謝非，龔曉亮，陸言，錢暉，岳璐璐

同濟(jì)大學(xué)電子與信息工程學(xué)院，上海 200092

前言

精神類疾病有著難以預(yù)測(cè)衡量、發(fā)病時(shí)不易控制、傷害性高等特點(diǎn)。早期學(xué)者們利用美國精神學(xué)會(huì)（American Psychiatric Association,APA）制定的《精神疾病診斷手冊(cè)》（The Diagnostic and Statistical Manual of Mental Disorders,DSM）來進(jìn)行診斷，我國也出版了《中國精神障礙分類與診斷標(biāo)準(zhǔn)》，但是這種診斷標(biāo)準(zhǔn)偏主觀性，對(duì)醫(yī)師經(jīng)驗(yàn)積累要求極高。近年來，隨著腦影像技術(shù)的發(fā)展進(jìn)步，功能磁共振成像（functional Magnetic Resonance Imaging,fMRI）、腦電圖（Electroencephalogram,EEG）和計(jì)算機(jī)斷層掃描（Computed Tomography,CT）等無創(chuàng)易操作的技術(shù)被用于探究精神病患者腦區(qū)的特異性。越來越多研究表明，在各種精神類疾病發(fā)病早期，大腦發(fā)生明顯器質(zhì)性病變之前，腦網(wǎng)絡(luò)的功能連接就已經(jīng)出現(xiàn)異常。隨著患病情況發(fā)生變化，功能連接也會(huì)呈現(xiàn)出不同的狀態(tài)。目前，利用fMRI技術(shù)構(gòu)建的腦網(wǎng)絡(luò)具有重要的醫(yī)學(xué)應(yīng)用價(jià)值，為闡明精神類疾病的發(fā)病機(jī)理提供了新的研究思路，也為疾病的早期診斷和中后期治療評(píng)估提供了新的途徑。

在研究成人大腦基線狀態(tài)時(shí)，Raichle等［1］提出默認(rèn)模式網(wǎng)絡(luò)（Default Mode Network,DMN）的概念，這個(gè)區(qū)域和情感認(rèn)知關(guān)系密切，此后研究發(fā)現(xiàn)，DMN內(nèi)部的腦連接變化與精神類障礙關(guān)聯(lián)密切。有研究發(fā)現(xiàn)在精神類疾病患者腦區(qū)中，DMN內(nèi)部及其與其他腦區(qū)的連通性會(huì)異常增加或者降低［2-3］。DMN的這種特異性變化使其成為醫(yī)學(xué)研究中的熱點(diǎn)，并且隨著研究的深入，學(xué)者們對(duì)其功能機(jī)理的掌握也逐漸全面，將其成果應(yīng)用在精神類疾病診斷方面效果顯著［4］。目前，對(duì)DMN的研究已不僅局限于探究腦區(qū)的損傷變化，藥物對(duì)疾病的治療效果、患病嚴(yán)重情況對(duì)腦連接的損傷程度以及心理與大腦之間的相關(guān)關(guān)系將逐漸成為研究的重點(diǎn)。本研究首先介紹DMN的由來和組成，然后列舉一些DMN腦功能連接的計(jì)算分析方法，最后對(duì)腦連接在精神類疾病診斷中的實(shí)際應(yīng)用作進(jìn)一步的闡述。

1 DMN

一般認(rèn)為DMN是人在閉眼，不思考且清醒狀態(tài)即靜息態(tài)下比較活躍的腦區(qū)。最初，Gusnard等［5］依據(jù)大腦的結(jié)構(gòu)差異，把DMN劃分成了4個(gè)腦區(qū)：（1）中后部腦皮層區(qū)，由后扣帶回皮層、楔前葉和胼胝體壓部組成；（2）側(cè)后部腦皮層區(qū)，由雙側(cè)頂下小葉、顳葉和枕葉等組成；（3）前額葉腹內(nèi)側(cè)皮層；（4）前額葉中背側(cè)皮層。目前，普遍認(rèn)為DMN由5個(gè)腦區(qū)組成：后扣帶回皮質(zhì)、楔前葉、內(nèi)側(cè)前額葉皮質(zhì)、頂下小葉以及雙側(cè)顳葉皮質(zhì)，DMN的結(jié)構(gòu)組成如圖1所示。

圖1 DMN的結(jié)構(gòu)視圖Figure 1 Structural views of default mode network(DMN)

