靜息狀態功能磁共振成像（rs-fMR imaging）顯示瞭在沒有明確任務情況下的一系列不同的大腦區域，這些區域表現出低頻的、時間上相關的血氧信號的波動，稱為靜息態網絡。通過rs-fMRI，對大腦功能的解剖學理解已經從局部化的角度發展到基於網絡的結構。這些網絡往往涉及共同激活的區域，並在受試者和掃描周期之間保持一致，這表明瞭大腦功能組織的一般原則。目前，靜息態網絡的分析通常使用假定時間平穩性（temporal stationarity）的技術，並計算在整個掃描過程中線性依賴性的度量，以描述跨區域間連接的強度。
雖然在腦電圖或腦磁圖等更高時間分辨率的研究中很明顯，但在分析rs-fMRI數據時，神經生理過程的波動性最初被排除在考慮范圍之外，即假定數據在采集期間是平穩不變的。然而，在不同的生理或病理大腦條件下，越來越多的研究觀察到瞭fMRI網絡連接或動態功能連接(dFC)的時變變化。此外，有證據表明，區域間的相關性可以被認知過程調節，這些認知過程發生在一個任務執行情況下的掃描的時間序列中。“靜息狀態”是一種無方向性的清醒狀態，可能包括不同程度的註意力、神遊和覺醒，這些認知變化會疊加在內在大腦功能的波動模式上。研究表明，dFC實際上能夠捕捉各種生理狀態下大腦內在FC的變化，並且可能確實是比靜態FC更敏感的標記物。近年來，幾項研究還發現精神分裂癥、自閉癥、癡呆癥、多發性硬化癥和抑鬱癥患者的大腦dFC異常模式（特征是隨時間過度變化或穩定）。事實上，其它思維過程涉及的認知靈活性或穩定性可能也反映在不同時間出現的大腦狀態上，可以從dFC研究中加深對這些狀態與認知能力之間關系的認識。
在本文中，作者簡要回顧瞭dFC的基本原理，評估瞭在rs-fMRI中研究dFC的技術，重點介紹瞭頻繁出現的狀態模式，並討論瞭dFC的潛在臨床應用。本文的目標不是試圖進行全面的綜述，因為還有許多其他可用的資源，而是提供一個廣泛的概述，感興趣的讀者可以從本文提及的文獻中進一步增加更具體的知識。本文發表在Neuroimaging Clinics of North America雜志。
圖1 動態FC的示例圖
同一受試3個不停腦區的BOLD時間序列。藍色和紅色感興趣區域(ROI)反映瞭大腦的同位區域。從整個采集時長來看，藍色ROI和紅色ROI的BOLD信號高度相關(Pearson系數為0.79)，而綠色ROI和紅色ROI的BOLD信號基本上不相關(Pearson系數為0.02)。然而，當檢查時間序列的子集時，在所有3個ROI之間都存在瞬間同步的周期，如藍框所示。
大腦的內在相關性和動態連接性之間的關聯
rs-fMRI分析的主要目的是在受試者休息時檢查大腦各區域隨時間變化的BOLD信號變化。研究通常采用簡單的測量方法，如計算皮爾遜相關系數（圖1）。一組類似的時變區域被認為代表瞭內在的大腦網絡。然而，人們必須明白，網絡之間的區別並不像預期的那樣明確。雖然將大腦區域分成不同的類別很方便，但在一定程度上，大腦網絡的命名是任意的。例如，默認網絡（DMN）的子成分已被證明與不同的大腦區域具有不同的相關和反相關模式。使用DMN前部的腹內側前額葉皮質中的一個種子點進行分析得到的反相關區域，主要由視覺空間註意網絡的區域組成，而使用DMN後部的扣帶回皮質中的一個種子點進行分析則顯示出與前額葉計劃和控制回路的反相關性。這裡一個有趣的觀察結果是主要的反相關區域與種子區域的位置分佈——朝向大腦的相反部分。因此，通常被認為代表同一功能網絡（如DMN）的子成分實際上可能具有不同的功能角色。
