另一種相關的技術是主成分分析(或PCA)，但在靜息態(tài)文獻中還未像ICA一樣廣泛地使用。雖然PCA也是一種基于模型的方法，但它所做的假設與ICA不同。PCA假設N維數據(其中N是種子點/體素/頂點的數量)中的大量方差能夠通過旋轉參照系來有效地描述，從而與數據內部固有的最大變異性分布對齊。雖然現在的時間序列比以前稍微抽象一些(也就是說，它們不再反映一個區(qū)域內BOLD的上下波動，而是反映一種特定活動模式的系統性參與)，但是每個軌跡概括了大量的區(qū)域集群，這意味著我們可以更清晰地了解關于大腦系統動力學的本質。

最近，一種類似于PCA(擴散映射)的降維方法被應用于大樣本靜息態(tài)fMRI數據。與低維結構一致，研究者觀察到兩個關鍵的梯度，解釋了數據中的實質性差異。重要的是，基于與大量認知神經科學實驗相關的統計fMRI圖，同樣的梯度能夠概括出分類，這表明這些模式反映了潛在的心理組織原則。這一觀點本身與Mesulam的一個較早的觀點緊密聯系在一起。Mesulam認為，大腦中的層級位置和大腦皮層區(qū)域及其與感覺或邊緣結構的距離之間的關系有關。有趣的是，大腦皮層回路的復雜性也存在同樣的原理，這一假設與最近的多模態(tài)成像工作相一致。此外，類似的方法也被用于證明認知任務表現和基因表達的低維特征和模式之間的密切關系。雖然這種方法現在才開始流行，但對人腦正常(和異常)功能的進一步了解，很可能來自對這一強大優(yōu)勢的進一步探索。例如，PCA或擴散映射可用于研究DBS對特定皮層下或皮層結構的功能梯度變化。

圖論測量

通過將大腦內的區(qū)域視為節(jié)點(或頂點)，將連接強度視為邊，可以使用靜息態(tài)連接估計來填充圖(或網絡)。從這里，可以計算出大量的概括統計數據，以此來表征整個網絡的拓撲模式。在PCA的情況下，這些技術可以被認為是將數據轉換成一個新的參考框架，在這個框架下，對數據的洞察可以變得更加清楚。這些圖論測量的主要概念包括網絡中節(jié)點的重要性程度(通常稱為中心性)，它們之間的距離測量(如最短路徑長度或節(jié)點效率)，分割網絡的方法或網絡的全局屬性(如小世界或全局效率)。

將圖論應用于靜息態(tài)功能連接的大部分工作是使用統計度量來計算邊緣的強度。許多最初為二元圖設計的術語本質上很難在連通性圖上進行解釋(例如兩個節(jié)點之間的最短路徑長度)。當考慮到某條邊上存在負權值的可能性時，這個問題就被放大了。雖然目前還沒有關于在加權圖上使用理想測量方法的共識，但值得一提的是，首先表征網絡集群結構的度量對邊緣計算的方式不太敏感。至少，研究人員在解釋基于靜息態(tài)數據計算的圖論測量時要謹慎，這是很重要的。

動態(tài)功能連接

上述的每一種方法具有一個共同的假設，即數據源自一個穩(wěn)定不變的過程。在過去的幾年里，這種假設被放寬了，從而使得研究人員能夠描述實驗過程中功能連接的波動。這一想法是為了揭示時間上的相關性，努力探索大腦不同區(qū)域隨時間相互作用的方式的可變性。這種方法提供了一個獨特的視角，對于表征認知、注意力和情感狀態(tài)的動態(tài)過程中的波動具有潛在的重要性。此外，頭部運動通常會對動態(tài)連接度量產生強烈的影響，而且區(qū)分從真實的BOLD信號中計算出的動態(tài)模式也是一項挑戰(zhàn)。

有效連接

通過引入與時間優(yōu)先相關的假設，研究人員能夠檢驗信號在靜息大腦中流動方向的假設。這基本上可以歸結為推斷一個特定區(qū)域的BOLD活動是否驅動了另一個區(qū)域的BOLD波動(因此暗示可能存在因果關系)。目前流行的技術包括格蘭杰因果關系、轉移熵和延遲線程等技術。當測量神經電位時(如電生理學)，估計延時有效連接已經是非常具有挑戰(zhàn)性的了，但是當跨區(qū)域的動作電位總和通過BOLD信號的時空濾波器進行濾波時，這個挑戰(zhàn)就變得更加復雜了。此外，大腦中因果關系的本質也是一個懸而未決的問題，因為有證據表明，復雜系統往往依賴于循環(huán)因果關系和預期動力學等過程，這兩者都與傳統技術隱含的因果關系模型無關。這些技術的支持者認為，真正理解神經效應需要描述相互關系的因果性質(而不僅僅是統計性質)。

靜息態(tài)fMRI分析啟示

靜息態(tài)網絡的一大亮點是，它們與大腦皮層已知的功能分區(qū)相當吻合。與視覺和體感系統的聯系是無可爭議的，因為這兩個系統都受到來自外圍輸入的限制，因此很可能具有相似的特征。分布在大腦皮層各葉的網絡在功能上也是一致的。一個很好的例子是背側注意力網絡，它連接額葉眼區(qū)和上頂葉。Mesulam證明了對背側注意網絡的任何一個皮層節(jié)點的損傷都能導致同樣的注意力忽視癥狀。這些結果表明，伴隨是一種新興現象，產生于相互關聯的區(qū)域網絡，而不是來源于孤立區(qū)域的激活。

