前言
精神分裂症是一种复杂的脑部疾病，表现为神经网络连接的广泛异常。然而，现有研究多聚焦于线性统计关系，而对脑功能网络中的非线性连接研究较少。近期乔治州立大学发表在《Nature Mental Health》上的一项研究利用非线性功能磁共振成像（fMRI）连接方法，分析精神分裂症患者与健康对照组的脑网络差异，揭示了新的网络特征及其潜在临床意义。
背景介绍
脑功能磁共振成像（fMRI）是一种广泛应用于研究大脑功能连接的方法。传统fMRI连接分析多使用线性统计方法，如皮尔逊相关，来探讨脑区间的功能互动。然而，脑网络的复杂性表明，仅通过线性分析可能遗漏关键的非线性信息。本研究提出了一种显式非线性功能连接（ENL-wFC）的方法，期望通过对非线性模式的深入挖掘，揭示精神分裂症等疾病的隐藏连接特征，为诊断和治疗提供新见解。
研究方法
研究分为以下几步：
数据来源与预处理：
研究利用来自三大心理疾病项目的数据（COBRE、FBIRN和MPRC），包括508名参与者（315名健康对照，193名精神分裂症患者）。
对fMRI数据进行标准化预处理，包括运动校正、空间平滑和时间序列归一化。
构建功能连接矩阵：
通过皮尔逊相关计算线性功能连接（LIN-wFC）。
采用距离相关（distance correlation）估算非线性功能连接（NL-wFC），并移除线性成分以获得ENL-wFC。
独立成分分析（ICA）：
使用群体信息引导的ICA方法，将功能连接矩阵分解为独立的脑网络（ICNs）。
对比ENL-wFC和LIN-wFC的脑网络特性。
统计分析：
对比健康对照组与精神分裂症组的脑网络特征，分析非线性方法对诊断的敏感性。
研究结果
模型拟合效果：
ENL-wFC显示了显著更高的网络稳定性和可靠性，相较于传统的LIN-wFC，其解释力更强。
独特的网络分布：
ENL-wFC揭示了更强的核心区权重，例如在默认模式网络、注意网络等高认知功能相关区域。
诊断敏感性：
ENL-wFC的脑网络对精神分裂症诊断的敏感性显著高于LIN-wFC，尤其是在与听觉、语言及自我参照认知相关的脑区。
精神分裂症特异性模式：
非线性分析发现精神分裂症患者在某些关键脑网络（如左前岛叶）存在功能低连接，提示可能的整合网络效率下降。
讨论与未来展望
本研究表明，非线性功能连接分析方法在揭示精神分裂症患者的脑功能异常方面具有显著优势。ENL-wFC不仅改善了脑网络的稳定性，还通过捕捉隐藏的非线性模式，为复杂脑功能机制的研究提供了新的视角。未来，研究可以进一步拓展至任务态fMRI设计，探索这些非线性模式在更大样本及其他心理疾病中的适用性。同时，基于非线性连接的生物标记物开发有望推动脑疾病诊断的个性化和精准化。
参考文献：
Kinsey, S., Kazimierczak, K., Camazón, P.A. et al. Networks extracted from nonlinear fMRI connectivity exhibit unique spatial variation and enhanced sensitivity to differences between individuals with schizophrenia and controls. Nat. Mental Health (2024). https://doi.org/10.1038/s44220-024-00341-y
