Trends Cogn Sci重磅综述: 提高fMRI测量可靠性的策略

自1992年推出以来，功能性磁共振成像（fMRI）已迅速发展成为神经科学领域的强大工具。使用它可以无创地绘制人脑的功能组织图，探索从简单到复杂行为的大脑基础。

然而，迄今为止，将fMRI转化为临床应用以及对脑功能个体差异的研究还很有限。这种限制部分反映了许多fMRI测量方法的可靠性不足。

本文强调了四种提高测量可靠性的新兴策略，每一种都源于心理测量学，这些策略可帮助提高fMRI的潜在临床效用。

欢迎加入

全国脑成像学术讨论群

全国心理学学术讨论群

添加小编微信

brainnews_11

-留言：脑成像或心理学研究群-

大脑功能的个体差异能被稳定测量吗？

早期fMRI实验通常依赖于两个关键的设计特征：实验操作和组平均。实验操作通过结构化呈现严格控制的刺激，以便对比感兴趣条件的BOLD信号与基线条件的BOLD信号。组平均则用来减少个体BOLD数据的固有噪声，以引发强大的群体效应，以此推断人脑的功能。

21世纪以来，研究者们开始试图识别这些效应中的个体差异，并以此为临床生物标志物的发现提供信息，从而有助于疾病的预测、干预及治疗的改善。

然而，近年来fMRI测量个体差异的可靠性却受到了质疑。小样本（n<100）、短扫描(5-10分钟)、严格的刺激控制和对组平均的依赖等因素都限制了fMRI测量大脑功能个体差异的可靠性。

鉴于可靠性是有效测量个体差异的先决条件，越来越多的研究人员试图为转化神经科学建立一个新框架。本文将重点介绍四种互补的策略。

如何建立可靠的个体差异神经科学

一、扩展聚合——精密功能磁共振成像 (pfMRI)

BOLD信号被各种噪声包围，仅代表fMRI数据中方差的一小部分（约5-20%）。为分离由稳定个体差异引起的BOLD信号，“精确功能磁共振成像”（pfMRI）产生并成为了重要策略。

pfMRI研究采用了经典测试理论中久经考验的原则：单个被试收集更多数据，而不是在群体中平均收集更少量的数据。随着测试长度的增加，可靠性往往会增加，因为随机的、非结构化的误差变异有更多机会自我抵消。这一点在fMRI测量中同样适用。

相关研究已通过小样本（n=10）、每个被试20小时以上的fMRI数据证实了，可靠的、个体特异的特征存在于大脑网络的空间组织及其时间尺度中。

图1. 典型的fMRI度量及四种提高测量可靠性的策略

二、可靠性模型建立

传统fMRI建模由于每个被试只有一个单一估计（如任务态fMRI中的beta值），个体稳定的方差不能从瞬时变异（如思想、情绪或注意力的波动等）和噪音中分离出来。

最近研究表明，个体稳定的变异可以通过重复测量工具（如潜变量模型和层级贝叶斯建模）中分离出来，从而提高任务激活和功能连接测量的可靠性。至关重要的是，这些建模方法可以在只有一个扫描段时应用。

通过将回归元分别拟合到扫描的前半部分和后半部分，或者在更精细水平上将回归元拟合到每个试次中，可以生成多个激活估计值。一旦为每个人生成了多个估计值，就可以使用重复测量建模的工具将fMRI方差的“稳定成分”与瞬态方差和噪声分开。目前已发现这种建模将测量可靠性提高了60%，尤其是针对短扫描的测量。

三、去除生理伪影——多回波fMRI（multi-echo fMRI，ME-fMRI）

诸如头动这种生理伪影，由于具有个体稳定的、非随机的变异，并不能被聚合和潜变量建模等技术去除。而ME-fMRI因其能在多个回波的激发脉冲中获得多个全脑图像，从而可以将非BOLD信号分离出来。

这是因为BOLD信号在不同回波中发生衰减，而非BOLD信号则不会。值得注意的是，ME-fMRI可以缩短扫描时间。已有证据表明，10分钟的ME-fMRI扫描比30分钟的单回波数据能产生更稳定的功能连接估计。

四、刺激设计

自然刺激，如电影等可以让参与者保持参与、清醒和相对静止，从而最大限度地减少由于头部运动、注意力和清醒度引起的伪影。

自然刺激相对于传统刺激具有更高的生态效度，并且容易适应各种各样的研究内容，包括视觉、情感和社会认知等。将自然刺激观看与其他任务和静息态数据相结合，还可以产生更可靠的大脑功能估计。

结 语

基于传统fMRI测量的约束，研究人员正面临着创建新范式的挑战，以可靠地测量大脑功能的个体差异。pfMRI、可靠性建模、ME-fMRI和刺激设计等新兴方法可将稳定的被试内变异分离出来从而产生可靠有效的fMRI测量。更重要的是，这些方法可以同时实施，在精度和可靠性方面互补。新策略的使用将推进个体差异的转化神经科学发展。

参考文献：Striving toward translation: strategies for reliable fMRI measurement. Trends Cogn Sci . 2021 Jun 14;S1364-6613(21)00129-7.

编译作者：LIU, brainnews创作团队