- 2 次围观
病灶网络映射（Lesion Network Mapping，LNM）是一种用于在人类脑内绘制症状相关回路的方法。近期研究对该方法及其所导出的网络的特异性提出了担忧，因为在彼此无关的疾病或病症之间，这些网络往往表现出较高的空间重叠。为应对上述局限性，有研究提出了零模型^1。零模型是网络神经科学中有用的统计工具，可作为参照程序；但在LNM中，即使采用零模型，规范性连接组矩阵C仍然是所导出网络的来源。因此，将其作为LNM的普遍解决方案所发挥的作用，仍有必要进行谨慎评估。在此，我们逐步考察所提出的零模型，并在多个数据集上对其进行实证检验。我们表明，所提出的零模型校正实际上仅是将C替换为一个经过变换的矩阵C'（例如，C' ~ C - mean(C)）；该矩阵直接源自C，并保留了其大部分低维结构。因此，经零模型校正的LNM图谱仍然受到同一组标准化连接组衍生模式的塑造，并且在彼此无关的疾病或病症之间继续表现出重复性和非特异性。我们讨论了零模型在LNM中的适用范围与局限性，表明零模型可以对LNM进行统计学基准评估，但其应用并不能解决LNM网络缺乏特异性的核心局限。
病灶网络映射（Lesion Network Mapping，LNM）是一种用于绘制人脑中与症状相关回路的方法。近期研究对该方法及LNM所推导网络的特异性提出了质疑，因为这些网络在不同且无关的病理状况之间往往表现出高度的空间重叠。为应对上述局限，研究者提出了零模型^1。零模型是网络神经科学中有用的统计工具，可作为参照程序；但在LNM中，即使采用零模型，规范性连接组矩阵C仍然是所推导网络的来源。因此，零模型作为LNM通用解决方案所发挥的更广泛作用，有必要接受审慎评估。在本研究中，我们逐步考察了所提出的零模型，并在多个数据集上对其进行实证检验。我们表明，所提出的零模型校正实际上仅仅是将C替换为一个经过变换的矩阵C′（例如，C′ ~ C − mean(C)）；该矩阵直接源自C，并保留了其大部分低维结构。因此，经零模型校正的LNM图谱仍然受到同一套标准的、源自连接组的模式所塑造，并且在不同且无关的病理状况之间继续表现出重复性和非特异性。我们讨论了零模型在LNM中的适用范围与局限性，指出零模型可以对LNM进行统计学基准评估，但其应用并不能解决LNM网络缺乏特异性的核心局限。
LC参与昆士兰神经刺激中心（Queensland Neurostimulation Centre，QNC）的临床神经调控工作，该中心提供神经影像引导的神经治疗。LC未从QNC获得报酬，且该中心未参与本研究。LC曾作为共同发明人参与由新加坡国立大学提交的一项专利申请，该专利涉及基于神经影像的个体化经颅磁刺激（TMS）；此外，LC还参与与ANT Neuro及Resonait Medical Technologies合作开发基于影像的抑郁症个体化TMS。ANT Neuro和Resonait Medical Technologies的临时专利及其产品与本研究并无直接关系。MPvdH和LC担任Wiley旗下《Human Brain Mapping》杂志的编委，该杂志未参与本研究。
感谢您有兴趣帮助传播bioRxiv的信息。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.09.23.752265v1?rss=1
🏷️ 病灶网络映射 网络神经科学 零模型 规范性连接组 脑网络特异性