面部處理支持我們識別朋友和敵人、形成部落和理解面部肌肉組織變化的情感含義的能力。這一技能依賴于大腦區(qū)域的分布式網(wǎng)絡(luò)，但這些區(qū)域如何相互作用卻知之甚少。在這里，作者將解剖學(xué)和功能連接測量與行為測定相結(jié)合，創(chuàng)建一個面部連接體的全腦模型。本文分析了關(guān)鍵特性，如網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和纖維組成。作者提出了一個有三個核心流的神經(jīng)認(rèn)知模型;沿著這些流的面部處理以平行和交互的方式發(fā)生。雖然遠(yuǎn)距離白質(zhì)連接通道很重要，但面孔識別網(wǎng)絡(luò)主要是短距離白質(zhì)纖維。最后，本文提供的證據(jù)表明，眾所周知的面部處理的右側(cè)偏側(cè)來自于大腦半球內(nèi)和半球間的連接不平衡。總之，人臉網(wǎng)絡(luò)依賴于高度結(jié)構(gòu)化的纖維束之間的動態(tài)通信，從而支持行為和認(rèn)知的連貫的人臉處理。這篇文章發(fā)表在期刊Nature Human Behavior雜志上。
研究背景：

人臉感知是人類高度發(fā)展的一項技能，因為它在進(jìn)化和社會方面具有獨特的重要性。通過對一張臉的簡單一瞥，我們可以毫不費力地收集到一個人的年齡、性別、身份、社會群體、情緒狀態(tài)、注意力集中程度以及其他一些特征，如可信度。

早期對局灶性腦損傷患者的研究顯示，右半球的下顳葉皮層部分可能對面部處理至關(guān)重要，因為該區(qū)域的損傷常常導(dǎo)致面容失認(rèn)癥的臨床綜合征。對病變病灶的fMRI和單細(xì)胞電極記錄的研究已經(jīng)發(fā)現(xiàn)了一些對面部識別重要的區(qū)域。這些區(qū)域沿著腹側(cè)視覺流直到顳極,該腹側(cè)流靠后部的腦區(qū)處理面孔識別的基本方面(例如,枕面區(qū)域(一)分析面部部分和梭狀回面孔區(qū)(FFA)),而更前的地區(qū),如前顳葉(ATL)和杏仁核(AMG),面臨與概念性知識和情感狀態(tài)相關(guān)的信息處理。其他可能在面部處理中起作用的區(qū)域包括后顳上溝(STS)，它參與處理面部運動。后扣帶皮層(PCC)可能參與與面部相關(guān)的情景記憶;額下回(IFG)負(fù)責(zé)調(diào)節(jié)情緒和凝視感知。還有眶額皮質(zhì)(OFC)，它被認(rèn)為在評價面部的吸引力和可信度等具有社會價值的方面具有重要的作用。

這些區(qū)域是如何相互聯(lián)系的，以及它們?nèi)绾卧诠δ苌舷嗷プ饔?，從而產(chǎn)生構(gòu)成面部處理的詳細(xì)的感知、社交、情感和記憶能力，這些都是人們知之甚少的。Haxby模型是一種非常有影響力的人臉處理模型，它假設(shè)了一個連續(xù)的層次結(jié)構(gòu)，在這個結(jié)構(gòu)中，信息以一種有序的方式從后腦區(qū)流向前腦區(qū)(例如，OFA（枕葉面孔識別區(qū)）到FFA（梭狀回面孔區(qū)）;OFA到STS（后顳上溝）)。此外，該模型還提出了一個獨特的人臉處理核心系統(tǒng)OFA、FFA和STS來完成人臉處理中最重要的部分，而擴展系統(tǒng)ATL、AMG和PCC則從人臉中收集其他信息。最近的模型對Haxby模型進(jìn)行了擴展，認(rèn)為有兩種臉部處理流，一種是背側(cè)流，一種是腹側(cè)流，在每一種流中都有一些交互處理。

對面部敏感區(qū)域如何相互聯(lián)系的初步研究主要涉及沿著腹側(cè)視束(ILF)進(jìn)行面部處理的大型白質(zhì)束的部分。然而，這些研究是有限的，因為他們依賴于小樣本，他們檢查了部分連接體;與行為表現(xiàn)的聯(lián)系往往缺乏，他們沒有調(diào)查結(jié)構(gòu)連接(SC)和功能連接(FC)或有效連接(EC)。完整的面部敏感區(qū)域在解剖學(xué)上是如何相互聯(lián)系的，它們在不同的任務(wù)和環(huán)境中是如何相互作用的，以及網(wǎng)絡(luò)層面的特征是如何與行為相聯(lián)系的，這些都還不清楚。

在本文中，作者測試了關(guān)于面部處理的著名神經(jīng)認(rèn)知模型的預(yù)測，并從解剖學(xué)研究中提出了幾個關(guān)于短期和長期白質(zhì)作用的新問題，并測試了關(guān)于面部處理中大腦半球不對稱可能起源的舊觀點。本文使用的是人類連接組項目(HCP)的數(shù)據(jù)集，因為它提供了大量的個體和高質(zhì)量的多模態(tài)神經(jīng)成像數(shù)據(jù)。

本文在每個個體中功能性地定義了9個面部敏感區(qū)域，然后使用白質(zhì)追蹤的方法來描繪局部、長期和跨半球的白質(zhì)連接。同時，也使用成對的resting狀態(tài)和task狀態(tài)的功能數(shù)據(jù)集來研究這個網(wǎng)絡(luò)的功能和動態(tài)特性，并通過研究解剖連接體和功能連接體之間的對應(yīng)關(guān)系來探索解剖功能之間的關(guān)系。最后，使用HCP行為測試來檢驗?zāi)承┟娌考寄?/span>(如面部情緒識別)的個體差異是否可以用任何連接體特征來解釋。

