基于静息态fMRI的脑功能网络研究综述

基于静息态fMRI的脑功能网络研究综述一、静息态fMRI技术原理与脑功能网络的基本属性静息态功能磁共振成像（resting-statefunctionalMRI,rs-fMRI）的核心原理依赖于血氧水平依赖（bloodoxygenleveldependent,BOLD）信号的生理机制：当大脑特定区域神经元活动增强时，局部血氧消耗速率与脑血流灌注速率的非同步变化会导致脱氧血红蛋白与氧合血红蛋白的比例发生改变，而两者的磁敏感性差异可被MRI设备捕捉为可量化的信号波动。与任务态fMRI相比，rs-fMRI无需受试者执行特定认知任务，仅要求其在扫描过程中保持清醒、放松、闭眼的静息状态，大幅降低了实验设计的复杂度与受试者的配合门槛，尤其适用于认知障碍患者、婴幼儿等难以完成标准化任务的群体。脑功能网络的本质是大脑在静息状态下，不同解剖区域之间自发神经活动的同步性关联模式。1995年Biswal等人首次发现，即使在无任务刺激的条件下，双侧运动皮层的BOLD信号仍存在显著的时间相关性，这一发现打破了“静息态下大脑神经活动无规律”的传统认知，为脑功能网络研究奠定了实验基础。后续大量研究证实，静息态下的大脑可分化为多个具有特定功能属性的子网络，包括默认模式网络（DMN）、感觉运动网络（SMN）、视觉网络（VN）、听觉网络（AN）、背侧注意网络（DAN）、腹侧注意网络（VAN）、突显网络（SN）、执行控制网络（ECN）等，这些网络内部的功能连接强度稳定、可重复性高，且与大脑的基础认知功能直接对应。二、脑功能网络的分析方法体系当前rs-fMRI脑功能网络分析已形成从局部特征到全局架构的多维度方法体系，可分为功能连接分析、图论拓扑分析、动态功能网络分析三大类。功能连接分析是最基础的分析范式，主要包括种子点相关分析、独立成分分析（ICA）、区域同质性（ReHo）、低频振幅（ALFF）四类方法。种子点相关分析需要先选定具有明确解剖或功能意义的脑区作为种子，计算其与全脑其他体素/脑区的时间序列相关性，是研究特定脑区功能连接异常的常用手段；ICA属于数据驱动的无监督方法，可在无需先验假设的情况下将全脑BOLD信号分解为多个独立的空间成分，每个成分对应一个潜在的功能网络，尤其适合探索未知的网络关联模式；ReHo通过计算单个voxel与其相邻voxel时间序列的肯德尔和谐系数，反映局部脑区神经元活动的同步性；ALFF则直接量化BOLD信号在0.01-0.08Hz低频段的振幅大小，表征局部脑区的自发活动强度。图论分析的引入推动脑功能网络研究从“区域关联描述”走向“拓扑架构量化”。研究者首先通过脑图谱将全脑划分为数十至数百个节点，以节点间的功能连接强度作为边的权重，构建出加权无向的脑功能网络，随后可计算一系列拓扑参数表征网络属性：全局效率、聚类系数、特征路径长度反映网络的整体信息传输效率，小世界属性则表示网络同时具备高效的局部信息处理能力与远程信息交互能力；节点度、节点效率、介数中心性衡量单个脑区在网络中的重要性，核心节点（hub）通常是信息传输的关键枢纽，其异常往往与神经精神疾病的病理机制密切相关。近年研究发现，健康人脑功能网络同时呈现“模块化”与“富人俱乐部”两个关键拓扑特征：模块化是指网络可分为多个内部连接紧密、外部连接稀疏的子模块，对应不同的功能系统；“富人俱乐部”则是指度值最高的核心节点之间存在密集的相互连接，构成了全脑信息传输的核心骨架。动态功能网络分析是近年该领域的重要发展方向，弥补了传统静态分析假设“功能连接在扫描过程中保持稳定”的局限性。常用的动态分析方法包括滑动时间窗分析、状态切换模型、隐马尔可夫模型等，可捕捉功能网络在数十秒至数分钟时间尺度上的动态变化特征，如网络状态的停留时间、切换频率、转移概率等。已有研究证实，脑功能网络的动态性并非随机波动，而是与大脑的认知灵活性密切相关：动态性过高可能导致认知稳定性下降，过低则可能与认知僵化相关，这一发现为理解神经精神疾病的认知障碍机制提供了新的视角。三、静息态fMRI脑功能网络在神经精神疾病中的应用进展rs-fMRI脑功能网络研究已在多种神经精神疾病的病理机制探索、早期诊断、疗效预测等方面取得了突破性进展，成为临床神经科学的重要研究工具。在阿尔茨海默病（AD）领域，大量研究发现AD患者的默认模式网络内部功能连接存在特异性下降，尤其是海马、后扣带回皮层、内侧前额叶皮层之间的连接减弱，且这种下降程度与患者的认知损害程度呈显著正相关。在AD的临床前期——轻度认知障碍（MCI）阶段，即可检测到默认模式网络功能连接的异常，甚至在携带AD风险基因APOEε4的健康老年人中，也能观察到类似的网络改变模式，提示默认模式网络的功能异常可能是AD病理进程的早期生物学标志物。