隨著對(duì)DMN 的結(jié)構(gòu)和功能了解越來越全面，對(duì)DMN腦功能連接異常的分析也逐漸深入，近幾年在fMRI等數(shù)據(jù)的基礎(chǔ)上研究DMN腦功能連接的方法也逐漸多樣化；相較于利用EEG數(shù)據(jù)研究DMN，利用磁共振影像數(shù)據(jù)分析DMN是目前的主流。因此，本研究聚焦利用磁共振影像數(shù)據(jù)分析DMN的研究進(jìn)展。綜述文獻(xiàn)篩選流程為：（1）在Web of Science上用關(guān)鍵字搜索，主要的搜索關(guān)鍵字包括“DMN”、“fMRI”和“functional connectivity”。（2）選擇發(fā)表日期為2021年的關(guān)于各類精神類疾病的文章，共搜到163篇文獻(xiàn)。（3）分別添加各類疾病的名稱（AD、depression、schizophrenia、epilepsy、ADHD、PD、PTSD）作為新的關(guān)鍵字，搜索論文的標(biāo)題、摘要以及關(guān)鍵字，并進(jìn)行分類篩選。與精神分裂癥、癲癇和多動(dòng)癥相關(guān)的文章較少，因此本研究對(duì)這幾類疾病的文章進(jìn)行補(bǔ)充匯總，選取了2020年的幾篇文章。按照各類疾病名稱進(jìn)行篩選補(bǔ)充后，文章數(shù)目由163縮小到91。（4）根據(jù)文章的具體內(nèi)容，篩選掉與目標(biāo)內(nèi)容無關(guān)的文章并且選取具有代表性的文章，最后選擇33篇利用fMRI研究DMN功能連接的文章。

2 DMN的計(jì)算方法

基于所選擇的33篇目標(biāo)文獻(xiàn)，按照研究的疾病種類進(jìn)行分類，再從數(shù)據(jù)解析方法及研究結(jié)果兩個(gè)方面進(jìn)行分析，其中論文基本信息及研究方法總結(jié)如表1所示。探究精神類疾病患者的DMN功能連接研究中，腦核磁信號(hào)的數(shù)據(jù)處理流程可以分為3步：數(shù)據(jù)預(yù)處理；信號(hào)特征的提取和選擇；利用特征進(jìn)行信號(hào)的分析。本研究就這3個(gè)主要流程及所用到的方法進(jìn)行闡述。

表1 在精神類疾病中利用fMRI探索DMN的研究Table 1 Studies on exploring DMN by fMRI in mental disorders

2.1 預(yù)處理

對(duì)核磁數(shù)據(jù)進(jìn)行預(yù)處理時(shí)，首先要轉(zhuǎn)換數(shù)據(jù)格式，數(shù)據(jù)由DICOM格式轉(zhuǎn)換成NIFTI格式。然后去除前幾個(gè)時(shí)間點(diǎn)的數(shù)據(jù)以避免開始圖像采集時(shí)磁場(chǎng)不均勻的影響；進(jìn)行切片時(shí)間校正，校正不同圖像切片的采集時(shí)間以確保被試時(shí)間序列的同步性；進(jìn)行頭部移動(dòng)校正，使大腦的每個(gè)切片圖像在同一位置上，盡可能減小圖像采集過程中頭部晃動(dòng)的影響；進(jìn)行圖像配準(zhǔn)，將所有被試的切片圖像歸一化為蒙特利爾神經(jīng)病學(xué)研究所MNI標(biāo)準(zhǔn)模板，方便進(jìn)行被試間的比較。將數(shù)據(jù)重新切片后，進(jìn)行高斯核平滑處理來補(bǔ)償被試之間對(duì)齊的不準(zhǔn)確性，以獲取更高的信噪比。從本研究列舉的文章來看，DPABI、CONN、SPM、DPARSF、UF2C以及CAT12等都是比較常用的預(yù)處理工具，還可以用FSL和NIT軟件包等進(jìn)行數(shù)據(jù)預(yù)處理。

2.2 特征提取和選擇

對(duì)大腦功能網(wǎng)絡(luò)進(jìn)行分析可以從大腦層面的兩個(gè)角度出發(fā)，一個(gè)是基于全腦體素的分析方法，另一個(gè)是基于感興趣區(qū)（Region of Interest,ROI）的分析方法。特征提取的過程就是腦網(wǎng)絡(luò)的計(jì)算過程，由于本研究綜述的是關(guān)于DMN功能連接的文章，因此要選擇的特征就是功能連接，提取特征的過程就是計(jì)算DMN腦網(wǎng)絡(luò)的過程。

