Neuron
Network Similarity Index（NSI）用于个体化功能脑图谱数据质量评估

小赛推荐：

该研究为precision functional mapping研究提供了客观、可量化的数据质量评估框架，显著提升了个体化fMRI研究的可重复性与临床转化潜力。

 

文献概述

本文《Objective Quality Assessment for Precision Functional MRI Data》，发表于《Neuron》杂志，系统探讨了如何在个体水平进行高精度功能脑图谱（PFM）时，确保fMRI数据具备足够的质量以支持可靠分析。研究团队提出了一种名为Network Similarity Index（NSI）的新型指标，用于量化个体fMRI数据中是否表达出稳定、可识别的大尺度脑网络结构。该方法超越了传统依赖扫描时长或头动指标的主观判断，为PFM研究提供了标准化、数据驱动的质量控制工具。

背景知识

目前，precision functional mapping（PFM）已成为揭示个体脑网络组织差异的重要手段，广泛应用于major depressive disorder、Parkinson’s disease等神经精神疾病的机制研究与靶向干预。然而，PFM对数据质量要求极高，需长时间、高质量的fMRI采集，而现有研究多依赖“尽可能多采集”的经验性策略，缺乏客观标准判断数据是否足够支持个体化分析。这一瓶颈导致许多研究面临结果不可靠或难以复现的问题。

当前functional connectivity研究的主要瓶颈在于：其一，传统质量控制（QC）依赖head motion（如FD、DVARS）等间接指标，这些指标虽反映噪声负担，但无法直接评估去噪后数据是否保留了有意义的网络结构；其二，个体间功能网络的稳定性差异大，相同扫描时长下可靠性可能显著不同，但缺乏指标量化这种差异。因此，亟需一种能直接反映数据中可恢复大尺度网络结构的客观度量。

本研究的切入点在于提出NSI——一个基于功能连接（FC）图谱与已知大尺度网络模板相似性的量化指标。NSI不依赖重复扫描或split-half可靠性计算，而是在单次扫描后即可评估数据质量，填补了PFM领域在数据适用性判断上的空白。通过分解FC的空间频率成分，研究揭示了低频、大尺度网络结构是跨个体共享的稳定骨架，而NSI正是对该骨架表达强度的量化，从而为PFM适用性提供了可操作的判据。

 

针对神经疾病研究，赛业生物提供超过2000例现货KO/CKO神经小鼠模型，涵盖阿尔茨海默病、帕金森病、杜氏肌营养不良症等，支持基因敲除、条件性敲除、点突变、转基因和人源化等多种打靶方式，助力神经退行性疾病机制研究与药物筛选。

了解更多

 

研究方法与核心实验

作者在多个独立、异质性高的fMRI数据集上验证NSI的有效性，包括来自treatment-resistant depression患者的临床样本。研究采用表面空间（CIFTI格式）的fMRI数据，计算每个种子点的功能连接图谱，并使用岭回归将其与一组预先定义的标准化大尺度功能网络模板进行拟合，得到R²值作为NSI。NSI计算覆盖皮层、皮层下及小脑区域，最终以全脑中位NSI值作为整体质量指标。该方法在标准工作站上仅需数分钟即可完成，具备良好的计算效率。

为验证NSI的生物学意义，研究进行了多项关键实验：首先，通过空间频率分解分析，证明低频FC成分占主导方差，且高度跨个体相似，而高频成分则个体特异性强；其次，通过人工引入非BOLD信号（如头动相关噪声）到已去噪数据中，发现NSI随BOLD信号损失而显著下降，表明其对去噪保真度敏感；再次，由六名盲法专家对25个预处理fMRI数据集进行质量评分，结果显示NSI与专家评分高度相关（r = 0.66–0.90），且优于扫描时长的预测能力。

关键结论与观点

• NSI能够有效量化个体fMRI数据中大尺度functional connectivity网络结构的完整性，其值与专家视觉评估高度一致，为PFM适用性提供客观判据。
• NSI不仅反映数据质量，还能预测后续分析中functional connectivity可靠性的积累速度，高NSI个体在相同扫描时长下达到更高可靠性，指导研究者优化数据采集策略。
• NSI与multi-echo fMRI等先进采集技术正相关，表明其可用于评估不同采集与预处理流程的效能，推动标准化协议发展。
• NSI在低质量数据中显著降低，可用于筛查潜在预处理失败或异常被试，提升研究效度。

研究意义与展望

该研究为precision medicine背景下的神经影像研究提供了关键质量控制工具。NSI的引入使得研究者可在个体水平判断fMRI数据是否足够支持可靠网络映射，避免将低质量数据误读为个体特异性变异。这一能力对neuromodulation治疗（如TMS靶点定位）尤为关键，因个体化脑图谱直接影响干预效果。

从科研设计角度看，NSI支持前瞻性决策：通过短时scout扫描即可估计最终数据可靠性，从而动态调整扫描时长，提升效率并节约成本。此外，NSI可作为协变量纳入组分析，控制数据质量对结果的混杂影响，增强统计效力。

未来方向包括将NSI扩展至任务态fMRI或动态功能连接分析，并探索其在发育、衰老或疾病进展中的轨迹变化。结合machine learning模型，NSI有望成为多模态数据融合中的权重因子，提升预测模型性能。

 

赛业生物提供专业的神经药效评价服务，涵盖多种神经退行性疾病模型构建、精细化注射给药（如脑立体定位注射）、行为学实验（如水迷宫、高架十字迷宫）及分子病理检测，为阿尔茨海默症、帕金森病等疾病的药物研发提供从模型构建到药效评估的一站式解决方案。

了解更多

 

结语

本研究提出的Network Similarity Index（NSI）为个体化功能脑图谱研究建立了首个客观、可量化、易于实施的数据质量评估标准。NSI通过衡量fMRI数据中大尺度网络结构的表达强度，解决了长期依赖主观判断或间接指标的局限，显著提升了PFM研究的可重复性与临床实用性。对于major depressive disorder、Parkinson’s disease等需个体化靶向干预的疾病，NSI确保了脑网络图谱的可靠性，为精准神经调控提供坚实基础。该工具的开源实现进一步推动了透明、标准化的神经影像研究实践，标志着从“采集越多越好”向“质量驱动”的研究范式转变。未来，NSI有望成为fMRI研究的常规QC指标，嵌入数据处理流水线，全面提升神经科学发现的稳健性与转化价值。

 

Charles J Lynch, Megan Chang, Immanuel Elbau, Faith M Gunning, and Conor Liston. Objective Quality Assessment for Precision Functional MRI Data. Neuron.