研究方法：

被試：

本研究使用的所有數(shù)據(jù)均來自WU-Minn HCP協(xié)會發(fā)布的S900。如果受試者完成了所有的腦部掃描(T1/T2、任務(wù)功能磁共振成像、靜息狀態(tài)功能磁共振成像和dMRI)，以及行為佩恩情緒識別測試，他們將被納入研究。為了減少人類連接組數(shù)據(jù)的差異，我們將研究對象限制在慣用右手的個體上，最終的樣本中有680名健康的年輕人(381名女性，22歲，36歲)。在人臉定位任務(wù)中，680個個體中只有667個個體在9個雙側(cè)ROIs中檢測到足夠強的信號;因此，大多數(shù)連接體水平的發(fā)現(xiàn)是基于667個個體的。本研究未使用任何統(tǒng)計方法來預(yù)先確定樣本量，但樣本量遠(yuǎn)遠(yuǎn)大于以往文獻(xiàn)報道的樣本量。

數(shù)據(jù)采集、處理和分析：

作者采用了HCP S900版本提供的task-fMRI、rs-fMRI和dMRI的最小版本的圖像預(yù)處理流程。dMRI數(shù)據(jù)經(jīng)過處理，包括EPI畸變、渦流和運動校正、梯度非線性校正以及平均b0體積與原始T1體積的配準(zhǔn)。功能磁共振成像數(shù)據(jù)經(jīng)空間校正、跨模態(tài)配準(zhǔn)和空間歸一化處理后配入到MNI標(biāo)準(zhǔn)空間。此外，進(jìn)一步利用FSL 的 BEDPOSTX工具對dMRI數(shù)據(jù)進(jìn)行處理，對白質(zhì)纖維方向和交叉纖維進(jìn)行建模，利用ICA-FIX和ICA-AROMA（FSL的降噪工具）對rsfMRI數(shù)據(jù)進(jìn)行去噪處理，去除頭動的影響。

所有fMRI數(shù)據(jù)以4mm高斯核進(jìn)行空間平滑處理。此外，為了精確定位每個被試的面孔識別ROI，由面孔識別任務(wù)定位的ROI在基于灰質(zhì)的空間(即皮層表面頂點+皮層下體素)上使用MSM-All配準(zhǔn)進(jìn)行處理。

本文使用HCP Penn情緒識別測試作為個體面部識別能力的行為測量。研究人員向每個人展示40張臉，每次一張。他們被要求選擇面部所描繪的情緒:高興、悲傷、生氣、害怕或沒有感覺。一半是男性，一半是女性。采用任務(wù)總體正確率(ER40_CR)和中位反應(yīng)時間(ER40_CRT)進(jìn)行腦行為關(guān)聯(lián)分析。

為了保證每個個體對連接體的敏感性，不僅在面孔識別任務(wù)的基礎(chǔ)上定義了個體特異性ROI，還在個體層面上進(jìn)行了所有的分析，然后將這些分析合并為一個匯總統(tǒng)計量，進(jìn)行群體層面的推理和顯著性檢驗。除非另有說明，本研究報告的所有重要結(jié)果均為雙尾檢驗，并經(jīng)多次比較糾正了錯誤發(fā)現(xiàn)率。數(shù)據(jù)分布被認(rèn)為是正態(tài)的，但未作正態(tài)性檢驗。此外，所有的不顯著結(jié)果進(jìn)一步評估使用在SPSS v.25貝葉斯統(tǒng)計(BF10)。

面孔ROI的識別和選擇

HCP tfMRI數(shù)據(jù)中的工作記憶任務(wù)可以有效地用于功能人臉定位。研究人員向受試者展示了四種不同類型的刺激物(即面部、位置、工具和身體部位)，并要求他們分別以2-back和0-back的方式進(jìn)行反應(yīng)。HCP S900版本已經(jīng)提供了在灰質(zhì)空間上進(jìn)行完整處理的個體水平(個體內(nèi))的task-fMRI分析數(shù)據(jù)，因此作者使用connectome workbench軟件手動從每個個體的contrast對比中提?。好婵兹蝿?wù)>其他類別任務(wù)中提取出雙邊9個預(yù)定義的面孔識別的ROI(以及其大小)的峰值激活頂點(這些頂點隨后被轉(zhuǎn)換為MNI坐標(biāo))。

ROI示意圖

這種任務(wù)范式和對比已被廣泛用于定義人類面部敏感區(qū)域，在這種對比中，面部和工作記憶的處理相互正交(即，在0-back和2-back試驗中，對面孔識別中的記憶條件進(jìn)行了修正)。為了保證對面孔體素識別敏感的體素的選擇，作者還考察了另一個連接對比(面孔>地點并集面孔>工具并集面孔>身體，即取了所有面孔條件>其他條件的并集)，得到了非常相似的峰值坐標(biāo)。

這些激活的ROI的峰值坐標(biāo)作為輸入(球體,6毫米半徑)隨后進(jìn)行了seed-based的大腦連通性分析。在個體層面(進(jìn)行概率tractography,靜息狀態(tài)分析,PPI和DCM)對大腦神經(jīng)響應(yīng)和行為層面的關(guān)系進(jìn)行ROI分析和半球不對稱分析。

由于本文對更廣泛的人臉網(wǎng)絡(luò)感興趣，我們選擇的區(qū)域不僅包括基本的人臉感知(OFA、FFA和STS)，還包括社會、情感和記憶處理(ATL、OFC、AMG、IFG和PCC)。Haxby模型中包含了一組相似的區(qū)域，這些區(qū)域在以前的face network研究中被廣泛使用。此外，對于具有多個cluster激活的面部區(qū)域(如OFA、FFA和STS)，本文只是選擇激活最強的一個以避免過度的個體間差異。并且作者提到，最近在一項對非人類靈長類動物的研究中發(fā)現(xiàn)了一些區(qū)域，它們顯示出與面部識別相關(guān)區(qū)域的強連通性，但在本次研究中并沒有選擇這些區(qū)域，因為它們沒有被面部定位任務(wù)持續(xù)激活，而且有關(guān)這些區(qū)域的人類文獻(xiàn)也很缺乏。