基于體素的分析方法是對(duì)全腦在單個(gè)體素級(jí)別上分析的方法，這種方法不需要選取ROI，可以展現(xiàn)出全腦之間的網(wǎng)絡(luò)功能連接特性，便于全腦水平的網(wǎng)絡(luò)分析。體素分析方法通常步驟為：規(guī)定體素的大小進(jìn)行全腦劃分；計(jì)算體素與腦區(qū)或體素與體素之間的相關(guān)性以便進(jìn)一步分析［39］。基于全腦體素的功能連接是固定的，不僅可以探究目標(biāo)腦區(qū)的一些異常，還可以發(fā)現(xiàn)新腦區(qū)的功能連接異常情況［40］。因此在目標(biāo)腦區(qū)不明確的情況下一般采用基于全腦體素的分析方法。

基于ROI的分析方法首先要選取合適的ROI，ROI的選擇決定了空間覆蓋率和分辨率之間的權(quán)衡［10］。本研究綜述的文章中ROI的選取方式主要有兩種：利用先驗(yàn)知識(shí)直接套用ROI模板［10,17-19,28］以及組獨(dú)立成分分析（gICA）方法。以往的個(gè)體ICA存在一些問題：（1）對(duì)個(gè)體進(jìn)行分解時(shí)初始條件不同，不穩(wěn)定因素影響較大；（2）不同被試分離出的功能網(wǎng)絡(luò)成分不同，導(dǎo)致多個(gè)被試之間成分對(duì)應(yīng)困難。gICA是基于這些問題的改進(jìn)算法，可以有效地解決多個(gè)被試之間的成分對(duì)應(yīng)問題。很多學(xué)者利用gICA來尋找ROI［25,30,32,34-35,37］。gICA是一種利用盲源技術(shù)對(duì)信號(hào)進(jìn)行獨(dú)立分離的方法，完全依靠數(shù)據(jù)進(jìn)行驅(qū)動(dòng)挖掘，在多維數(shù)據(jù)中尋找潛在因子（或成分）。利用gICA尋找主要成分可以在全腦水平進(jìn)行，也可以只關(guān)注某些功能網(wǎng)絡(luò)。尋找ROI成分時(shí)，首先用gICA將所有被試數(shù)據(jù)降維以后整合起來，然后再進(jìn)行一次ICA，得到組水平的分解結(jié)果，分離出獨(dú)立元素，對(duì)元素再執(zhí)行一次降維操作后，得到所需的ROI，主成分?jǐn)?shù)量不能過多，否則會(huì)導(dǎo)致跨多個(gè)信號(hào)的成分碎片化，信號(hào)不易被識(shí)別［7］。利用得到的主要ROI成分反向重建每個(gè)被試的時(shí)間序列和空間分布。

有研究通過計(jì)算全腦區(qū)域所有體素上的fMRI時(shí)間序列獲得平均時(shí)間序列后，計(jì)算每對(duì)節(jié)點(diǎn)之間的相關(guān)系數(shù)，相關(guān)值構(gòu)成的矩陣就是代表功能連接的矩陣，為提高正態(tài)性，使用Fisher-z變換將相關(guān)值轉(zhuǎn)換為z值，再對(duì)特征做后續(xù)的統(tǒng)計(jì)學(xué)分析［20,33］。使用ROI分析方法時(shí)，對(duì)被試的每個(gè)ROI內(nèi)體素的BOLD時(shí)間過程進(jìn)行提取和平均可以獲得ROI的參考時(shí)間序列；以體素方式計(jì)算目標(biāo)網(wǎng)絡(luò)內(nèi)每個(gè)ROI的參考時(shí)間序列與全腦時(shí)間序列之間的相關(guān)特性就可以得到網(wǎng)絡(luò)和全腦所有腦區(qū)之間的功能連接特性，ROI與ROI之間的功能連接由參考時(shí)間序列之間的相關(guān)值表示，相關(guān)值的大小就代表腦區(qū)之間功能連接的強(qiáng)弱。

