精神分裂症患者在三重网络突显模型中的脑动态失调及其与精神失常的关系 / 四六文摘

精神分裂症是一种高度致残的精神障碍，它以一系列阳性的“精神失常”症状为特征。然而，人们对这些精神失常症状及脑中相关的系统水平混乱的神经生物学原理仍不甚了解。本文检验了一个解释精神失常的突显异常模型，该模型认为突显网络（SN），中央执行网络（CEN）和默认模式网络（DMN）之间动态跨网络交互的异常导致了精神分裂症患者的阳性症状。

方法：我们使用两个独立队列的非任务态fMRI数据，考察了：

（i）130例精神分裂症患者及与其良匹配的对照者的SN，CEN和DMN之间的动态时变跨网络交互；

（ii）一个基于突显模型的分类器区分患者与对照者的动态脑网络交互的准确率；

（iii）以SN为中心的网络动态与临床症状之间的关系。

结果：在两个队列上，我们都发现精神分裂症患者与对照者相比，其以SN为中心的动态跨网络交互显著减少，持续性降低，且更多变。在多元分类分析中，以SN为中心的动态跨网络交互模式被认为是能区分患者和对照者的因素，其在两个队列上的准确率分别为78%和80%。更为关键的是，在这两个队列上以SN为中心的跨网络交互的动态时变指标均与阳性症状（而非阴性症状）相关。

结论：SN（突显网络）与CEN（中央执行网络）和DMN（默认模式网络）的时变联系异常是精神分裂症中与临床上精神失常相关的一个的神经生物学特征。我们的研究结果为精神分裂症患者在三重网络突显模型中的脑动态失调提供了有力证据，并为采用理论驱动的系统神经科学方法刻画与精神失常相关的脑动态异常提供了依据。本文发表在Biological Psychiatry杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。

引言

精神分裂症是一种严重且致残的精神疾病，全世界约有5100万人受其影响。它的一个突出特征是（以思维混乱、妄想和幻觉为代表的）精神失常，因此在大多数情况下患者都需要临床干预。这些阳性症状通常是自我指涉的（且往往是具有被害性质的），会令患者十分痛苦与衰弱。精神分裂症的病理生理机制大体上仍是未知的，其症状的复杂性使得人们很难依据原理从理论出发来刻画这些精神失常的神经生物学特性。本文在一个全新的理论驱动的系统神经科学框架下应用了一个大尺度脑网络模型来研究精神分裂症的动态功能回路及其与精神失常的关系。

对大尺度脑网络的研究为刻画精神疾病的神经生物学特性提供了强有力的范式。现在人们广泛认为致力于将精神分裂症的复杂表型特征映射到个体脑区是不合理的，且越来越多的人认为这些特征是来自于认知系统的异常。然而，大多数现有的研究都缺少一个理论框架来考察在那些对人类认知至关重要的神经认知网络中出现的异常是如何导致精神分裂症的核心精神失常症状的。本文对大尺度脑组织的研究基于一个“三重网络模型”（图1A），它假设核心的额顶叶岛盖神经认知网络中的功能组织异常可能是导致精神分裂症患者精神失常的原因。该模型突出了三个网络在人类认知中的不同作用，特别是在对外部刺激和内部心理过程的认知控制中的不同作用。特别地，这个三重网络模型假定突显网络（SN）在对外部和内部突显事件的映射异常中起到了核心作用，它导致与中央执行网络（CEN）和默认模式网络（DMN）的动态时间交互发生改变。SN位于前扣带皮层和前脑岛，它对"突显映射"至关重要：它发现突显的外部刺激和内部心理事件，并通过与CEN和DMN的交互分配注意力资源进行额外的加工。CEN位于背外侧额顶叶皮层，它参与工作记忆中对信息的积极维护与操纵。与此相反，DMN位于后扣带回皮层和腹内侧前额叶皮层，当注意力集中于外部刺激时，它常常被抑制，但它在自我指涉和自传过程中发挥着重要的作用。这三个网络之间的动态交互对于复杂的，目标导向的行为至关重要，而这些交互的紊乱可能会导致对外部刺激和内部心理过程映射的异常，进而导致那些会在精神分裂症中观察到的阳性症状。