概率追蹤：

在個體的自然空間中進(jìn)行概率追蹤分析，所有結(jié)果均轉(zhuǎn)化為MNI標(biāo)準(zhǔn)空間。同時使用了單ROI和ROI-to-ROI的追蹤方法。在單ROI方法中，將每個ROI作為一顆種子，并在整個大腦中運行tractography，以獲得全局連接模式。在ROI-to- ROI方法中，對每對ROI進(jìn)行腦內(nèi)連接(如左AMG至左ATL)或腦間連接(如左AMG至右AMG)。纖維跟蹤從兩個方向開始(從種子到目標(biāo)，反之亦然)，并從ROI中的每個體素繪制25,000條白質(zhì)連接。所有分析均通過exclusive mask將小腦區(qū)域排除在外。對個體追蹤結(jié)果進(jìn)行閾值化，對于概率值低于10%的纖維進(jìn)行剔除，然后保留在組水平至少有10%之上被試都存在的連接。

在FSL中使用dtifit來擬合每個體素的擴散張量模型。對于每個個體，分別創(chuàng)建FA、平均擴散率、徑向擴散率和軸向擴散率映射，并提取每個ROI-ROI連接的平均值。每條路徑的白質(zhì)連接數(shù)是通過兩種方法的平均值來計算的。一個ROI- ROI連接(例如FFA OFA)的連接性概率被定義為該連接的白質(zhì)連接計數(shù)除以通過任一ROI的所有連接的白質(zhì)連接計數(shù)之和(例如，連接FFA或OFA的共有15條路徑)。

連通性分析

可連通性能力（communicabilit)量化為直接和間接SC的加權(quán)和，其中較短的路徑(即步驟較少的路徑)的加權(quán)更大。對于每個個體(以及每個半球)，從它們的連接概率矩陣中導(dǎo)出了一個全連接映射。隨后，將這一交流圖譜與其他大腦連接圖譜在個體水平上進(jìn)行比較，以揭示解剖功能之間的關(guān)系。

主要白質(zhì)束和表層白質(zhì)系統(tǒng)分析

對于每個半球，使用AFQ 方法為每個個體識別出10個主要的白質(zhì)束。在最近的一項薈萃分析中，作者集中分析了六個主要的纖維束，它們被發(fā)現(xiàn)對面部處理至關(guān)重要:the ILF, IFOF, CING, UF, SLF and AF。本文還分析了AFQ算法提供的另外四個束(即丘腦輻射、皮質(zhì)脊髓束、前后胼胝體束)，發(fā)現(xiàn)它們與所有感興趣區(qū)域之間沒有重疊。

作者使用FSL中的atlasquery工具來評估白質(zhì)纖維大束和淺表白質(zhì)對面部網(wǎng)絡(luò)的相對貢獻(xiàn)。為每個ROI創(chuàng)建一個針對每個ROI連接的二值化圖像，然后在所有的個體之間進(jìn)行添加。還將所有72個雙邊連接合并為一個二值化圖像，并將這些圖像跨個體相加，得到整個連接體圖像。只保留了50%以上個體存在的體素(即骨架圖)，并將其投射到兩個白質(zhì)地圖集上:JHU白質(zhì)示蹤圖包括48個長程示蹤標(biāo)簽, LNAO淺表白質(zhì)示蹤圖，包括79個白質(zhì)短束。

然后進(jìn)行Voxelwise分析，以計算骨架圖像是每個圖集中任何標(biāo)記域的成員的概率。請注意，人類白質(zhì)在個體間是特異的，我們使用的兩個地圖集僅代表標(biāo)準(zhǔn)MNI空間中最常見的白質(zhì)束的骨架;由于地圖集是由不同的研究小組使用不同的方法制作而成，所以這兩個地圖集并不是相互排斥的，它們的組合并不能解釋所有的面孔連接體體素(即92%的總和)。

對HCP任務(wù)態(tài)數(shù)據(jù)的PPI分析和FC分析

用于估計EC和taskFC的統(tǒng)計模型是一個簡單的通用線性回歸模型(GLM)。我們使用兩種方法來建立廣義PPI115模型(使用非反卷積方法)。一個簡單的部分模型有17個單獨的回歸量:8個任務(wù)事件的心理回歸量(例如2-back或1-back模式下的面部、身體、位置和工具刺激)，1個種子ROI時間序列的生理回歸量和8個相應(yīng)的交互回歸量(任務(wù)事件種子ROIs時間序列)。一個更復(fù)雜的完整模型有25個回歸量，包括部分模型中相同的17個回歸量，以及非種子ROI時間序列的8個額外生理回歸量。與部分模型相比，完整模型被設(shè)計成主動控制非種子區(qū)域的神經(jīng)響應(yīng)。

為了估計種子ROI和其他ROI之間的taskFC，我們使用了任務(wù)事件(面對>其他類別)的回歸量之間的對比。為了估計EC（effective connect，有效連接），使用了交互回歸量之間的對比(臉部的PPI>其他類別的PPI)。每一對ROI連接的β-weights被轉(zhuǎn)換為z分?jǐn)?shù)，對每個條件形成一個9 * 9的矩陣。雖然taskFC矩陣進(jìn)一步對稱化，但由于其方向性，EC矩陣沒有對稱化(即，PPI效應(yīng)表明了方向性神經(jīng)相互作用的一些信息)。在EC組水平上，每對ROIs的個體進(jìn)行單樣本t檢驗，以檢測任何顯著的有效連通性。還進(jìn)行了非參數(shù)置換檢驗(10,000次)，以重新驗證所有重要結(jié)果。