此外，AD患者的脑功能网络拓扑属性也存在异常，表现为全局效率下降、特征路径长度增加、核心节点偏移，网络的小世界属性显著降低，反映出全脑信息传输效率的受损。在精神分裂症研究中，脑功能网络的异常呈现“广泛但有特异性”的特征：默认模式网络与突显网络、执行控制网络之间的连接异常是核心改变，患者常表现为默认模式网络的过度激活与功能连接增强，同时突显网络对外部刺激的响应能力下降，无法正常切换默认模式网络与任务相关网络的激活状态，这可能是精神分裂症患者出现幻觉、妄想等阳性症状与认知功能损害的重要机制。此外，精神分裂症患者的脑网络模块化程度降低，不同功能网络之间的隔离性下降，导致信息处理的特异性受损，而图论分析发现患者的前额叶、颞叶等脑区的节点度显著下降，核心节点的信息整合能力受损。在抑郁症研究中，脑功能网络的异常主要集中在情绪调节相关的网络交互异常：默认模式网络与突显网络、边缘系统网络之间的功能连接增强，而执行控制网络对情绪环路的调控能力减弱，这种异常模式与患者的rumination（反刍思维）症状密切相关。重度抑郁症患者的脑功能网络全局效率下降，且网络的动态性显著升高，提示其脑网络的稳定性不足，而经抗抑郁药物治疗或认知行为治疗后，异常的网络连接可出现不同程度的恢复，且治疗前的网络连接特征可有效预测患者的治疗响应率，为个体化治疗方案的制定提供参考。此外，rs-fMRI脑功能网络研究也在帕金森病、自闭症谱系障碍、癫痫、脑卒中后功能康复等领域取得了大量成果。例如，帕金森病患者的运动网络与认知网络之间的连接异常与运动症状、认知损害的严重程度直接相关；自闭症患者的脑网络长程连接减弱、短程连接增强，呈现“过度局部连接”的特征，与其社交认知缺陷密切相关；癫痫患者的致痫灶区域通常存在局部功能连接异常，且癫痫发作间期的网络动态性显著升高，可通过动态分析定位致痫灶，为手术治疗提供指导。四、当前研究的挑战与未来发展方向尽管基于rs-fMRI的脑功能网络研究已经取得了丰硕成果，但该领域仍面临多个亟待解决的挑战。首先是生理噪声与干扰因素的控制问题：BOLD信号不仅包含神经元活动的信息，还混有心脏搏动、呼吸运动、头动等生理噪声，这些噪声会显著影响功能连接的测量准确性，尤其在儿童、老年患者等头动控制较差的群体中，噪声导致的假阳性结果仍是研究结论可靠性的重要威胁。目前常用的噪声回归方法如全局信号回归仍存在争议，有研究认为其可能引入新的偏差，如何开发更精准的噪声校正方法是方法学研究的重要方向。其次是分析方法的标准化与可重复性问题：不同研究在脑图谱选择、连接阈值化方式、拓扑参数计算工具等方面的差异，往往会导致研究结论不一致，甚至出现相互矛盾的结果。目前国际神经影像领域正在推动多中心、大样本的研究范式，如人类连接组计划（HCP）、英国生物银行（UKBiobank）等项目已经公开了数万例高质量的rs-fMRI数据，同时也在推动分析流程的标准化，以提高研究结果的可重复性与泛化能力。第三是功能连接的生理意义阐释仍存在局限性：当前的功能连接分析大多只能建立“网络异常与疾病症状”的相关性，难以明确其中的因果关系，且BOLD信号的时间分辨率较低（通常为1-2秒），无法捕捉神经活动的毫秒级动态变化，难以精确刻画神经信息传递的时序关系。未来需要整合多模态神经影像技术，如联合结构MRI、弥散张量成像（DTI）、脑电图（EEG）、脑磁图（MEG）等，从结构连接、功能连接、电生理活动多个维度互补，更全面地揭示脑功能网络的运作机制。第四是临床转化应用的瓶颈问题：目前大多数rs-fMRI脑功能网络研究仍停留在群体水平的组间比较阶段，要实现个体水平的疾病诊断与疗效预测，还需要解决个体差异大、生物标志物特异性不足的问题。近年机器学习技术的发展为这一问题提供了可能，通过构建基于脑功能网络特征的分类模型、预测模型，可实现对个体的疾病识别、亚型分类、预后预测，已有部分研究在AD、精神分裂症等疾病的识别中取得了超过85%的准确率，未来随着大样本数据的积累与算法的优化，rs-fMRI脑功能网络有望成为临床常用的辅助诊断工具。从长远发展来看，静息态fMRI脑功能网络研究将向三个方向延伸：一是向微观尺度延伸，结合单细胞测序、光遗传学等技术，建立宏观脑网络连接与微观神经元环路、分子机制之间的关联，阐明脑功能网络异常的细胞与分子基础；二是向全生命周期延伸，研究从婴幼儿到老年的脑功能网络发育与老化轨迹，建立不同年龄阶段的脑网络常模，为早期识别发育异常与神经退行性疾病提供参考；三是向干预应用延伸，基于脑功能网络的异常特征，开发经颅磁刺激（TMS）、经颅电刺激（tDCS）等精准神经