图1.（A）解释精神分裂症的三重网络突显模型。该模型提出，核心的额顶叶岛盖神经认知网络的功能组织异常可能导致了精神分裂症患者的心理病理学特性。具体地，该模型认为突显网络（SN）在对内部和外部突显事件的映射异常中起到了关键作用，它与中央执行网络（CEN）和默认模式网络（DMN）的动态时间交互发生改变，从而导致精神失常的临床症状。

我们主要的研究兴趣在于SN（突显网络），它在产生因果控制信号中起着核心作用，而这种信号能启动CEN和DMN之间的动态切换，因此它能在困难的认知任务中促使CEN参与，DMN脱离。最近的研究表明，SN、CEN和DMN在访问、结合与分离（access, engagement and disengagement）方面的缺陷可能是适应不良行为和认知缺陷的根源。尽管已有不同的报告指出精神分裂症患者功能网络的内部组织模式异常，但人们对这些网络之间的动态时间交互及其与临床症状之间的关系仍不清楚。关键在于，时均或静态的连接能为大脑回路功能组织提供的信息非常有限，因为大尺度的脑系统之间的交互是高度非平稳的。因此，分析SN、CEN和DMN之间的时变功能交互或可为研究精神分裂症的精神病理学提供一个更合适的框架。我们采用系统水平的SN功能模型，并对精神失常的概念进行了界定（我们将其定义为对突显的外部刺激和内部心理过程的异常检测、监测和信号传递），在此基础上我们检验了“以SN为中心的与CEN和DMN的动态功能交互的异常可能是精神分裂症中精神失常的原因”这一假设。我们利用两个独立队列的数据，表明了以SN为中心的动态跨网络功能交互能够可靠地将精神分裂症患者与健康的对照者区分开来，并能够预测患者的阳性症状。

方法与材料

被试

主要队列

35个精神分裂症患者与35个年龄、性别和智商都与其匹配的对照者，他们在按照新伦理审查委员会的指导原则提供了父母同意后参与了本研究。精神分裂症患者的年龄为18 ~ 62岁（平均年龄34.4岁）；对照者的年龄为18 ~ 65岁（平均年龄36岁）（表1）。

表1. 对精神分裂症组和对照组的描述性统计。两组被试在年龄，性别，惯用手，智商和进行fMRI期间的头动等方面都是匹配的。我们对两组的年龄，智商，和头动参数进行了双样本t检验，并对性别和惯用手进行了卡方检验。

重复队列

30个精神分裂症患者与30个年龄和性别都与其匹配的对照者，精神分裂症患者的年龄为19~ 64岁（平均年龄31.47岁）；对照者的年龄为19 ~ 64岁（平均年龄33.83岁

fMRI

我们对每个被试都进行了静息态fMRI扫描。下面我们将描述分析主要队列的fMRI数据时所采取的程序。我们对重复队列的fMRI数据也采用了相同的方法进行分析。

网络辨识

我们将先前处理好的精神分裂症患者与对照者的静息态fMRI数据串联，并进行组水平的独立成分分析（ICA），以识别合并后人群中的SN、左侧CEN、右侧CEN和DMN。

动态时变跨网络交互

我们采用了动态功能连接的方法度量了时变跨网络交互。我们的整体分析流程如图1B所示，且在补充材料中有更详细的说明。简而言之：

首先，我们利用一个指数衰减的滑动窗口估计了SN、CEN和DMN之间的动态功能交互；

第二，我们使用k-means聚类的分组方法识别了与动态功能连接相关的不同大脑状态（每组对应一种状态）；

第三，我们根据每个被试在每个大脑状态平均连续花费的时间计算了每个被试每个状态的平均持续时间。

第四，我们利用不同大脑状态的网络交互指数（NII）刻画了每个动态大脑状态下的跨网络交互。基于假设中SN在切换与CEN和DMN的交互中所起的作用，我们用NII度量三个网络之间的跨网络交互。它的优势是能同时地刻画三个网络间的交互。具体来说，NII通过计算时间序列SN和CEN的相关性与SN和DMN的相关性之间的差得到。因此，NII能体现SN在时间上与CEN结合及与DMN分离的程度。我们接着对每个被试计算了其所有动态大脑状态的时变NII（网络交互指数）的（i）均值和（ii）变异性（以标准差衡量），并考察了两个组间时变NII均值和变异性的差异。