值得注意的是，本文報道的所有重要發(fā)現(xiàn)均基于部分PPI模型，因為在完整模型中發(fā)現(xiàn)的結(jié)果為空。盡管在模型中加入更多的受控ROI后，PPI模型可以更好地逼近EC，但由于與潛在區(qū)域(即自由度)相比，存在多重共線性和觀測相對較少的問題，因此這種方法在實踐中很少被采用。在這里，全模型中的零結(jié)果反映了部分模型中識別的兩個區(qū)域的EC可能受到了第三個區(qū)域的影響。這個方法問題需要進(jìn)一步探討。

DCM分析

為了驗證PPI的發(fā)現(xiàn)，使用SPM8中的DCM10進(jìn)行了DCM分析。由于DCM分析不適合使用過多界定，因此DCM分析僅在EVC, OFA, FFA and STS四個區(qū)域進(jìn)行。基于研究的測試假設(shè)(即左半球是前饋的，而右半球是遞歸的)，共定義了兩個基于PPI連接模式的簡單模型(圖4a)，并分別測試了它們對每個半球觀測數(shù)據(jù)的適應(yīng)性（一般來說，DCM分析是基于一定假設(shè)的，如果沒有良好的假設(shè)前提，要對所有的可能結(jié)果進(jìn)行驗證，以保證模型連接方向假設(shè)和數(shù)據(jù)所給出的信息是最優(yōu)擬合的）。前饋模型來自于PPI左半球連接模式(即，面部刺激只驅(qū)動前饋處理)，而遞歸模型來自PPI右半球模式(即，面部刺激主要驅(qū)動遞歸處理)。

對于每個模型，從EVC開始的感官輸入和所有四個ROI都被內(nèi)在地設(shè)置為雙向連接和自連接，并分別為每個個體提取它們的時間過程(即第一個特征變量)。為了檢驗外部面部刺激的調(diào)節(jié)效應(yīng)，構(gòu)建了一個包含6個回歸量(臉、位置、工具、身體、2-back和0-back)的DCM GLM設(shè)計矩陣，并對這兩個模型進(jìn)行了面部條件的測試。為了確定最優(yōu)模型，使用BMS實現(xiàn)了固定效應(yīng)和隨機效應(yīng)組分析。固定效應(yīng)BMS假設(shè)最優(yōu)模型在整個種群中是相同的，并使用組貝葉斯因子(log-evidence)來量化模型的相對優(yōu)度。相比之下，隨機效應(yīng)BMS解釋了個體間模型結(jié)構(gòu)的異質(zhì)性，并產(chǎn)生了后驗?zāi)Ｐ透怕省?span>

不同大腦連接圖的比較

在個體水平上，作者通過去除對角矩陣(自連接)之外的所有矩陣元素，應(yīng)用Fisher s z變換，然后計算Pearson相關(guān)性，在5個大腦連接矩陣之間進(jìn)行兩兩相關(guān)。組間采用常規(guī)單樣本t檢驗(對照0)，經(jīng)多次比較后確定統(tǒng)計學(xué)意義。還進(jìn)行了非參數(shù)置換測試(10,000次)以重新驗證所有結(jié)果。

在比較不同的大腦連接圖時，考察了兩種不同度量下的網(wǎng)絡(luò):(1)在整個面部網(wǎng)絡(luò)層面(每個半球有72個連接)或(2)僅在三個核心白質(zhì)連接層面。核心白質(zhì)連接被定義為包括每個半球的16個核心連接，EVC - OFA、OFA - FFA、FFA - ATL、ATL - AMG、AMG - PCC、AMG - OFC、PCC- OFC和STS - IFG，因為它們在圖1a中具有最高的連接概率(前25%)。作者進(jìn)行了多層次的中介分析，以測試網(wǎng)絡(luò)連接能力是否能調(diào)節(jié)SC和rsFC之間的關(guān)系。采用SPSS v25中的混合線性模型函數(shù)實現(xiàn)多級中介分析。模型包括在個體水平上的隨機截取，為了檢驗整個face network level上的中介，首先設(shè)置72個雙邊rsFC(跨越所有個體)作為因變量Y, 72個對應(yīng)的通信措施作為中介變量M, 72個對應(yīng)的白質(zhì)連接概率作為自變量X。接下來，建立了另一個僅針對核心白質(zhì)連接的模型，以16個雙邊核心連接的rsFC為因變量Y, 16個對應(yīng)的通信措施為中介變量M, 16個對應(yīng)的光纖連接概率為自變量X。

大腦與行為的聯(lián)合分析

采用兩種不同的統(tǒng)計分析方法對腦行為相關(guān)性、簡單皮爾遜相關(guān)和SVR（支持向量回歸分析）進(jìn)行了檢驗。采用SPSS v.25.0進(jìn)行Pearson相關(guān)分析，利用Matlab統(tǒng)計和機器學(xué)習(xí)工具箱實現(xiàn)SVR。

在大腦一側(cè)，有四組獨立的指標(biāo):(1)18個雙側(cè)roi的神經(jīng)活動概況(對面部刺激的大膽反應(yīng)的幅度);(2) 72個雙側(cè)ROI ROI連接及20個大束的腦白質(zhì)特征;(3) 72個雙邊rsFC;(4)人臉定位任務(wù)中雙邊定向EC 144個。在行為方面，有兩個來自HCP Penn情緒識別測試任務(wù)的總體準(zhǔn)確性(ER40_CR)和中位反應(yīng)時間(ER40_CRT)的指標(biāo)。對于每個SVR分析，只構(gòu)建了一個模型來測試一組特定的腦指標(biāo)(作為自變量)和一組行為指標(biāo)(作為因變量)之間的聯(lián)系。為了豐富白質(zhì)特性，分別測試了七個微觀結(jié)構(gòu)指標(biāo)(即FA、平均擴散率、軸向擴散率、徑向擴散率、白質(zhì)連接計數(shù)、連通性概率和束體積大小)。