以上提到的功能連接都是靜息態(tài)功能連接，還有一些研究關(guān)注了動(dòng)態(tài)功能連接（dFC），dFC代表子時(shí)間段內(nèi)功能連接的變化，隨著時(shí)間的推移空間分布會(huì)重新配置，這些研究采用滑動(dòng)窗口方法計(jì)算dFC［18-19,25,27,34］。這類方法首先要選定窗口時(shí)間長度和時(shí)間間隔，提取每個(gè)ROI的平均時(shí)間序列后，計(jì)算子段滑動(dòng)窗口內(nèi)每對(duì)ROI時(shí)間序列之間的相關(guān)矩陣，這個(gè)相關(guān)矩陣即可表征被試的dFC?；瑒?dòng)窗口方法的關(guān)鍵在于窗口時(shí)間長度，選擇不同的窗口長度獲得的dFC差異較大［27］。

2.3 特征分析

特征分析相當(dāng)于一個(gè)根據(jù)功能連接進(jìn)行的分類問題，通常有患病與否、疾病亞型治療前后或者患病嚴(yán)重程度等。傳統(tǒng)的統(tǒng)計(jì)學(xué)分析方法，如t檢驗(yàn)或者方差分析，在識(shí)別高維特征方面可能有所欠缺。一些新興方法在腦網(wǎng)絡(luò)分析方面取得了不錯(cuò)的效果，其中，圖論是分析復(fù)雜功能連接的強(qiáng)大的數(shù)學(xué)工具之一，Amiri等［28］采用比例閾值方法將功能連接矩陣構(gòu)造成二元連接矩陣，保證組網(wǎng)絡(luò)邊緣和節(jié)點(diǎn)數(shù)量的一致性，使用中心性的一個(gè)重要特征“節(jié)點(diǎn)度”進(jìn)行人群的分類，節(jié)點(diǎn)度是在一個(gè)網(wǎng)絡(luò)中連接到某節(jié)點(diǎn)的邊緣總數(shù)。

近年來，機(jī)器學(xué)習(xí)算法被用來自動(dòng)解碼隱藏在腦成像數(shù)據(jù)中的規(guī)律，從而預(yù)測(cè)疾病，在大腦精神疾病人群的診斷方面有較大的優(yōu)勢(shì)。其中，聚類算法可以尋找數(shù)據(jù)內(nèi)的性質(zhì)規(guī)律，在fMRI的研究中使用最多的是k-means聚類算法。k-means聚類算法主要用來篩選重復(fù)出現(xiàn)的dFC狀態(tài)，經(jīng)常用來評(píng)估患病嚴(yán)重程度與功能連接狀態(tài)的關(guān)系［25,27,32,34］；這類方法的好處在于計(jì)算速度快，缺點(diǎn)是必須要確定集群編號(hào)k，而k值主要與數(shù)據(jù)類型有關(guān)，因此選擇合適的k值至關(guān)重要。

一般線性模型形式簡(jiǎn)單、便于建模?；貧w是找到一個(gè)數(shù)學(xué)模型來盡可能準(zhǔn)確地預(yù)測(cè)輸出的標(biāo)記，通過將輸出值與一個(gè)設(shè)定好的閾值進(jìn)行比較來劃分輸入的類別，在健康與患病二分類任務(wù)以及疾病亞型多分類任務(wù)中有比較好的效果［19-21,23-24,26］。此外，集成學(xué)習(xí)構(gòu)建并結(jié)合多個(gè)學(xué)習(xí)器組成多分類器系統(tǒng)，泛化能力較好［41］。Guo等［33］采用極端梯度增強(qiáng)、隨機(jī)決策樹、隨機(jī)森林、AdaBoost和梯度增強(qiáng)這5種集成學(xué)習(xí)算法完成分類任務(wù)；Bohaterewicz等［19］也使用梯度提升和隨機(jī)森林算法進(jìn)行分類分析。

支持向量機(jī)是一種對(duì)數(shù)據(jù)進(jìn)行二分類的監(jiān)督學(xué)習(xí)分類器，分類的邊界就是與兩類樣本有最大間隔的超平面，可解釋性強(qiáng)，在功能連接的分類問題上被廣泛應(yīng)用［9,19,33］。Zhu等［38］使用一種基于相關(guān)向量機(jī)的多變量模式分析進(jìn)行分類，相關(guān)向量機(jī)是一種與支持向量機(jī)類似的稀疏學(xué)習(xí)模型，進(jìn)行高維特征分類時(shí)，稀疏學(xué)習(xí)可以簡(jiǎn)化特征，將無關(guān)特征剔除，降低分類難度。Sendi等［18］使用隱馬爾可夫模型（HMM）將不同dFC狀態(tài)之間的轉(zhuǎn)移概率作為潛在特征，用概率來表征患病嚴(yán)重程度，HMM是一種有向概率圖模型，多用于時(shí)間序列建模，它的核心是解碼輸入中隱藏的狀態(tài)以便進(jìn)一步分析。