图1.（B）在三重网络突显模型中研究动态时变跨网络交互的整体分析流程。我们用动态功能连接的方法度量了时变跨网络交互。

（1）我们利用一个指数衰减的滑动窗口（窗口长度为40秒（20个TR），滑动步长为2秒（1个TR））估计了SN、CEN和DMN之间的动态功能交互。如先前的研究所述，我们在时间窗的每个时间点应用了指数衰减权重。在每个时间窗中，我们计算了ICA时间序列两两经过z转换的Pearson相关性。这就产生了一个相关性矩阵的时间序列（T x C），这里T为时间窗的数量，C为每个时间点SN、CEN和DMN的成对交互数量。

（2）为了识别与动态功能连接相关的不同状态，我们分别在两个组的相关性矩阵时间序列上应用了k-means聚类进行分组（每组对应一种状态）。为了量化动态大脑状态的居留时间，我们根据每个被试在每个大脑状态平均连续花费的时间计算了每个被试每个大脑状态的平均持续时间。我们采用双样本t检验来评估对照组和精神分裂症组之间大脑状态平均持续时间的差异。

（3）我们用各个大脑状态下的网络交互指数（NII）来刻画每个动态大脑状态的跨网络交互。每个状态k的NII通过对所有标记为状态k的滑动窗口的NII取均值得到；每个滑动窗口的NII通过计算时间序列SN和CEN的相关性与SN和DMN的相关性之间的差得到；所用的相关性数值在该滑动窗口对应的协方差矩阵中得到。在此基础上，时变NII的均值通过对所有动态脑状态的NII取均值得到；时变NII的变异性通过计算所有动态脑状态NII的标准差得到。

（4）我们采用了典型相关分析（CCA）来考察动态时变跨网络交互指标（包括时变NII的均值和变异性）与用来度量阳性或阴性症状的各项PANSS评分之间的多元关系。

用动态时变跨网络交互区分精神分裂症患者

为了进一步研究时变跨网络交互的差异的稳健性，我们考察了是否能用动态时变NII的均值和变异性在两个队列上区分出患者与对照者。由于存在因患者组与对照组聚类数目不同而出现过拟合的可能性，我们还检查了在某一队列上训练得到的分类器是否能区分出另一队列的精神分裂症患者和对照者。我们在补充材料中详细描述了队列间和跨队列的分类过程。

动态时变跨网络交互与精神分裂症症状之间的关系

我们采用皮尔逊相关分析和典型相关分析（CCA）考察了动态时变跨网络交互的指标（包括时变NII的均值与方差）与用于测量阳性或阴性症状的各项PANSS评分之间的单元和多元关系。CCA是一个用于检验两个多变量集的关系的统计方法，有研究表明它是研究大脑与行为之间关系的一个有力的工具。我们用CCA找到了多元行为指标的最优线性组合，它使得行为指标和大脑指标之间的关系最大化。

如果您对脑网络及其他模态脑影像数据处理感兴趣，欢迎浏览思影科技课程及服务（思影科技可完成文中所提到动态三重网络及机器学习分析，感兴趣可添加微信号siyingyxf或18983979082咨询，另思影提供免费文献下载服务，如需要也可添加此微信号入群)：

上海：

第二十一届脑网络数据处理班(上海，8.20-25)

第三届磁共振脑网络数据处理提高班（上海，10.12-17）

第十届任务态功能磁共振数据处理班（上海，8.12-17)

第九届磁共振ASL数据处理班（上海，8.7-10）

第四十六届磁共振脑影像基础班（上海，9.1-6)

第十五届磁共振脑影像结构班（上海，9.7-12）

第四届DWI提高班(上海，9.23-28）

北京：

第二十三届磁共振脑网络数据处理班（北京，9.17-22)

第二届磁共振脑网络数据处理提高班（北京，9.23-28)

第十九届DTI数据处理班(北京，8.19-24)

第十七届脑影像机器学习班（北京，9.3-8）

第九届小动物磁共振脑影像数据处理班（9.11-16）

第一届任务态fMRI提高班(北京，8.25-30)