偏側(cè)化分析

使用雙向重復(fù)測量方差分析來檢查半球側(cè)化在每個測量水平的表現(xiàn)。在神經(jīng)激活水平，設(shè)置了半球和9個面部識別ROIs因素的方差分析。在SC(即連接概率)或rsFC級別，設(shè)置了半球因素和36個ROI - ROI連接的方差分析。在EC水平，設(shè)置了與半球因素和72個方向ROI- ROI連接的方差分析。如果在方差分析中發(fā)現(xiàn)半球的主要影響，則進(jìn)一步進(jìn)行配對t檢驗以確定半球的優(yōu)勢。為了進(jìn)行關(guān)聯(lián)分析，計算了每個面部區(qū)域的半球內(nèi)連接和半球間連接之間的白質(zhì)連接數(shù)，然后求出兩個半球和所有個體之間的平均比值。為了定義每個人臉區(qū)域的偏側(cè)程度，計算了人臉定位過程中左右區(qū)域之間的BOLD信號，并求出每個人的平均信號比。

研究結(jié)果

研究結(jié)果首先按照不同模態(tài)匯總，再按照綜合分析看，最后是行為和腦影像數(shù)據(jù)的 結(jié)合分析。

結(jié)構(gòu)連接：

首先，作者為每個感興趣的面部區(qū)域(ROI)繪制了全局連接模式。軸突投影決定了一個區(qū)域從哪里接收信息，并連接至哪里。雖然每個ROI的主要皮質(zhì)投射是其鄰近區(qū)域，但它們表現(xiàn)出特異的遠(yuǎn)距離投射(補充圖1)。

補充圖1   9個ROI的白質(zhì)投射區(qū)域皮層化映射

后區(qū)(OFA和FFA)沿腹顳皮層向顳極有長距離的延申。相反，STS在IFG內(nèi)部和周圍有明顯的突觸連接，反之亦然。內(nèi)側(cè)ROI (AMG、OFC和PCC)僅對內(nèi)側(cè)結(jié)構(gòu)有投射。此外，大多數(shù)面部ROI似乎有來自早期視覺皮層(EVC)的直接纖維投射。

為每一對雙側(cè)ROI重建的大腦半球間的連接(例如，左側(cè)的FFA和右側(cè)的FFA)表明，雙側(cè)面部ROI主要通過四個不同的中線結(jié)構(gòu)連接:胼胝體的頂(OFA)、膝(IFG)和脾(OFA、FFA、STS、PCC和ATL)，以及前連合(AMG和ATL)。接下來，作者分析了同一半球內(nèi)面部區(qū)域之間的區(qū)域間聯(lián)系。解剖連接強度通常被解釋為信息流動能力的一種度量，并提供了關(guān)于神經(jīng)信號在網(wǎng)絡(luò)中傳播的關(guān)鍵通路中的解釋。

通過對九個ROI和半球的兩兩之間的結(jié)構(gòu)連接的估計，構(gòu)建36對連接。提取它們的微觀結(jié)構(gòu)特性(如連接概率和簡化計算)來估計SC。結(jié)構(gòu)連通性的概率地圖(圖1)表示,有三個核心通路在面孔識別網(wǎng)絡(luò)中，包括:腹側(cè)通路(EVC FFA ATL AMG),內(nèi)側(cè)通路(AMG OFC PCC)和背側(cè)通路(STS IFG)。為了進(jìn)一步驗證這三個核心路徑的劃分，作者檢查了另一個已建立的圖論度量，即每個ROI對之間的可通信性。與一對區(qū)域之間的連接權(quán)值(僅度量直接路徑)不同，可通信性（communicability）通過考慮直接和間接連接來量化區(qū)域之間所有可能路徑的通信能力。因此，可通信能力編碼了關(guān)于協(xié)調(diào)區(qū)域間溝通的全球網(wǎng)絡(luò)組織的額外有用信息，并被廣泛用于確定解剖模塊。在這里，通過對網(wǎng)絡(luò)連接圖的模塊化分析，證實了face network中存在三個獨立的模塊，它們與三個核心路徑的劃分有很好的對應(yīng)關(guān)系（圖1b)。

圖1 左右半球的結(jié)構(gòu)連接圖示化    

 通過計算不同白質(zhì)連接重疊軌跡的程度，作者估計了面孔識別連接體中主要神經(jīng)束的累及程度。結(jié)果表明，這三條核心通路主要由6條主要的神經(jīng)束支持，但支持程度遠(yuǎn)低于作者的預(yù)期。具體來說，只有不到30%的腹側(cè)通路是由ILF(28.79 +8.11%(mean+s.d.))和枕下額束(IFOF, 20.76 +12.27%)組成的;只有12%的內(nèi)側(cè)通路與扣帶重疊(15.03+ 10.24%)，鉤狀束重疊(UF 8.96+ 6.58%);不足30%的背側(cè)通路與弓狀束(AF, 29.05+ 9.15%)和上縱束(SLF, 25.01 +7.46%)重疊。

由于只有一小部分的解剖學(xué)連接體是由遠(yuǎn)距離纖維束構(gòu)成的，因此作者將注意力轉(zhuǎn)向了另一類重要的白質(zhì)短距離纖維或u形纖維。示蹤研究表明，長距離的神經(jīng)束只占整個大腦連接體的一小部分;大腦連接體的大部分由短的連接纖維組成，這些纖維位于灰質(zhì)之下，連接著相鄰的腦回。通過將72個ROI - ROI連接投射到兩個標(biāo)準(zhǔn)的長程和短程纖維白質(zhì)圖譜上，作者檢驗了這兩個白質(zhì)系統(tǒng)對面部連接體的相對貢獻(xiàn)。雖然57.0%以上的感興趣區(qū)感興趣連接可歸為短程纖維，但在長程白質(zhì)圖譜中，只有34.3%的連接體可歸為束狀連接。作者還發(fā)現(xiàn)，兩個ROI的空間距離與長程纖維的貢獻(xiàn)呈正相關(guān)(Pearson s r = 0.314, P = 0.007, 95%置信區(qū)間(CI) = 0.088-0.540)。這可能表明，兩個面孔ROI(例如，EVC - OFA與EVC - OFC)之間的長距離連接與更多的面孔識別網(wǎng)絡(luò)的參與有關(guān)。

