儿童时期结构连接组梯度及其与智商（IQ）的关系

《Frontiers in Human Neuroscience》：Structural connectome gradients and their relationship to IQ in childhood

　　认知能力与早期结构性脑连接梯度的关联性研究

　　在儿童早期大脑发育研究中，研究人员提出了一种新的方法，通过分析脑结构连接图谱的连续空间变化模式，即所谓的“连接体梯度”，来探讨大脑皮层的层次组织及其与认知功能的关系。这一研究的核心假设是，前额叶和顶叶区域的结构梯度在早期儿童的认知能力形成过程中起着重要作用。为了验证这一假设，研究者利用多模态神经影像数据，识别了1至6岁儿童的宏观结构连接体梯度，并采用机器学习方法预测他们在4、6和8岁时的智力商数（IQ）。结果显示，通过年龄1时的结构梯度进行预测，平均斯皮尔曼相关性超过0.25，表明该方法具有良好的预测能力。

连接体梯度能够以一种可解释的方式，对大脑网络的拓扑结构进行总结，捕捉到传统基于节点或图中心性度量所无法识别的分布式脑组织模式。这种连续的空间表示方法在功能性连接体梯度的研究中已被广泛应用，其显示了从初级感觉运动区域到高级跨模态区域的过渡。例如，一些研究发现，出生时的功能性连接体梯度可以预测2岁时的认知表现，这提示功能性连接体梯度在神经发育中具有重要作用。此外，有研究指出，初级到跨模态功能连接体梯度的变化与白质（WM）高信号的严重程度以及执行认知功能的下降存在联系。因此，功能性连接体梯度被认为是认知能力发展的重要指标。

与功能性连接体梯度相比，关于结构连接体梯度及其与认知功能关系的研究还相对有限。已有研究表明，白质连接体在儿童早期就已经建立，并且在之后保持相对稳定。扩散磁共振成像（dMRI）是一种非侵入性的影像技术，可以表征组织微结构和白质束，从而计算出解剖结构的连接体（SC）。由于结构连接体反映了功能性连接体的解剖学约束，它可能提供一种不同于功能性连接体梯度的独特视角，揭示大脑组织在不同发育阶段的结构特性。

研究者还发现，结构连接体梯度在年龄1时已经可以检测到，并且在早期儿童时期保持稳定。这些梯度可能预测后来的认知表现，尤其是在与智力相关的高级联结网络中。例如，前额叶网络、扣带回-外侧网络和默认模式网络等结构被广泛认为与认知能力有关。这些网络在结构连接体中表现出特定的梯度模式，可能反映了大脑在不同发育阶段的功能性组织特点。研究者进一步假设，这些结构连接体梯度在婴儿期就已形成，并且可能作为未来认知能力的早期影像生物标志物。

为了验证这些假设，研究团队采用了一种基于图卷积神经网络（GCN）的预测模型，将年龄1时的结构连接体梯度作为输入特征，预测4、6和8岁时的IQ。模型在不同年龄阶段均表现出一致且稳健的预测能力，说明结构连接体梯度在预测认知发展方面具有潜在价值。此外，研究还指出，与传统的图中心性指标相比，结构连接体梯度能够捕捉到更广泛的、低维的拓扑模式，从而更好地反映个体差异。

在具体实施过程中，研究团队使用了多种数据处理方法，包括对扩散磁共振成像数据进行预处理，去除运动伪影，并通过概率追踪法生成连接矩阵。之后，利用扩散映射（diffusion map）进行非线性降维，计算出结构连接体梯度。为了提高模型的预测性能，研究者还采用了Procrustes旋转方法对梯度向量进行对齐，并使用ComBat方法进行跨扫描批次效应的校正。这些步骤确保了模型输入的准确性和一致性。

为了评估模型的预测能力，研究团队使用了多种统计指标，包括平均绝对误差（MAE）、斯皮尔曼相关系数和皮尔逊相关系数。结果显示，模型在预测不同年龄段的IQ时均表现出较高的相关性，且与传统的机器学习方法相比，具有更稳定的预测效果。此外，研究者还发现，仅使用主梯度作为输入特征的模型虽然能够预测IQ，但不如同时使用主梯度和次级梯度的模型稳定。这一发现强调了结构连接体梯度在预测个体认知能力中的重要性。

通过使用可解释的AI工具Captum，研究团队进一步分析了模型在预测IQ时的关键区域。结果显示，某些特定的脑区，如左侧眶部沟、左侧额下回的外侧部分和下扣带回，被多次选为预测IQ的重要区域。这些区域属于前额叶-顶叶网络、扣带回-外侧网络和默认模式网络，说明结构连接体梯度能够有效识别与认知功能相关的脑区。此外，研究还发现，不同梯度成分在预测不同认知表现时可能发挥不同的作用，例如主梯度主要与执行控制网络相关，而次级梯度则更侧重于感觉处理网络。

尽管研究结果表明结构连接体梯度在预测儿童IQ方面具有潜力，但也存在一些局限性。例如，研究团队在模型训练过程中没有考虑人口学变量，如母亲教育水平、出生孕周和性别。虽然这些变量在预测IQ时通常具有较高的相关性，但研究者发现，在他们的样本中，人口学变量的预测效果优于结构连接体特征。这可能与样本量较小有关，但同时也提示未来的研究应结合人口学信息，以更全面地理解结构连接体与认知能力之间的关系。

此外，研究团队还讨论了结构连接体梯度的计算方法及其对预测结果的影响。例如，他们使用了Cosine相似性作为连接体梯度的计算基础，这种方法对向量之间的微小角度差异不敏感。然而，某些研究建议使用归一化角度相似性，这可以更直接地反映向量之间的角度差异。未来，研究者计划探索其他方法来重建结构连接体并分析梯度特征，以进一步提高模型的预测能力。

总的来说，这项研究展示了结构连接体梯度在儿童早期认知能力预测中的潜力。通过使用机器学习方法，研究团队成功地从结构连接体中提取了与IQ相关的特征，并验证了这些特征在不同年龄段的预测能力。这些发现不仅加深了我们对大脑结构与认知功能之间关系的理解，也为早期干预和教育策略的制定提供了新的视角。未来的研究可以进一步探索结构连接体梯度在更具体的认知亚领域中的作用，并结合人口学变量以提高预测模型的准确性。