第四十七届磁共振脑影像基础班（北京，10.22-27）

重庆：

第四十五届磁共振脑影像基础班（重庆，8.26-31)

第十八届脑影像机器学习班（重庆，9.12-17）

数据处理业务介绍：

思影科技功能磁共振(fMRI)数据处理业务

思影科技弥散加权成像（DWI/dMRI）数据处理

思影科技脑结构磁共振成像数据处理业务（T1)

思影科技啮齿类动物（大小鼠）神经影像数据处理业务

思影数据处理业务三：ASL数据处理

思影科技脑影像机器学习数据处理业务介绍

招聘及产品：

招聘：脑影像数据处理工程师（上海，北京）

BIOSEMI脑电系统介绍

目镜式功能磁共振刺激系统介绍

结果

动态时变跨网络交互

我们考察了4个由ICA识别的脑网络之间的动态时变功能交互，并发现精神分裂症组有7个状态（时间聚类），对照组有2个状态（图2A），这些不同的状态反映了两组中跨网络交互随时间的变化。接着我们比较了两个组的动态大脑状态的平均持续时间。对照组状态1的平均持续时间显著长于精神分裂症组7种状态中6种状态的平均持续时间（均有p < 0.05，采用FDR校正）（图2B）。

对照组状态2的平均持续时间显著长于精神分裂症组7种状态中任一种状态的平均持续时间（均有p < 0.05，采用FDR校正）。这些结果表明与对照组相比，精神分裂症患者的大脑状态持续性更低，波动性更高。然后我们比较了两个组的动态大脑状态的网络交互指数（NII）。精神分裂症组的平均NII（所有状态的平均）显著低于对照组（p < 0.05，Cohen’s d = 0.61）（图2C，图3A），且我们在控制了混淆因素后仍得到这样的结果（补充表S5）。这些结果表明精神分裂症患者间歇性地缺少SN与CEN的整合，且SN与DMN的解耦减少。

接下来我们比较了两个组的动态时变跨网络交互的变异性，我们发现与对照组相比，精神分裂症患者各状态的NII有更大的变异性，这意味着精神分裂症患者的跨网络交互较对照组更多变（p < 0.0001，Cohen’s d = 1.27）（图2C，图3A）。其他分析进一步证实，在控制了混淆因素后，精神分裂症患者NII的时间变异性相比对照组仍更大。在采用了不同的滑动窗口长度（= 50s）及不同的滑动窗口形状（矩形）后，我们同样观察到了前述的结果，这说明该结果对于滑动窗口的长度和形状改变是稳健的。

图2. 精神分裂症组和对照组中SN、CEN和DMN之间的动态时变跨网络交互。

（A）精神分裂症组表现出7种状态，明显多于对照组所表现出的2种状态。每个被试中不同颜色表示不同的状态。

（B）精神分裂症组动态大脑状态的平均持续时间较对照组更短。

（C）根据动态大脑状态的NII（网络交互指数），我们发现精神分裂症组与对照组相比，其以SN为中心的跨网络交互间歇性地降低，且更多变。

用动态时变跨网络交互分类的结果

我们接着研究了能否用以SN（突显网络）为中心的时变跨网络交互区分出精神分裂症患者与对照者。我们使用了一个分类器，并将时变NII的均值和变异性也作为其特征。我们用以SN为中心的时变跨网络交互模式区分精神分裂症患者和对照者时，留一交叉验证下的准确率为78% （p < 0.001），敏感性为72%，特异性为83%。

动态时变交叉网络交互与精神分裂症症状之间的关系

CCA（典型相关分析）显示，以SN为中心的时变跨网络交互的指标与评估阳性症状的PANSS评分显著相关（p < 0.05；Pillai's trace = 0.69）。具体来讲，CCA识别了时变交互指标与用PANSS评估的阳性症状指标之间的一种显著依赖模式（p < 0.05，r = 0.67）。常规的两种阳性症状（概念紊乱和幻觉行为）有较强的正负载（loading）。值得注意的是，（猜疑、兴奋、夸大与敌对）这三个非特异性症状的负载接近于零（图3B）。CCA模型同时纳入了动态时变跨网络交互的均值和变异性，它们解释了44 %的方差，但均不能单独预测阳性症状的严重程度（均有p > 0.05）。此外，CCA或时变跨网络交互的单个指标均不能预测阴性症状（均有p > 0.05）。