圖2 纖維追蹤結(jié)果在已有模板的重疊率圖

功能網(wǎng)絡(luò)構(gòu)建結(jié)果

作者繪制了三種不同類型的大腦功能連接圖，以揭示面部ROI相互作用的方式;在休息期間(靜息狀態(tài)FC (rsFC))或面部定位任務(wù)期間(任務(wù)狀態(tài)FC (taskFC))確定了協(xié)同激活模式，并使用心理生理交互作用(PPI)和動態(tài)因果模型(DCM)對EC進(jìn)行建模，以揭示由面部刺激驅(qū)動的定向信息流。

結(jié)果發(fā)現(xiàn)rsFC和taskFC分析結(jié)果高度相關(guān)(均值r = 0.518, t₆₆₆ = 80.97, P < 0.001, Cohen’s d = 4.43, 95% CI = 0.505 - 0.531)。這表明在面孔網(wǎng)絡(luò)系統(tǒng)中存在一個內(nèi)在的功能子網(wǎng)絡(luò)，它在不同的情境之間保持持續(xù)的活動和同步。

圖3 功能連接的分析結(jié)果以及功能連接和結(jié)構(gòu)連接不同網(wǎng)絡(luò)連接間的一致性分析

然而，FC只表達(dá)了時間過程之間的統(tǒng)計相關(guān)性，而這些相關(guān)性通常不代表直接的神經(jīng)元信號。相比之下，EC被認(rèn)為是一種更強大的途徑來捕捉刺激驅(qū)動的神經(jīng)區(qū)域間的方向性影響模式。

在這里，作者實施PPI來探索由面部刺激引起的網(wǎng)絡(luò)級動態(tài)，然后使用DCM進(jìn)行驗證性分析。PPI分析建立了一個或多個大腦區(qū)域之間耦合的簡單靜態(tài)模型，并通過建立種子區(qū)域和心理環(huán)境之間的顯著交互作用，使研究人員能夠探索連接的定向變化。DCM則是一個動態(tài)因果框架，用于測試神經(jīng)動力學(xué)的替代假設(shè)/模型，將它們與數(shù)據(jù)進(jìn)行擬合，并使用貝葉斯模型比較它們提供的證據(jù)。

PPI分析顯示，面部敏感的大腦動態(tài)主要發(fā)生在相同的功能子網(wǎng)絡(luò)(圖3e)，但兩個半球之間的模式完全不同。雖然左半球內(nèi)的信息處理以純粹的前饋方式組織(即信息從后到前的ROI級聯(lián)展開)，但右半球呈現(xiàn)出明顯的周期性結(jié)構(gòu)(即交互連接)。如右側(cè)面孔識別的核心區(qū)域(EVC、OFA、FFA、STS)之間存在多個雙向有效連接;圖4)顯示了在人臉觀察過程中自下而上和自上而下的交互和計算的共存。至關(guān)重要的是，隨后的DCM分析支持了兩個半球的這種差異模式(圖4b)。貝葉斯模型比較結(jié)果表明，前饋處理模型最適合左半球觀測數(shù)據(jù)，而遞歸處理模型最適合右半球觀測數(shù)據(jù)。

圖4 EC分析結(jié)果和DCM分析結(jié)果

面部連接體的空間特異性

一個很重要的問題是作者觀察到的大腦連接模式是否表現(xiàn)出空間特異性。為了驗證發(fā)現(xiàn)的面孔網(wǎng)絡(luò)具有特異性，作者進(jìn)行了個體ROI種子點的個體間交換驗證（(使得A個體的OFA坐標(biāo)變?yōu)?/span>B個體的OFA坐標(biāo))），以及將原來確定的種子點的坐標(biāo)移動20mm以外的坐標(biāo)進(jìn)行了進(jìn)一步的研究。在交換了特異于每個人的ROI后，發(fā)現(xiàn)原有的網(wǎng)絡(luò)仍舊可以保留，并且在結(jié)構(gòu)網(wǎng)絡(luò)（(r = 0.995, P < 0.001,95% CI = 0.961–1.029)）和靜息態(tài)功能網(wǎng)絡(luò)（r= 0.991, P < 0.001, 95% CI = 0.944–1.038）中都得到了重復(fù)，在任務(wù)態(tài)功能網(wǎng)絡(luò)中也得到了重復(fù)（(r = 0.987, P < 0.001, 95% CI = 0.930–1.043），但是PPI網(wǎng)絡(luò)和DCM網(wǎng)絡(luò)構(gòu)建后沒有發(fā)現(xiàn)與原網(wǎng)絡(luò)的顯著相關(guān)。

但是在將原來的種子點移動到原來MNI坐標(biāo)的20mm以后，發(fā)現(xiàn)新的網(wǎng)絡(luò)與面孔網(wǎng)絡(luò)沒有顯著的相關(guān)。作者使用相關(guān)分析和貝葉斯因子兩種方法進(jìn)行了分析，都沒有明顯的證據(jù)支持這個網(wǎng)絡(luò)與本研究發(fā)現(xiàn)的面孔感知網(wǎng)絡(luò)之間有顯著的關(guān)系。這些發(fā)現(xiàn)表明，面部網(wǎng)絡(luò)的固有架構(gòu)(即SC、rsFC和taskFC)可能遵循一種更全局的模式，這種模式在較小的空間范圍內(nèi)配置得相對穩(wěn)定(例如，< 15mm)。對面孔敏感的體素和附近對面孔不敏感的體素共享相似的纖維束，因此表現(xiàn)出類似的神經(jīng)信號傳播（從本文的分析看，個體交換ROI并未影響結(jié)構(gòu)網(wǎng)絡(luò)和功能網(wǎng)絡(luò)的統(tǒng)一，這說明這個網(wǎng)絡(luò)在一定的體素范圍內(nèi)是存在穩(wěn)定性的）。相比之下，面部連接體的動態(tài)特征(即EC模式)似乎高度取決于體素水平的面部選擇性。