更有趣的是，Chang和Glover證明，在rs-fMR成像圖像采集的不同時間段，當分別測量扣帶回後部的相關性（實際上是反相關性）時，全腦連接的模式略有不同，表明網絡連接中的非平穩性（圖2）。DMN是一種被認為在自發思維遊蕩狀態和沒有特定目標導向行為的情況下活躍的網絡，通常表現出與軀體運動網絡（一種功能上與DMN截然相反的網絡）高度對立的關聯模式。盡管這種反相關性是否是由於處理方法的偽影造成的仍存在爭議（超出本綜述的討論范圍），但這兩個網絡之間仍然存在一系列BOLD的同步性。另一個經常被誤解的觀點是，反相關是沒有意義的，但是，在某種意義上來看，高相關性和高反相關性是等價的。在這兩種情況下，基本過程都是高水平的互動或溝通。而缺乏交流或互動不會表現為反相關，而是沒有相關性。
圖2 DMN子區域與軀體運動網絡子區域與全腦功能連接的變化
在2個連續的7分鐘的靜息狀態數據片段中，與後扣帶回種子ROI區域呈負相關的腦區，圖中展示瞭一個受試者的數據。在兩圖中，2種拮抗相關網絡的分佈是不同的，表明瞭相關性會隨時間而變化。
評估動態功能連接性的一般方法
dFC的基本原理是評估大腦功能隨著時間的變化，有幾種獲取數據的方法；最簡單的方法是滑動時間窗口來計算相關的時間窗口。可以在指定的時間窗口內，將每對時間序列之間的連接性計算為皮爾遜相關系數，然後將其移動一個固定長度，並在掃描時間內重復相同的計算。重復此過程，直到窗口到達時間序列的終點，以最終獲得時變連接性的時間序列。這些值通常被總結成一個矩陣，描述在掃描時間內大腦的連接模式。
另一種識別源時間序列的方法是使用基於網絡的連接性參數，而不是基於種子或區域的連接性參數。可以在組水平上對一組受試者進行獨立成分分析（ICA），以生成在整個隊列中一致的腦網絡圖。每個時間序列由反映每個網絡或網絡子成分代表性信號的每個ICA成分生成。對每個個體的對應子網絡進行反向重構，以獲得子網絡的時間序列，並生成子網絡與子網絡的相關性矩陣。然後，對這些數據采用滑動窗口方法，為每個受試者生成一組時變連接矩陣。Allen等人的研究證明，在對這些dFC圖進行聚類後，可以看到一組一致的連接“狀態”(state)（圖3）。他們進一步的分析展示瞭不同狀態之間發生的轉換模式。此外，在研究子網絡隨時間變化的可變性/變異性（variability）時，發現瞭一個有趣的特征（圖4）——不同的子網絡表現出不同的可變性，他們將這些區域稱為“不穩定區”（zones of instability），映射到大腦上，發現內側前額葉皮質、後扣帶回皮質、下頂葉是大腦中可變性最大的區域。而且，所有這些區域都構成瞭DMN的子網絡。令人特別感興趣的是，這些高變異性或不穩定性的大腦區域與決定個性的大腦區域的空間分佈之間存在重疊（圖5）。Airan和同事使用無監督算法，將一組未標記的rs-fMRI圖像與健康受試者的測試-重測試rs-fMRI掃描數據配對。該算法能夠高精度地正確配對受試者的rs-fMRI數據；然後確定對算法區分受試者能力貢獻最大的大腦區域，發現該區域由高階聯合皮層組成，包括與DMN相關的區域。從根本上說，大腦的聯合區域也表現出高度的不穩定性。因為大腦的聯合區域驅動著個體獨特的處理過程，而不是那些功能更同質的區域，如初級皮層（運動皮層、視覺皮層等）。
圖3 dFNC的分析過程
結合組水平ICA將fMRI數據分解為內在連接性網絡對dFC進行評估（A），隨後對產生的網絡時間序列進行滑動窗口連接性分析。對於每個窗口，生成一個相關性矩陣，然後可以對所有矩陣進行聚類分析來識別狀態，並確定給定對象在給定時間內占主導地位的狀態（B）。
圖4功能連接隨時間變化較大的區域。
（A） 研究中所有受試者內在大腦網絡之間低頻振蕩的平均振幅，振幅越大，表明功能連接性越可變。
（B） 使用置換檢驗計算不穩定區（ZOI）分數。
（C）ZOI分數大於0.5（連接性高度可變性的區域）的網絡映射到大腦表面的圖像。值得註意的是，這些區域構成瞭DMN的主要組成部分。