为了进一步验证精神分裂症患者的这种脑与行为之间的相关性是否具有特异性，我们研究了动态时变跨网络交互与认知能力之间的关系。根据“提高精神分裂症认知的测量与治疗研究”（MATRICS）评分，我们认为基于CCA的潜变量或时变跨网络交互的单个指标均不能预测认知能力（均有p > 0.05）。

图3 . 精神分裂症组和对照组中SN、CEN和DMN之间动态跨网络交互的均值和变异性，及其与阳性症状的关系。

（A）精神分裂症组动态跨网络交互的时间均值（用各状态动态NII的均值衡量）显著低于对照组。此外，精神分裂症组动态跨网络交互的时间变异性（用各状态动态NII的标准差衡量）显著高于对照组。

（B）动态NII的时间均值和变异性与精神分裂症的阳性症状密切相关（p<0.05；第一条轴的典型相关系数：r=0.67）。我们用阳性和阴性症状量表（PANSS）作为衡量症状严重程度的指标。**，p<0.01；***，p<0.001。

动态时变跨网络交互与静态时均跨网络交互的比较

为了说明我们在动态跨网络交互中得到的结果具有特异性，我们考察了SN、CEN和DMN之间的静态时均交互。我们发现精神分裂症组以SN为中心的时均NII显著低于对照组（p < 0.05），但其效应量（Cohen’s d = 0.60）低于动态跨网络交互的变异性的效应量。

我们接着用一个分类器评估了时均跨网络交互区分精神分裂症患者与对照者的能力。我们发现，用时均跨网络交互模式区分精神分裂症患者与对照者的准确率与随机分类的准确率相比并无显著差异（留一交叉验证下准确率为50%，敏感性为53%，特异性为47%），远低于基于动态跨网络交互进行分类时得到的结果。

最后，我们考察了时均跨网络交互与精神分裂症症状或认知能力之间的关系。我们发现时均的跨网络指标与各项阳性症状的指标之间没有显著的多元关系，不能得到类似我们用动态跨网络交互指标得到的结果。

结果的可重复性

近年来，神经科学研究结果的可重复性受到了越来越多的关注。为了应对这种担忧，并确定我们的研究结果是否具有可重复性，我们在另一个独立的队列（重复队列）中也研究了精神分裂症患者相比对照者的SN、CEN和DMN之间的动态时变跨网络交互。我们得到的结果与在主要队列上观察到的结果一致：

（i）精神分裂症患者与对照者相比，其以SN为中心的动态跨网络交互显著减少，持续性降低，且更多变；

（ii）在多元分类分析中，以SN为中心的动态跨网络交互模式被认为是能区分患者和对照者的因素，其准确率为80%，敏感性为87%，特异性为73%；

（iii）以SN为中心的动态时变跨网络交互的指标与阳性症状相关，与阴性症状无关；

（iv）以SN为中心的时均跨网络交互在两组中没有显著差异。重复队列上的详细结果见补充材料。

为了进一步评估我们研究结果的可推广性，我们使用了来自人类连接组项目（HCP）的非任务态fMRI数据，并将这个“规范”的对照数据集上的动态与主要队列和重复队列中的精神分裂症组做比较。我们再次发现，在这两个队列上，精神分裂症患者以SN为中心的动态跨网络交互相比HCP的“规范”对照者均表现出更大的变异性。

讨论

我们研究了一个解释精神分裂症突显映射异常的“三重网络模型”，并着重研究了SN、CEN和DMN之间的动态功能交互（这三个大尺度脑网络对认知控制和目标导向的行为具有重要意义）。我们发现精神分裂症患者以SN为中心的动态功能交互异常，这与我们的猜想一致。尤其是，精神分裂症患者以SN为中心的跨网络交互显著减少，且更不稳定。此外，动态（而非时均）跨网络耦合指标能够区分患者与对照者，并能预测患者的精神失常症状。与这些网络相关的动态和静态连接指标均不能预测同组患者的阴性症状或认知能力。我们的研究结果显示，精神分裂症患者的SN与CEN和DMN之间的动态功能交互受损，而这些异常导致了精神失常。特别地，我们的研究结果在两个不同的队列上，以及在从不同的核磁共振扫描仪和网站得到的数据上均得以重现。