圖5 個體種子點網(wǎng)絡(luò)、交換種子點網(wǎng)絡(luò)和移動20mm后的種子點網(wǎng)絡(luò)的分析

面部連接體的個體差異

考慮人臉網(wǎng)絡(luò)組織在不同個體間的相似性也很重要。圖3只顯示了組平均腦連接圖，我們想驗證這些組平均腦連接圖的代表性。為了揭示所有個體之間的群體-個體相似性的分布，作者對每一種大腦連接測量的群體平均圖和個體特異性圖進(jìn)行了相關(guān)分析。結(jié)果發(fā)現(xiàn)，群體平均矩陣與SC、rsFC和taskFC的個體特異性矩陣具有很強的相關(guān)性(補充圖6a)，大多數(shù)個體(>75%)所顯示的映射圖與群體平均映射圖高度相似(r > 0.5)。而組平均EC矩陣與個體特異性EC矩陣呈中度相關(guān)，多數(shù)個體(>67%)與組平均EC矩陣呈中小相關(guān)(0.1 < r < 0.5)。這可能說明個體間在固有網(wǎng)絡(luò)的個體異質(zhì)性可能較小，但是在這個網(wǎng)絡(luò)的內(nèi)部信息流上可能存在較大的個體差異。

補充圖6a 個體網(wǎng)絡(luò)與組平均網(wǎng)絡(luò)的相似性

接下來,作者使用兩個交叉驗證方案來進(jìn)一步研究群體和個體中表現(xiàn)出的相似性,即分半交叉驗證(使用50%的連接矩陣預(yù)測其他50%的人)和LOOCV(使用矩陣n-1預(yù)測個體）。同樣，兩種方法顯示SC、rsFC和taskFC的訓(xùn)練試驗相關(guān)性非常高，EC的訓(xùn)練試驗相關(guān)性相對中等(補充圖6b)。綜上所述，本研究發(fā)現(xiàn)面部連接組的組織在個體間高度同質(zhì)，特別是在SC、rsFC和taskFC中。因此，本文報告的組平均矩陣確實反映了大多數(shù)個體的連通性模式。

補充圖6b 對半驗證和留一交叉驗證的結(jié)果

結(jié)構(gòu)網(wǎng)絡(luò)和功能網(wǎng)絡(luò)的關(guān)系分析

為了進(jìn)一步探討面部網(wǎng)絡(luò)的解剖功能關(guān)系，作者研究了解剖連接體和功能連接體之間的對應(yīng)關(guān)系。在整個網(wǎng)絡(luò)中，FC模式(rsFC和taskFC)與SC的可連通模式高度相關(guān)(圖3f; rsFC and SC: mean r = 0.321, t = 43.72, P < 0.001,d = 1.69, 95% CI = 0.306–0.335; rsFC and communicability: mean r = 0.304, t666 = 47.42, P < 0.001, d = 1.84, 95% CI = 0.291–0.316;taskFC and SC: mean r = 0.234, t = 33.73, P < 0.001, d = 1.31, 95%CI = 0.221–0.248; taskFC and communicability: mean r = 0.199,t = 32.50, P < 0.001, d = 1.26, 95% CI = 0.187–0.211)。這支持了FC由底層白質(zhì)結(jié)構(gòu)和網(wǎng)絡(luò)通信能力決定的觀點。但是，在路徑分析中發(fā)現(xiàn)，SC網(wǎng)絡(luò)和FC網(wǎng)絡(luò)僅在核心連接路徑上存在顯著的相似性（圖3g），但是在非核心路徑上則未發(fā)現(xiàn)（圖3h）。這說明整個面部網(wǎng)絡(luò)的高度解剖功能一致性主要是由核心通路驅(qū)動的。此外，盡管SC和FC的一般模式在核心通路內(nèi)高度相關(guān)，但在多個連接中發(fā)現(xiàn)了明顯的差異。

除此以外，作者測設(shè)了SC網(wǎng)絡(luò)的communicability是否是SC網(wǎng)絡(luò)和FC網(wǎng)絡(luò)相似性的的中介變量。作者使用多層中介分析，評估communicability是否介導(dǎo)了SC和rsFC之間的關(guān)系。結(jié)果表明，SC顯著預(yù)測rsFC(圖3i，路徑c:非標(biāo)準(zhǔn)化beta (B) = 0.269, s.e. = 0.015 ，P < 0.001)，這與在圖3g中的相關(guān)分析一致;然而，在模型中加入communicability后，發(fā)現(xiàn)SC和rsFC之間沒有統(tǒng)計學(xué)意義上的聯(lián)系(路徑c: B = 0.047, s.e. = 0.045, P = 0.299)。但是可以看出，SC的可連通性顯著介導(dǎo)了SC網(wǎng)絡(luò)和rsFC的連接，同時比較兩個模型可以發(fā)現(xiàn)，通過communicabilit介導(dǎo)的模型的AIC值明顯更小，說明由communicabilit介導(dǎo)的模型更好地預(yù)測了rsFC。但是這種預(yù)測能力僅在核心路徑分析中顯著保留。 

腦連接與行為的關(guān)聯(lián)分析

在方法部分我們介紹過，作者對腦連接和行為的關(guān)聯(lián)分析分為兩種，一種是簡單的相關(guān)分析方法，一種使用SVR的機器學(xué)習(xí)回歸方法。結(jié)果發(fā)現(xiàn)，簡單相關(guān)并無法有效的發(fā)現(xiàn)行為表現(xiàn)和腦連接之間的關(guān)系，因此，作者主要分析了SVR回歸。