圖5 最有助於從rs-fMRI成像中識別出“個體”的區域。
較暖的顏色表示個體間具有高度獨特性的區域（紅色最高），以及更大的區分個體的能力（或者從另一個意義上說，是決定個性的區域）。較冷的顏色表示受試者之間的連接模式相對一致，因此對個體識別幾乎沒有貢獻。正如所料，聯合區域對個性的貢獻更大。值得註意的是，其中許多區域包括DMN的區域，並且與圖4中描述的ZOIs有顯著重疊。
除此以外，外源性藥物也可以調節dFC狀態。在研究異氟醚水平對dFC影響的一項研究中發現，異氟醚水平的增加會導致在特定狀態下“停留時間”增加（即慣性增加），狀態間轉換的頻率也會降低。隨著麻醉水平的增加，狀態的總數也在減少。這也間接地支持瞭動態相關性在本文其他地方描述的“自我”表現中的作用。
最近，人們探索瞭精神改變劑（特別是迷幻劑）的使用，將其作為一種新機制，用於治療可能對傳統治療方法產生耐藥性的疾病或情況。例如，賽洛西賓已被用於戒煙幹預或治療抑鬱癥的研究。當服用賽洛西賓時，動態連接模式顯示出明顯的改變；雖然作者沒有明確地將dFC的變化與行為測量相關聯，但還可以期待在研究的後續進展中，是否能在服用賽洛西賓後dFC的變化與行為測量之間有類似的發現。
還有其他研究表明滑動窗口分析與行為測量之間存在相關性，而使用靜態連接性分析方法則不能發現。例如，對動態連接性進行因子分析會產生一組具有共同變化的連接性的邊，這些邊可以劃分為不同的組。研究表明，背側註意網絡的一個動態特征可以預測註意力任務的表現。
更廣泛地說，一項對比思維散漫時的靜態FC和dFC的研究表明，雖然靜態FC測量值與痛苦刺激後的思維散漫水平沒有相關性，但滑動窗口分析顯示，更高與痛苦刺激無關的思維散漫率與更大的連接性指標的可變性存在微弱但顯著的相關性。可以推測，像這樣的dFC方法可以與神經反饋機制結合使用，作為慢性疼痛綜合征的潛在治療方法。
作為基於種子/感興趣區域（ROI）分析的擴展，圖論方法已被用於研究功能連接性的網絡特性，包括dFC分析。節點代表大腦區域，邊代表它們之間的連接。例如，可以很容易地計算出小世界性或網絡效率。模塊化被用於表示共享相似連接性屬性的節點的聚類團塊，以檢測網絡中的社區結構。圖論方法還可以描述兩組互補的屬性。第一，特定節點分配給特定模塊時其隨時間的可變性，第二，描述特定模塊的邊模式強度的可變性（圖6）。帶權值屬性的圖論分析可以通過將節點本身的特定屬性整合到整個圖結構中擴展對圖成分的特征的可解釋性。例如通過使用帶權值的圖，個體節點（即帶註釋的節點）的BOLD振幅和功能連接模式的社區結構（即圖的邊緣）之間的差異被顯示出可以預測新運動技能學習中的個體差異。
圖6在dFC中應用圖論分析
節點相當於種子區域或感興趣的區域，可以從中提取時間序列。邊表示節點對之間的連接。一組連接性很強但與其他節點弱的節點會構成社區或模塊。在時間上表現出相似強度或共同變化的一組邊會被定義為子圖（subgraph）。每個顏色表示一個模塊或子圖。隨著時間的推移，特定節點可以是不同模塊的一部分（左下），或者子圖中的特定邊有不同水平的強度或表達模式（右下）。
節點的社區分配或模塊分配隨時間的變化，在某種意義上可以被認為是思維遊蕩的的過程，或者從更積極的角度來看是網絡靈活性。滑動窗口分析以及隨後的動態圖構建和這種靈活性度量的計算（定義為一組預定義節點的社區分配的平均變化）表明，與健康對照組相比，精神分裂癥患者的大腦網絡靈活性顯著增加。此外，與健康對照組相比，精神分裂癥患者的一級親屬（沒有患病證據）的靈活性也顯著增加。因此，dFC分析也可能有助於對各種疾病的高危個體進行風險分層。最後，在同一項研究中，作者證明，與安慰劑相比，健康對照組服用NMDA拮抗劑右美沙芬可增加網絡的靈活性。這一發現支持瞭精神分裂癥NMDA受體功能減退的假說。