由上述方法可以看出，相較于傳統(tǒng)的統(tǒng)計(jì)學(xué)分析方法，機(jī)器學(xué)習(xí)可選擇性多，應(yīng)用范圍廣，在處理高維多元特征方面優(yōu)勢(shì)明顯，近些年來也有很多優(yōu)秀的工具可供使用，在fMRI腦影像處理方面是一個(gè)有力的方法。

3 DMN的應(yīng)用研究

3.1 阿爾茲海默癥

阿爾茲海默癥是一種中樞性神經(jīng)退化疾病，病因不明確且無法治愈，患者的行為認(rèn)知功能受損程度會(huì)逐漸加深，給個(gè)人和國家?guī)肀容^大的負(fù)擔(dān)。有研究發(fā)現(xiàn)阿爾茲海默癥患者、輕度認(rèn)知障礙患者以及健康個(gè)體兩兩之間存在不同的DMN網(wǎng)絡(luò)的功能連接差異，這些差異顯示出不同程度的腦連接損傷［8,10］。Chen等［9］研究大學(xué)患者的功能連接出現(xiàn)減少，并且隨著認(rèn)知能力下降，功能連接減小的腦區(qū)逐漸增多；Magalhaes等［6］將功能連接與認(rèn)知量表得分進(jìn)行相關(guān)分析得到的結(jié)果也為這一結(jié)論提供了有力支持。這些研究都為阿爾茲海默癥的早期診斷和干預(yù)治療提供了幫助。

3.2 抑郁癥

抑郁障礙是一種比較典型的情況，長期表現(xiàn)為情緒消沉、興趣衰減，嚴(yán)重會(huì)導(dǎo)致自殺。以往的研究已表明，在抑郁癥患者中，DMN的連接性增強(qiáng)是一個(gè)普遍的特征［11-12］。Cai等［15］對(duì)9 403名9～11歲青年的研究發(fā)現(xiàn)青少年的DMN內(nèi)功能連接強(qiáng)度與青少年患病的可能性以及父母過去患病的可能性成正比。在抑郁癥患者病情發(fā)展的過程中，DMN內(nèi)以及DMN與其他網(wǎng)絡(luò)之間的功能連接與抑郁嚴(yán)重程度呈現(xiàn)出負(fù)相關(guān)關(guān)系［14,16］。此外，有研究發(fā)現(xiàn)電休克療法對(duì)DMN的功能連接改善的影響機(jī)理，這為臨床療效診斷和恢復(fù)提供了有力支持［11,13］。

3.3 精神分裂癥

精神分裂癥臨床上往往表現(xiàn)為感知、思想和行為上異常以及精神活動(dòng)的障礙。有研究顯示，精神分裂癥患者的DMN腦功能連通性存在增大的腦區(qū)，也存在減小的腦區(qū)，患者在不同功能連接狀態(tài)之間的轉(zhuǎn)移概率可以表征患病的嚴(yán)重程度［18］。此外，DMN內(nèi)的右側(cè)背外側(cè)前額葉皮層區(qū)域結(jié)構(gòu)上的定位歸屬也與患病嚴(yán)重程度相關(guān)［20］?；颊咧械淖詺L(fēng)險(xiǎn)與DMN內(nèi)的功能連接改變相關(guān)，利用DMN特征進(jìn)行區(qū)分，準(zhǔn)確率可高達(dá)70%［19］。

3.4 癲癇

癲癇是大腦功能障礙的一種慢性疾病，腦部神經(jīng)異常導(dǎo)致腦功能連通性發(fā)生改變。目前對(duì)于癲癇的研究已比較全面，癲癇患者的功能連接大部分都是降低的［23,26］。Liang等［25］研究發(fā)現(xiàn)患病時(shí)間較長的患者，DMN與其他網(wǎng)絡(luò)之間的功能連接明顯降低，但是患病時(shí)間少于5年的患者和健康人的功能連接區(qū)別不大，這也顯示出癲癇對(duì)大腦的損傷特點(diǎn)。Yang等［27］對(duì)大樣本癲癇患者的3種亞型差異研究發(fā)現(xiàn)，所有的癲癇患者都表現(xiàn)出腦連接的特異性和異常功能連接狀態(tài)的不穩(wěn)定性。