如圖6所示，作者對于每一組腦指標(biāo)(如神經(jīng)活動、白質(zhì)特征、FC或EC連接)，建立了單獨的SVR模型。例如，對于白質(zhì)FA，從92個白質(zhì)區(qū)域(72個ROI- ROI連接+ 20個主要纖維束)中提取FA值，并將其設(shè)置為模型中的獨立特征。然后使用留一交叉驗證，預(yù)測的行為指標(biāo)是ER40_CR或ER40_CRT。然后，作者對這些特征進(jìn)行了篩選，篩選方法如下，首先將所有同模態(tài)的特征輸入預(yù)測模型，然后開始每次去除一個特征，然后將該模型的RMSE（均方根誤差，預(yù)測值與真實值差距的總離差平方和開根，越大說明模型效果越不好）記錄并排序，對每個特征都這樣做（不包括無法顯著預(yù)測的模型），然后對通過對這些RMSE的排序來看哪些被去除的特征是最重要的，篩選出這些特征后，再進(jìn)行進(jìn)一步篩選。方法是首先將這些特征再全部輸入，然后每次剔除一個特征，直至模型無法再顯著預(yù)測行為學(xué)變量為止。通過以上方法，作者留下了功能激活網(wǎng)絡(luò)（即taskFC）和白質(zhì)連接網(wǎng)絡(luò)（即SC）最能夠顯著預(yù)測行為學(xué)變量的特征（圖6c）。

結(jié)果顯示六個ROI的子集(left AMG, right OFA,right EVC, right IFG, right STS and right ATL)的激活網(wǎng)絡(luò)和皮下的白質(zhì)纖維路徑(left EVC–STS, left IFOF, right AF, right OFA–IFG and right STS–ATL)分布是最有預(yù)測力的任務(wù)態(tài)激活網(wǎng)絡(luò)特征和SC網(wǎng)絡(luò)特征。值得注意的是，SC的SVR模型(均方根誤差(r.m.s.e.) = 0.982)對行為的預(yù)測優(yōu)于激活網(wǎng)絡(luò)的SVR模型(r.m.s.e. = 1.035)。

圖6 基于白質(zhì)和激活網(wǎng)絡(luò)的SVR模型

半球偏側(cè)化分析

作者最后的分析是基于網(wǎng)絡(luò)偏側(cè)化的分析，分析方法在方法部分已經(jīng)具體介紹。這里主要看結(jié)果。重復(fù)測量方差分析(方差分析)揭示了在面孔識別網(wǎng)絡(luò)中ROI重要的神經(jīng)反應(yīng)的半球不對稱性(F1,666 = 238.64, P < 0.001,偏η2 = 0.264;平均差= 0.617,90% CI 0.683 = 0.551),白質(zhì)連接概率的半球不對稱性(F1,666 = 9.25, P = 0.002,偏η2 = 0.014;平均差= 0.002,90% CI 0.002 = 0.001),和rsFC的半球不對稱性 (F1,666 = 17.63, P < 0.001,偏η2 = 0.026;平均差= 0.008,90% CI = 0.005 - 0.011)。事后分析發(fā)現(xiàn)9個面部區(qū)域中有7個在右半球表現(xiàn)出更強的反應(yīng);不包括的兩個ROI為EVC和OFC，沒有發(fā)現(xiàn)半球間的顯著差異。總結(jié)一下就是，在所有水平的面部網(wǎng)絡(luò)中，表現(xiàn)出顯著右半球化，大腦半球不對稱的有力證據(jù)通常表現(xiàn)為增強的神經(jīng)反應(yīng)和更強的SC和FC連接。 

總結(jié)：

在本次研究中，作者使用大規(guī)模的多模態(tài)神經(jīng)成像數(shù)據(jù)來研究面孔識別網(wǎng)絡(luò)的解剖學(xué)和功能連接體。功能定義ROI利用概率追蹤得到的白質(zhì)束描繪出一個組織良好的解剖結(jié)構(gòu)，有三個核心通道用于不同類型的信息處理。纖維成分分析顯示，解剖連接體主要由短程纖維構(gòu)成，而不是主要的長通道白質(zhì)束。FC和EC分析發(fā)現(xiàn)了一個面部區(qū)域的子網(wǎng)絡(luò)，這些子網(wǎng)絡(luò)在不同的情境中保持同步，并且它們在面部感知過程中表現(xiàn)出跨半球的差異神經(jīng)動力學(xué)(前饋和周期性交互)。此外，SC和FC在face network中高度相關(guān)，而network communicability在core pathways中介導(dǎo)了這種密切的相關(guān)。

此外，面部技能的個體差異（即行為得分）可以通過連接體特征的分布模式來預(yù)測，特別是白質(zhì)完整性具有很好的預(yù)測能力。最后，大腦半球內(nèi)和半球間連接的不平衡模式可能是面部網(wǎng)絡(luò)半球不對稱的連接水平基礎(chǔ)。

本文是一篇質(zhì)量非常高的多模態(tài)研究，作者使用了大樣本量數(shù)據(jù)來提供強有力的數(shù)據(jù)基礎(chǔ)，同時在對rsFC、task-FC和SC(結(jié)構(gòu)連接）的分析中既有基于自身模態(tài)的網(wǎng)絡(luò)分析又進(jìn)行了強力的聯(lián)合分析，表現(xiàn)出了功能網(wǎng)絡(luò)和結(jié)構(gòu)網(wǎng)絡(luò)之間在一定程度上的統(tǒng)一性，并且在對那些不顯著的數(shù)據(jù)使用貝葉斯方法進(jìn)一步測試了原假設(shè)，使得統(tǒng)計內(nèi)容更加完整，結(jié)果推斷更有說服力。除此以外，作者的機器學(xué)習(xí)方法的使用和特征的選擇也是可以參照的典范方法?？傊档眉?xì)細(xì)品讀。
原文：Multimodal mapping of the face connectome

微信掃碼或者長按選擇識別關(guān)注思影