《Developmental Cognitive Neuroscience》:Modeling differences in neurodevelopmental maturity of the reading network using support vector regression on functional connectivity data
编辑推荐:
本研究聚焦于阅读障碍(RD)儿童的神经发育轨迹,旨在探究功能性连接(FC)网络能否预测其“大脑年龄”并反映发育偏差。研究人员利用支持向量回归(SVR)模型,基于全脑及阅读网络FC数据,对742名6-21岁参与者进行跨样本年龄预测。结果显示,模型预测准确性较高,且与阅读能力相关的脑龄差(BAG)存在群体偏差,其中默认网络(DMN)和额顶控制网络是预测年龄的关键脑区。该研究为理解RD的神经发育机制及潜在生物标记提供了新视角。
想象一下,你是一位神经科学家,试图通过观察大脑的活动来“猜测”一个人的年龄。这听起来像是科幻小说,但这正是“大脑年龄”预测研究领域正在做的事情。更重要的是,如果大脑的“生理年龄”与其实足年龄存在偏差,这可能暗示着某些神经发育障碍的存在。阅读障碍(RD)是一种常见的特定学习障碍,影响着儿童的阅读能力。传统理论认为,RD可能与大脑阅读相关网络的成熟延迟有关,但这究竟是全脑性的发育迟缓,还是仅仅局限于特定的语言处理区域?目前,利用功能性连接(FC)数据来系统比较不同阅读能力群体(阅读能力低下、典型和超常)之间脑龄差异的研究尚属空白。为了探索这一谜题,并寻找可能用于早期风险识别的神经标志物,来自美国康涅狄格大学等机构的研究团队在《Developmental Cognitive Neuroscience》期刊上发表了一项研究。
他们开展了一项横断面研究,旨在构建一个能够根据FC数据可靠预测年龄的模型,并检验该模型是否能够揭示不同阅读能力群体之间的神经发育轨迹差异。研究得出的主要结论是:基于FC数据的支持向量回归模型能够有效预测6-21岁个体的年龄,且模型的预测显示出与阅读能力相关的偏差。尽管阅读能力低下者(PR)的脑龄倾向于被低估(表现为更大的脑龄差),而阅读能力超常者(ER)的脑龄在年龄较大群体中有被高估的趋势,但这种群体间的差异具有高度的个体变异性,且并未像预期那样在更专注于阅读网络的模型中更为明显。相反,对年龄预测贡献最大的脑网络是默认网络(DMN)和额顶控制网络,这些网络与阅读过程密切相关,表明大脑年龄预测与阅读发展共享着部分神经基础。这项研究的意义在于,它为理解阅读障碍的神经发育机制提供了一个新的计算框架,并表明功能性连接网络,特别是高级认知控制网络,可能对与阅读能力相关的个体发育差异特别敏感或具有反映性。
为开展此项研究,研究人员主要应用了以下几个关键技术方法:首先,研究数据来源于公开的“儿童心智研究所健康脑网络计划”队列,共纳入742名6-21岁的参与者,并根据单词阅读效率测试将其分为阅读能力低下、典型和超常三组。其次,功能磁共振成像数据采集采用自然主义范式,即让参与者在扫描仪内观看一段电影剪辑。数据处理方面,使用fMRIPrep进行预处理,并使用CONN工具箱进行去噪和功能连接矩阵计算。核心分析方法采用了支持向量回归机器学习模型,该模型经过主成分分析降维后,被训练用于根据全脑或不同范围的阅读相关脑区功能连接数据来预测参与者的实足年龄。最后,通过计算脑龄差,并利用重复测量协方差分析等统计方法,来检验不同阅读能力组之间脑龄预测的差异。