在經典的滑窗分析之外的方法
使用任何形式的滑動窗口分析的主要限制是最佳窗口周期的先驗選擇。為瞭選擇最佳長度，必須在特異性（足夠長以檢測可靠的dFC波動）和靈敏度（足夠短以不錯過真正的dFC變化）的最佳范圍之間進行權衡；然而，這仍然是一個比較隨意和存在爭議的問題。滑動窗口分析的另一個限制是需要固定的窗口長度，從而將分析限制在窗口大小內的頻率范圍內的波動，而不是數據的實際頻率，這可能更具有可變性。一種方法是計算不同寬度的特定離散時間窗口中神經元激活模式的相似性。每個時間窗口表示鄰接矩陣中的一個節點，可以計算與跨時間窗口的其他節點之間的相關性。與Erhardt和Allen的發現類似，一組一致的大腦狀態會隨著時間的推移而出現；此外，不同的時間窗口長度顯示出不同的連接性模式；正如預期的那樣，緩慢（較長）的時間尺度顯示出更簡單、更廣泛的模式，而快速（較短）的時間尺度顯示出更詳細的相關性變化。
還有多種其他方法可以克服滑動窗口分析的這種局限性。時頻分析（Time– frequency analysis）是滑動窗口分析的一種改進，允許在多個頻率下對FC進行時間探索，通過向參數空間添加額外維度，使觀測窗口適應原始時間序列的頻率。動態連接性檢測（Dynamic connectivity detection）是用數據驅動的窗口選擇代替任意選擇滑動窗參數的另一種方法。該方法允許檢測FC發生變化的時間點，並在這些變化點內定義dFC分析的時間窗口。值得註意的是，最近發展瞭一種類似的方法，它最初選擇瞭較短的窗口長度，然後逐漸增加，直到數據中的局部平穩性假設失效。通過這種方法，各種大小的定制窗口可以出現在大腦活動的整個時間序列中。
準周期模式分析（Quasiperiodic pattern analysis, QPPA）是滑動窗口分析的一種改進，在某些情況下，它對窗口長度的選擇具有相對不變的敏感性（圖7）。在這種方法中，一組連續的圖像被采樣並用作模板。然後，計算該模板和源數據之間的滑動相關性，產生描述源數據和模板之間的時變相似性強度的波形。從相似度峰值中提取圖像，並對其進行平均，以生成更新的模板。重復此過程，直到兩次連續迭代中模板的穩定性不變。如圖7所示，窗口長度的選擇對與模板的滑動相關性沒有很大影響。在對小鼠、大鼠和人類中的QPPA的研究中也有類似的發現。但是，一些使用QPPA的研究表明選擇初始時間點作為模板對最終結果的一致性沒有影響，而其他研究表明，這種初始選擇確實導致瞭結果的差異，因此這一點還存在較多的爭議。在研究人類等認知能力較高的物種時，後者當然是有意義的，因為隨著時間的推移，神經認知變化的頻率更高，大腦狀態之間的差異也更大。盡管存在這一局限性，QPPA方法仍顯示瞭網絡信號在大腦中傳播的一致模式。
圖7準周期模式分析QPPA。
最初對一組連續的圖像進行采樣（左a），並將其用作模板。然後計算模板和源數據之間的滑動相關性（左b）。然後對構成相關性峰值（左c和d）的段進行平均，並將其合並到更新的模板中，重復上述步驟，直到在兩次連續迭代中模板的穩定性不變。在這項研究中，窗口長度的選擇對與模板的滑動相關性沒有顯著影響（右圖a和b）。
除瞭以上方法，最近還提出瞭另外兩個用於dFC研究的多元波動性模型，它們細化瞭滑動窗口的概念：動態條件相關性（DCC，dynamic conditional correlation）和指數加權移動平均值。這些方法是時間序列之間條件協方差/相關性的參數模型，為滑動窗口方法的一些局限性提供瞭解決方案，例如噪聲敏感性和對FC中細微和突然變化的次優檢測。尤其是DCC，在有效估計FC的動態變化方面顯示出巨大的潛力。之前的研究表明，DCC對隨機噪聲引起的FC變化不太敏感。此外，DCC模型中的所有參數都是通過不需要先驗選擇的擬極大似然方法計算的。在該模型中，首先計算每個時間序列的動態方差/相關性，然後使用標準化殘差估計dFC度量。Lindquist及其同事的一項研究在一系列模擬研究中比較瞭DCC和其他常用技術的特性，並報告DCC在檢測FC的時間變化時顯示瞭靈敏度和特異性之間的最佳平衡。作者還強調，DCC為動態方差和相關性的統計推斷提供瞭一個框架，這在其他技術中是缺乏的。因此，他們建議使用DCC方法，該方法將最大限度地提高dFC測量的準確性和可靠性。