精神分裂症患者以SN为中心的三个网络间的耦合异常

我们发现，两组人群的与SN、CEN和DMN相关的动态连接指标在两个队列上均存在差异。相比之下，两组人群的静态连接指标仅在一个队列上存在差异，且其效应量小于动态连接指标。尽管近年来出现了相当多关于精神分裂症内在功能连接异常的证据，但大多数研究都集中在脑连接的静态指标上，这些发现涵盖了不同皮质区域间的低连接、高连接乃至正常连接。关键在于，这些研究均假设网络交互是不变的，而关于精神分裂症患者的动态功能回路及其与临床症状之间的关系则少有研究。

在两个队列上，精神分裂症组以SN为中心的动态跨网络交互的NII指标均显著低于对照组，且更多变。这些效应对于SN的交互具有特异性，因为在替代模型（包括平行地构建出的以CEN为中心的网络和以DMN为中心的网络）中两个组并未表现出差异。这些发现表明，SN与CEN和DMN的交互减少是精神分裂症中网络水平的紊乱的一个突出特征，它可能反映了在同时与DMN分离并与CEN结合时遇到困难。鉴于SN在检测突显刺激和向其分配注意力中起到的核心作用，我们认为，跨网络交互障碍可能会损害患者灵活动态地分配与认知加工相关的资源的能力。

精神分裂症患者与SN、CEN和DMN相关的动态大脑状态相比对照者波动性更大

我们对于动态连接的分析进一步揭示了患者的SN、CEN和DMN之间的交互持续性更低，且更短暂。此外，我们的研究结果指出，精神分裂症患者间歇性地缺乏SN与CEN的整合和SN与DMN的解耦。这种模式造成了患者组以SN为中心的与CEN和DMN的动态交互减少且更多变。更为重要的是，我们的研究结果还表明，这三个网络间功能交互的这些时变性质能用来刻画相关脑回路的动态结合与分离，因此它们为研究精神分裂症潜在的病理生理学提供了一个更好的框架。

用以SN为中心的动态连接指标区分精神分裂症患者与对照者

为了确定我们的研究结果是否稳健，我们采用了一个机器学习方法来考察与SN连接相关的动态和静态指标在患者和对照者中有何种程度的差异。我们发现，以SN为中心的动态跨网络交互在两个队列内以及在两个队列间都以很高的分类准确率区分了患者与对照者。此外，与以CEN和DMN为中心得到的NII(网络交互指数)指标相比，用以SN为中心的动态跨网络交互在两个队列内以及在两个队列间区分患者和对照者的识别率均最高（详见补充材料）。我们再次发现，这些结果对于动态NII指标是有特异性的，因为在两个队列上用静态指标分类得到的准确率与随机分类都没有显著差别。过往有一些对精神分裂症患者的分类研究使用了静态、时均、内在的功能交互模式作为特征，这些研究得到的准确率高于随机分类（43）。这种结果的差异或可归因为，这些过往的研究使用了的大量的特征，却只有相对较少的参与者，这可能导致过拟合并有偏地提高了分类准确率。此外，没有神经生物学模型可以根据如此大量的全脑范围的特征来解释研究结果。我们的方法克服了这些局限性，其利用的是在认知控制系统方面有理论基础的特征，并表现出了很高的跨队列识别率。

我们的研究结果表明，以SN为中心的与CEN和DMN的连接异常是能区分出精神分裂症的一个稳健特征。虽然当前本研究的目标并不是要开发预测精神分裂症的生物标志物，但我们的结果表明，纳入与SN相关的动态连接指标将是今后的研究开发对精神分裂症有临床意义的稳健生物标志物的一个重要方向。关键在于，在当前本研究的语境下，我们对与SN相关的特征的分类分析为三重网络模型中精神分裂症的脑功能组织异常提供了证据。