從靜息態(tài)研究中獲得的另一個重要啟示包括靜息態(tài)網絡(以及組成它們的區(qū)域)隨著時間的推移協調其活動的方式。雖然所有區(qū)域在基線時通常都是呈現出典型的正相關，但還是有可能在不同的網絡對之間識別出微妙的反相關關系。特別是，在組成默認模式網絡的區(qū)域(如后扣帶回、海馬體、內側前額葉皮層)和組成背側注意(上頂葉和額葉視區(qū))以及額頂葉控制網絡(外側前額葉和外側頂葉皮層)的區(qū)域存在反相關關系。這些模式最初是在靜息態(tài)下觀察到的，并與靜息態(tài)下的大腦不斷返回默認狀態(tài)的概念吻合，這對于大腦的能量消耗具有重要的意義。

參考文獻：

Herculano-Houzel S. The human brain in numbers: a linearly scaled-up primate brain. Front Hum Neurosci. 2009.

Buzsa′ki G, Kaila K, Raichle M. Inhibition and brain work. Neuron. 2007;56(5):771–783.

Haushofer J, Kanwisher N. In the eye of the beholder: visual experience and categories in the human brain. Neuron. 2007;53(6):773–775.

Gaynes R. The discovery of penicillin—new insights after more than 75 years of clinical use. Emerg Infect Dis. 2017;23(5):849–853. https://doi.org/10.3201/eid2305.161556.

Biswal B, Zerrin Yetkin F, Haughton VM, Hyde JS. Functional connectivity in the motor cortex of resting human brain using echo-planar mri. Magn Reson Med. 1995;34(4):537–541.

Betti V, Della Penna S, de Pasquale F, et al. Natural scenes viewing alters the dynamics of functional connectivity in the human brain. Neuron. 2013;79(4):782–797.

Tagliazucchi E, Laufs H. Decoding wakefulness levels from typical fMRI resting-state data reveals reliable drifts between wakefulness and sleep. Neuron. 2014;82(3):695–708.

Shine JM, Bissett PG, Bell PT, et al. The dynamics of functional brain networks: integrated network states during cognitive task performance. Neuron. 2016;92(2):544–554.

Turchi J, Chang C, Ye FQ, et al. The basal forebrain regulates global resting-state fMRI fluctuations. Neuron. 2018;97(4):940–952.e4.

Poldrack RA, Laumann TO, Koyejo O, et al. Long-term neural and physiological phenotyping of a single human. Nat Commun. 2015;6:8885.

Laumann TO, Gordon EM, Adeyemo B, Snyder AZ. Functional system and areal organization of a highly sampled individual human brain. Neuron. 2015;87(3):657–670.

Gordon EM, Laumann TO, Gilmore AW, et al. Precision functional mapping of individual human brains. Neuron. 2017;95(4):791–807.e7.

Glasser MF, Sotiropoulos SN, Wilson JA, et al. The minimal preprocessing pipelines for the human connectome project. Neuroimage. 2013;80:105–124.

Power JD, Barnes KA, Snyder AZ, Schlaggar BL. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 2012;59(3):2142–2154.

Dale AM, Fischl B, Sereno MI. Cortical surface-based analysis. Neuroimage. 1999;9(2):179–194.

Gordon EM, Laumann TO, Adeyemo B, Huckins JF, Kelley WM, Petersen SE. Generation and evaluation of a cortical area parcellation from resting-state correlations. Cereb Cortex (New York, NY: 1991). 2014;26(1):288–303.

Schaefer A, Kong R, Gordon EM, et al. Local-global parcellation of the human cerebral cortex from intrinsic functional connectivity MRI. Cereb Cortex (New York, NY: 1991). 2018;28(9):3095–3114.

Chang C, Glover GH. Time–frequency dynamics of resting-state brain connectivity measured with fMRI. Neuroimage. 2010;50(1):81–98.

Smith SM, Miller KL, Salimi-Khorshidi G, et al. Network modelling methods for FMRI. Neuroimage. 2011;54(2):875–891.

He BJ, Zempel JM, Snyder AZ, Raichle ME. The temporal structures and functional significance of scale-free brain activity. Neuron. 2010;66(3):353–369.

Yu-Feng Z, Yong H, Chao-Zhe Z, et al. Altered baseline brain activity in children with ADHD revealed by resting-state functional MRI. Brain Dev. 2007;29(2):83–91.

Calhoun VD, Liu J, Adal? T. A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data. Neuroimage. 2009;45(1):S163–S172.

Calhoun VD, Adali T, Pearlson GD, Pekar JJ. Spatial and temporal independent component analysis of functional MRI data containing a pair of task-related waveforms. Hum Brain Mapp. 2001;13(1):43–53.

Bell PT, Shine JM. Estimating large-scale network convergence in the human functional connectome. Brain Connect. 2015;5(9):565–574.