102項損傷網絡研究驚人一致？警惕“同質化”幻象和數學陷阱

基本信息

Title:Investigating the methodological foundation of lesion network mapping

發表時間：2026.1.15

Journal:Nat Neurosci

影響因子：20.0

獲取原文：

1. 添加小助手:PSY-Brain-Frontier即可獲取PDF版本
2. 點擊頁面底部“”即可跳轉論文原網頁

研究動機與背景

病灶網絡映射（LNM）是一種利用規范功能連接（FC）數據將離散的大腦病灶與功能回路聯系起來的神經影像學框架，旨在尋找不同病灶導致相似癥狀的共同網絡基礎。然而，隨著該方法的普及，研究者發現成癮、抑郁、精神病和癲癇等截然不同的疾病所識別出的網絡竟然高度相似，這在生物學上極不尋常。作者試圖解決的關鍵科學問題是：這種跨疾病的高相似性究竟反映了大腦真實的跨診斷生物學特性，還是由 LNM 方法本身的數學陷阱導致的 ？這一研究對于評估現有大量臨床神經影像研究的有效性以及開發下一代更具特異性的網絡映射方法具有重要意義。

實驗設計與方法邏輯

研究提出了一個基本假設：LNM 產生的結果并非由于病灶位置的特異性驅動，而是受限于規范功能連接矩陣的固有拓撲結構，即 LNM 會系統性地將任何局部的腦改變映射到腦網絡的非特異性屬性（如節點度或核心節點）上。預期結果是，無論病灶位于何處（甚至是隨機位置），LNM 最終生成的網絡圖譜都將高度趨同，且與腦網絡的“核心節點”分布高度一致。

為了揭示 LNM 的本質，作者首先對發表于 2015-2025 年間的 102 個已發表 LNM 網絡進行了系統性再分析。在方法邏輯上，作者將復雜的 LNM 流程簡化并壓縮為線性矩陣運算，證明了其核心步驟實際上是對同一個規范功能連接矩陣進行重復抽樣。接著，作者設計了一系列嚴謹的對照實驗：利用完全隨機生成的病灶、洗牌后的連接組數據以及合成病灶，觀察它們生成的網絡圖譜是否與臨床真實病灶的結果有所區別。最后，作者構建了一個基于腦網絡基本屬性（如度中心性、模塊化等）的線性回歸模型，以量化有多少比例的結果方差可以僅由連接組的固有結構（而非病灶特異性信息）來解釋。

核心發現

發現一：跨疾病網絡的異常趨同性

再分析顯示，涵蓋 101 種神經和精神疾病的 LNM 圖譜在島葉、前扣帶回（ACC）和額極等區域表現出極高的空間重疊（高達 74%），且不同疾病間的空間相關性極高。

Fig. 1 | Observed similarity of published work using LNM networks from original and randomized lesions. 該圖展示了對 2015-2025 年間發表的 101 種不同疾病/癥狀的 LNM 網絡進行的系統性匯總。圖中的空間重疊圖清楚地顯示，無論原始研究探討的是成癮、抑郁還是癲癇，它們得出的網絡在解剖位置上表現出驚人的相似性，主要集中在島葉、前扣帶回等“默認網絡”或“凸顯網絡”的核心節點。通過相似性矩陣，作者量化了這種跨診斷的趨同性，證明了不同研究之間存在極高的空間相關性。

發現二：LNM 本質上是矩陣行求和運算

數學推導證明，LNM 流程可以簡化為對規范連接矩陣中病灶對應行的加權求和，這意味著它本質上是在探測該區域在連接組中的“度”或連通性，而非特定的功能回路。

Fig. 2 | LNM pipeline and streamlined implementation. 這是一張方法論邏輯圖。作者通過流程拆解，將復雜的 LNM 步驟（提取病灶、映射到規范連接組、群體加權）壓縮為一個簡潔的線性代數公式。圖中對比了“傳統耗時流程”與“瞬間矩陣運算”的結果，證明兩者完全一致。這揭示了 LNM 的本質并不是在尋找特定回路，而是在對規范功能連接矩陣（Normative FC Matrix）中對應病灶位置的行進行累加，從而說明了結果為何會受限于連接組的固有屬性。

發現三：隨機病灶產生的圖譜與臨床圖譜不可區分

實驗表明，即使是隨機生成的病灶或合成病灶，利用 LNM 方法得出的網絡也與“成癮回路”或“抑郁回路”高度相似（相關性 r≈ 0.73-0.95），證明了該方法的低特異性。

Fig. 3 | The systematic alignment of LNM to the summation vector of C. 該圖通過對照實驗直接沖擊了 LNM 的可靠性。作者展示了即便使用完全隨機生成的病灶（Random Lesions），或者與臨床病灶形狀相同但位置不同的合成病灶，利用 LNM 方法依然能得出與已發表的“成癮回路”或“抑郁回路”高度相似的網絡圖譜（相關性系數常高于 0.8）。這部分圖表有力地證明了，即便病灶位置完全沒有生物學意義，LNM 也能“制造”出看起來非常有意義的疾病網絡。

發現四：連接組固有屬性解釋了絕大部分方差

作者發現，利用腦網絡的“度（Degree）”等 9 個基本屬性，就可以解釋 102 個已發表 LNM 網絡中 93% 的方差，說明這些研究提取的更多是腦網絡的通用背景信息，而非疾病特有的生物信號。

Fig. 4 | Published LNM networks converge to the summation vector of the connectome data. 該圖揭示了為何 LNM 結果會趨同。通過將 LNM 圖譜與腦網絡的拓撲指標（如度中心性 Degree Centrality、節點強度等）進行關聯分析，作者展示了 LNM 識別出的區域大多是大腦中的“交通樞紐（Hubs）”。散點圖和回歸分析顯示，僅利用 9 個基本的網絡拓撲指標就能解釋現有研究中絕大部分（93%）的空間變異。這意味著，LNM 映射出的更多是大腦的“背景基底圖”，而非疾病特有的生物信號。

省流總結

本研究對近年來風靡的“病灶網絡映射（LNM）”方法進行了根本性的挑戰。通過對百余項已發表研究的再分析和數學論證，作者發現 LNM 識別出的所謂“疾病特異性回路”在很大程度上是方法論導致的錯覺：由于該方法不斷重復取樣相同的腦網絡模板，導致任何病灶（甚至是隨機生成的）最終都會被關聯到腦內那些連通性最強的核心區域。這項工作揭示了 93% 的 LNM 研究結果其實只是反映了腦網絡的固有背景結構，而非疾病本身的特異生物學基礎，從而提醒學術界需審慎看待此類成果，并亟需開發更具分辨力的新型網絡映射工具