以SN为中心的动态（而非静态）网络交互异常可预测阳性症状，但不能预测阴性症状或认知能力

在我们考察的以SN为中心的网络模型中，CCA揭示了患者的动态脑连接与阳性症状严重程度之间的一种不同的联系模式。特别地，在这种模式中，SN对CEN和DMN动态介入的缺乏与思维紊乱之间表现出正相关——即在两个队列上，以SN为中心的跨网络交互持续性最低、波动性最高的患者都表现出最严重的概念紊乱。同样，这些效应是以SN为中心的动态连接指标特有的，以CEN和DMN为中心的指标不具有这样的效应。此外，这些效应是在动态（而非静态）连接指标中观察到的，这与上文报告的其他结果一致。关键在于，以SN为中心的动态连接与阴性症状或认知能力之间均没有发现显著关系。因此，我们的动态跨网络连接指标使我们得以刻画一条与精神失常有关的重要联系，这是过往的研究未能做到的。我们和其他的一些研究者在之前的报告中指出，SN节点的形态、代谢和神经活动的变化特异地与阳性症状相关，特别是与在两个队列中都观察到的行为紊乱相关。这些结果与我们的假设相符，即对内部和外部刺激的突显归属异常是精神分裂症的一个核心特征，且可能可以解释其精神失常症状的成因。鉴于我们往往不能对有非常严重的阴性症状和认知功能障碍的患者进行神经影像学的研究，因此不能排除这可能是由于以我们的能力还不足以展现出与这些领域的症状的严重程度之间的关联。此外，这种关联可能依赖于其他的皮层和皮层下结构以及其他本研究未纳入考虑的大尺度脑网络；更大样本的跨诊断方法或可刻画出认知能力对应于SN功能障碍的变化程度。但无论在哪种情况下，我们的研究结果都表明对精神失常而言，其与认知缺陷的联系可能是次要的。

我们的研究结果为这个解释精神失常的突显异常模型提供了进一步的证据，并将SN的动态交互异常作为导致精神分裂症这一核心症状的主要因素。尽管Kapur最初的异常突显模型主要是根据基于奖励的突显传递中脑多巴胺能信号构建的，但该模型最近的一些推广应用让人们注意到认知控制系统的异常在妄想的形成中的作用。具体来说，任何事件，例如外部刺激或内部心理事件，当它在SN内引起短暂的神经活动，且该神经活动足够大到能引发其他脑中系统的变化时，该事件都会突显。特别地，由SN调节的在CEN和DMN之间的切换机制很可能对注意力和工作记忆资源的适当分配起到至关重要的作用。因此，若将突显归到外部刺激和内部心理事件上，而对这些事件的加工会对SN及其跨网络交互提出竞争性的需求，则这可能成为精神失常的生理基础。SN回路动态中的异常可能导致突显和先验感知（perceptual priors）的权重受损，这些过程在现在的假设中是造成幻觉和思维混乱的原因（55, 56）。此外，对内部和外部突显事件的异常监测超出了注意捕获的范围，它还会妨碍患者根据交流中的线索自适应地更新看法和知识。先前有报告指出精神失常的患者在进行歧义句处理时脑岛活动异常，这也印证了这种观点。总而言之，这些结果为证明SN中的异常及由此导致的突显归属障碍可能造成精神失常提供了新的证据。

结论

我们的研究表明，SN、CEN和DMN之间跨网络交互的动态时变（而非静态）指标是区分精神分裂症的一个突出且稳健的特征。我们发现，基于SN的动态跨网络交互是一个连接异常的中心，它能用来区分患者与对照者，且能预测精神失常（而非阴性症状）在个体上的差异。以SN为中心的动态连接变化或可为该疾病阳性症状的差异刻画（differential characterization）提供一个有用的框架。我们的研究结果在两个独立的队列上得以重现，它们为该解释精神分裂症的三重网络模型提供了新的支持，并为今后进一步研究精神失常的神经生物学机制和生物标志物提供了模板。我们还需要进一步的研究来考察SN回路动态的异常在疾病不同阶段的纵向稳定性，并确定临床结果的差异是否与不同程度的SN功能障碍相对应。性别、药物接触和长期治疗对SN和三重网模型中的回路功能障碍的影响也值得研究。未来研究的一项重要挑战是要发展针对SN功能障碍的治疗方法，以改善精神失常给患者带来的影响。

如需原文及补充材料或动态三重网络及机器学习数据分析请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技莫大的支持，感谢！

微信扫码或者长按选择识别关注思影

非常感谢转发支持与推荐

欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：

核磁：