在另一項研究中，Choe和Collegues利用健康受試者隊列的測試-再測試rs-fMRI數據和ICA成分圖（類似於Erhardt的研究）得出的時間序列發現，DCC不僅在估計動態相關性的平均值方面與滑動窗分析具有可比性，它在估計網絡對間方差的可靠性方面也有優勢。這個分析的一個有趣且非常實用的副產品是，測量ICA成分之間的邊方差有助於區分真實的內在大腦網絡ICA成分和噪聲成分。內在網絡在任何網絡子成分對之間表現出高方差，而噪聲成分在與其他噪聲成分和任何網絡子成分之間表現出一致的低方差。這樣，對ICA中噪聲成分的自動化和可靠標記就成為可能，這是采用rs-fMRI作為轉化工具的一個重要因素。
作為任務fMRI的輔助手段，rs-fMRI越來越多地被用於術前腦定位，在所有潛在的臨床應用中，rs-fMRI最有希望成為臨床實踐的工具。然而，rs-fMRI在臨床實踐中的應用仍然沒有普及。需要考慮有重疊的神經生理學基礎，例如rs-fMRI和任務fMRI中的神經血管解耦合。rs-fMRI的一個潛在限制因素是其運動網絡的準確性在個體層面的可變性。這種變化的潛在來源是什麼？在使用DCC檢查運動網絡子組件的時變連接模式時，Syed和同事發現，即使在運動網絡的子系統內，也存在一組變量是個體間一致的，無論其連接模式或狀態如何（圖8）。值得註意的是，對每個狀態的停留時間的測量表明，最普遍的狀態（約占總掃描時間的20%）不是運動網絡子成分之間高度相關的狀態，而是一種相關性相對較低的“休眠”狀態（見圖8）。運動網絡成分內相關性較高的狀態僅代表第二普遍的狀態，約為17%至18%。考慮到通過基於種子的方法或ICA對運動網絡識別的主要貢獻將主要來自網絡內高連接性的狀態，這意味著，本質上隻有不到20%的數據實際貢獻於目標網絡識別。換句話說，我們有可能通過特定大腦網絡在靜息狀態時段內的參與度獲得準確的網絡拓撲結構。因此，rs-fMRI數據的DFC分析可用於提高網絡刻畫的可靠性和準確性，這是術前腦定位的必要條件。
圖8軀體運動網絡（SMN）的dFC
左邊的網絡圖顯示瞭DCC分析生成的時變矩陣聚類後發現的10種連接狀態。右邊的條形圖顯示瞭在掃描時段內特定狀態的時間長度或停留時間。最普遍的狀態（圖中的狀態2）是SMN（the somatomotor network）子段之間的一般中間連接狀態。SMN的高連接性狀態（狀態1）是第二普遍的狀態，僅在不到20%總掃描長度中可見。Syed及其同事對其他顯著的中間狀態進行瞭詳細描述。
總結
動態FC為rs-fMRI分析增加瞭另一個維度，提供瞭使用傳統靜態rs-fMRI分析技術無法確定的功能連接信息。使用dFC可以發現一致的大腦狀態集和功能連接性的空間改變，這些測量與不同的意識或意識狀態相關，並進一步顯示為不同疾病中的病理改變。由於rs-fMRI在術前腦定位的應用中日益增加，因此dFC可能是一種很有前途的工具，可以在未來添加到臨床功能神經成像的輔助診斷工具中。
如需原文及補充材料請添加思影科技微信：siyingyxf或18983979082獲取,如對思影課程及服務感興趣也可加此微信號咨詢。另思影提供免費文獻下載服務，如需要也可添加此微信號入群，原文也會在群裡發佈，如果我們的解讀對您的研究有幫助，請給個轉發支持，感謝！
