《Brain Imaging and Behavior》:A comprehensive analysis of brain network complexity in task-based fMRI using entropy: systematic review
编辑推荐:
这篇综述系统性回顾了在健康受试者的任务态功能磁共振成像(fMRI)研究中,熵测度(如香农熵、样本熵、传递熵等)的应用方法、参数选择及分析范畴。文章指出,尽管熵分析能够有效量化任务相关脑信号的复杂性,但各研究在熵的定义、参数选择及报告实践上存在显著不一致,这限制了研究的可比性。综述强调,为提升该领域研究的可比较性和可重复性,需要更清晰、标准化的报告和实施指南。
大脑成像技术是评估个体神经状态的重要工具,其中功能磁共振成像(fMRI)利用血氧水平依赖(BOLD)信号量化神经活动的变化。随着技术的发展,出现了包括基于熵的分析在内的多种方法来更好地解析大脑动态。脑熵,即脑信号的随机性,因其能有效捕捉大脑网络及其动态而被视为量化大脑复杂功能和动态的有前景的方法。尤其是在研究任务态认知功能时,这些功能常常与大脑的复杂性和变异性交织在一起。
研究背景与目的
基于熵的分析在任务态fMRI研究中应用日益增多,旨用量化神经信号的复杂性和信息动态。然而,不同研究在熵的定义、参数选择和分析范围上的差异限制了跨研究的可比性。本综述旨在系统性回顾熵测度在健康人类受试者任务态fMRI研究中的实施、参数化和解释方式,重点关注方法学实践,并评估其方法学可靠性,为未来研究提供标准化指导。
方法与研究筛选
本研究遵循PRISMA 2020指南进行了一项系统性方法学综述。研究人员在Web of Science数据库中,使用“fMRI”和“entropy”作为关键词,检索了2000年至2023年间的文献。研究纳入标准包括:使用任务态fMRI数据、应用基于熵的定量测度、涉及健康人类参与者、报告原始经验发现或方法学应用。排除了非人类、临床和静息态研究。
经过筛选,在1313条记录中,最终有92项研究符合纳入标准,成为本综述分析的基础。数据综合采用了结构化的叙述性方法,因为熵定义、参数化、任务类型和结果指标的差异使得Meta分析不适用。偏倚风险使用改编的JBI(Joanna Briggs Institute)清单进行评估。
关键熵测度及其应用
综述涵盖了多种熵测度,每种都有其独特特点和应用场景:
- •
近似熵:用于评估时间序列的规律性,数值越低表示信号越规律,越高表示越复杂,但存在参数依赖和自匹配偏差等缺点。
- •
样本熵:改进了近似熵,消除了自匹配问题,对数据长度和参数选择的敏感性较低,特别适用于fMRI研究,常用于评估局部信号规律性。
- •
多尺度熵:在多个时间尺度上评估信号复杂性,有助于揭示大脑动态的层次结构,通常在网络层面进行分析。
- •
香农熵:源于信息论,量化数据中的不确定性,不考量时间结构,应用最为广泛,可用于区域分析、网络分析,也常作为机器学习的特征或验证指标。
- •
传递熵:测量两个时间序列信号之间有方向的信息流,特别适用于评估大脑功能连接中的因果性信息传递。
研究发现与结果分析
在纳入的92项研究中,香农熵是主导方法(占78.3%),其次分别是样本熵(9.78%)、传递熵(4.35%)、多尺度熵(3.26%)、近似熵(3.26%)和组合熵方法(1.09%)。研究发现,不同的熵测度倾向于与特定的方法学角色相匹配。
在分析范围上,研究主要分为三类:
- 1.
区域或体素水平信号分析:主要使用近似熵和样本熵来量化局部信号规律性或变异性。
- 2.
网络水平分析:常使用香农熵和多尺度熵来刻画大规模功能网络的信号复杂性。
- 3.
基于连接的分析:主要使用传递熵来评估脑区之间有方向的信息流。
研究任务覆盖了多个认知领域,包括感知运动控制(占比最大)、执行功能、学习与记忆、复杂注意、语言和社会认知等。熵测度被应用于量化与任务相关的大脑信号变异性、复杂性、不确定性及信息流。
参数化实践与报告不一致性
一个关键发现是,各研究在熵测度的参数化实践上存在很大差异。对于样本熵和近似熵,关键的嵌入维数(m)和容差阈值(r)的选择不一致;多尺度熵在尺度因子选择和粗粒度化方法上不同;传递熵在估计器选择、历史长度、时间滞后和统计推断程序上也有诸多差异。即使是参数相对较少的香农熵,其在从连续fMRI数据中估计概率分布的方式(如核密度估计、分箱策略)也存在灵活性。许多研究未能完整报告参数细节或进行敏感性分析,这构成了跨研究比较和结果可重复性的主要障碍。
局限性、偏倚与未来方向
证据综合受到熵公式、参数报告、预处理决策和结果指标不一致的限制。大多数研究使用了常规的fMRI预处理流程,但预处理步骤(如运动校正、时间滤波、空间平滑)可能会改变BOLD时间序列的自相关和幅度分布,从而影响熵的估计。报告深度和针对零假设/替代期望的验证程度在研究间差异很大。尽管基于熵的任务态fMRI研究在方法学上多样,但一致证明了使用熵在不同分析水平上刻画任务相关脑复杂性的可行性。
结论
当前任务态fMRI熵研究在方法学上呈现多样性,但普遍显示出使用熵来刻画任务相关脑复杂性的可行性。香农熵的广泛使用以及参数/报告实践的不一致,凸显了需要更清晰、标准化的报告和可重复实施指南,以提高研究间的可比性。未来的研究应致力于建立最佳实践,包括完整的参数报告、敏感性分析以及预处理对熵估计影响的系统评估。