模型显著性与模型间年龄预测差异:研究人员训练了四个SVR模型,分别基于400个、152个、78个和27个感兴趣区的功能连接数据。所有模型在预测年龄上均表现显著。结果表明,包含全脑连接数据的400-ROI模型预测误差最小,性能显著优于其他基于阅读网络区域的简化模型。这证实了使用更广泛的数据可以提高年龄预测的准确性,但值得注意的是,即使仅使用27个核心阅读区域,模型仍能解释相当一部分年龄方差,说明年龄标记广泛分布于大脑连接模式中。
识别最重要的ROI/连接:通过对全脑模型进行探索性分析,研究人员识别出对年龄预测贡献最大的功能连接和脑区。结果发现,只有约5%的连接达到了显著性阈值,这些连接中,脑网络内的连接被过度表征。最重要的脑区主要来自默认网络和额顶控制网络,特别是涉及额叶岛盖/脑岛的区域。在显著特征中,默认网络、凸显腹侧注意网络和控制网络被过度表征,而视觉、躯体运动等网络则代表性不足。正性系数连接主要由默认网络内部及其与其他网络之间的连接主导,而负性系数连接则主要由默认网络与控制网络/凸显腹侧注意网络之间的连接主导。
脑龄差的组间差异:分析不同阅读能力组的脑龄差是本研究核心。脑龄差计算公式为:真实年龄 - 预测年龄,正值表示模型低估年龄(大脑“更年轻”),负值表示高估年龄(大脑“更成熟”)。协方差分析显示,在控制了年龄、性别、社会经济地位等因素后,阅读能力分组对脑龄差有显著主效应,但模型类型与分组之间不存在显著的交互作用。这意味着,尽管不同阅读能力组的平均脑龄差存在差异,但这种差异在不同模型(全脑模型 vs. 阅读网络模型)之间并未表现出显著不同,与“在更阅读特异性的模型中组间效应会更大”的初始假设不符。事后分析发现,组间差异主要体现在年龄较大的群体中:在年龄最大的组别(15-21岁)中,全脑模型显示出ER组的脑龄被高估(即BAG更负)而TR组被相对低估的趋势。当将阅读能力作为连续变量分析时,发现其与脑龄差的关系受到年龄的调节,在年幼时呈正相关,在年长时则可能变为负相关。这些复杂的发现表明,阅读能力与脑龄预测偏差之间的关系是非线性的,并受到个体发育阶段的影响。
结论与讨论:本研究成功构建了基于FC数据的年龄预测模型,并发现模型的预测存在与阅读能力相关的偏差。最重要的发现是,对年龄预测贡献最大的脑网络是默认网络和额顶控制网络,而非传统上认为的、仅限于左侧半球的经典语言区。这两个网络在童年至青少年期经历显著的连接强度变化,且都与阅读过程有关。默认网络包含颞叶、角回等阅读相关区域,而额顶控制网络则涉及注意和执行功能。这种重叠表明,支持阅读发展的神经基础与标志大脑整体成熟的高级认知网络密切相关,可能反映了领域通用性功能对阅读技能发展的支持。
尽管研究发现阅读能力低下者的大脑年龄倾向于被低估,阅读能力超常者在年长时被高估,但事后两两比较并未在阅读能力低下组中发现稳定显著的差异。这表明群体效应可能被较大的个体变异性所掩盖。此外,与假设相反,使用更少、更聚焦于阅读网络的模型并未放大阅读能力组间的脑龄差差异。这意味着与阅读能力相关的大脑成熟信号是广泛分布于全脑连接模式中的,而非孤立于特定的“阅读中枢”。
研究意义与局限性:这项研究将机器学习与神经成像结合,为探索神经发育障碍提供了新途径。它表明FC网络,特别是默认网络和额顶控制网络,可能对与阅读能力相关的发育变异特别敏感。然而,研究也存在一些局限。例如,模型系数无法反映连接的具体发展方向(是正相关增强还是负相关增强);样本中阅读能力组在年龄、社会经济地位等方面并非完美匹配;此外,使用的自然主义电影观看范式可能激活了语言处理,使得结果可能反映了任务诱发的网络成熟度,而非纯粹的内在连接。未来研究可以考虑在纯静息态或特定阅读任务中验证这些发现,或直接训练模型预测阅读能力分数,以更直接地识别支持阅读的神经网络。
总之,该研究揭示了大脑功能连接可用于预测发育年龄,并暗示了阅读能力与特定高级脑网络成熟度之间的复杂关联。这为未来开发更精细的、用于阅读障碍早期识别和干预的神经生物学标记奠定了重要基础。