3.5 注意缺陷多動(dòng)障礙

注意缺陷多動(dòng)障礙是兒童常見的精神障礙疾病之一，會(huì)引起認(rèn)知感覺神經(jīng)系統(tǒng)功能受損。相較于沒有使用合成大麻素的患者，使用合成大麻素的患者功能連接更強(qiáng)，但是和健康對(duì)照之間的區(qū)別不大［29］，這反映了合成大麻素對(duì)患者腦連接的影響。此外，可以根據(jù)L-胱氨酸與功能連接之間的相關(guān)關(guān)系來區(qū)分患者和健康人［30］。持續(xù)注意力不集中過動(dòng)癥（ADHD-I）和多動(dòng)沖動(dòng)+注意力不集中多動(dòng)癥（ADHD-C）兩類亞型的功能連接都是減少的，但是ADHD-C患者的功能連接減小的腦區(qū)更多［32］。此外，Guo等［33］研究發(fā)現(xiàn)依據(jù)DMN內(nèi)和DMN與其他網(wǎng)絡(luò)之間的功能連接可以有效區(qū)分成人特異性和兒童特異性多動(dòng)癥。亞型的區(qū)分成果在臨床上具有很好的實(shí)際作用，對(duì)患者亞型的精確定位有助于醫(yī)學(xué)診療。

3.6 其他疾病

帕金森癥是一種多發(fā)于老年人的精神障礙疾病，患者臨床表現(xiàn)為震顫、肌強(qiáng)直和平衡力差等。Ruppert等［35］研究發(fā)現(xiàn)認(rèn)知受損的患者DMN內(nèi)功能連接是增強(qiáng)的；Wang等［36］研究結(jié)果進(jìn)一步證明DMN內(nèi)部分腦區(qū)的功能連接強(qiáng)度與認(rèn)知呈現(xiàn)正相關(guān)關(guān)系。

創(chuàng)傷后應(yīng)激障礙是個(gè)體遭遇重大創(chuàng)傷性事件后產(chǎn)生的精神障礙，發(fā)病情況難以預(yù)測(cè)，且臨床癥狀隨著年齡增大會(huì)發(fā)生改變，患者DMN內(nèi)以及DMN與其他腦網(wǎng)絡(luò)之間的功能連接與患病嚴(yán)重程度相關(guān)。Tessa等［37］研究發(fā)現(xiàn)，接受認(rèn)知行為療法后，創(chuàng)傷后應(yīng)激障礙患者的DMN腦功能連接降低，表征著患者的癥狀有所改善，這為臨床診療提供了一個(gè)有利方向。

4 總結(jié)

DMN概念的提出為精神類疾病的診療開辟了一條新的道路。本研究基于fMRI數(shù)據(jù)，給出最新的研究中學(xué)者們計(jì)算分析DMN相關(guān)功能連接的方法，并分析幾種典型的精神障礙疾病所導(dǎo)致的DMN功能連接改變和疾病發(fā)展過程中的腦損傷情況。眾多研究表明，在精神類疾病患者的大腦中普遍存在著DMN腦區(qū)內(nèi)部的功能連通性異常或者DMN腦區(qū)與大腦其他腦區(qū)的功能連通性異常。如今研究關(guān)注的已經(jīng)不僅僅是靜息態(tài)fMRI下患者與健康人之間的腦網(wǎng)絡(luò)差異，一類疾病下不同亞型患者之間的腦功能連接差異也被挖掘，有助于更加準(zhǔn)確地進(jìn)行疾病診斷。與此同時(shí)，患病的嚴(yán)重程度、治療方法以及藥物對(duì)腦功能連接的影響也已成為研究重點(diǎn)。在實(shí)際的醫(yī)療診斷中，依靠這種功能連接的生物信號(hào)變異可以更加智能地了解精神疾病患者的腦網(wǎng)絡(luò)損傷情況。

但是，本研究綜述的文章中僅兩篇（文獻(xiàn)［12］以及文獻(xiàn)［21］）利用任務(wù)態(tài)磁共振，任務(wù)態(tài)有著靜息態(tài)磁共振無法比擬的優(yōu)勢(shì)，它允許我們直接對(duì)某個(gè)特定腦區(qū)的激活和連通性進(jìn)行分析，研究結(jié)果可以更好地支持大腦的功能解釋。此外，本研究所用的樣本數(shù)偏少，這可能導(dǎo)致研究結(jié)果具有一定的偶然性甚至出現(xiàn)不一致現(xiàn)象。在未來，任務(wù)態(tài)功能磁共振與多樣本數(shù)據(jù)下的探索仍有待進(jìn)一步深入研究。