面部处理支持我们识别朋友和敌人、形成部落和理解面部肌肉组织变化的情感含义的能力。这一技能依赖于大脑区域的分布式网络，但这些区域如何相互作用却知之甚少。在这里，作者将解剖学和功能连接测量与行为测定相结合，创建一个面部连接体的全脑模型。本文分析了关键特性，如网络拓扑结构和纤维组成。作者提出了一个有三个核心流的神经认知模型;沿着这些流的面部处理以平行和交互的方式发生。虽然远距离白质连接通道很重要，但面孔识别网络主要是短距离白质纤维。最后，本文提供的证据表明，众所周知的面部处理的右侧偏侧来自于大脑半球内和半球间的连接不平衡。总之，人脸网络依赖于高度结构化的纤维束之间的动态通信，从而支持行为和认知的连贯的人脸处理。这篇文章发表在期刊Nature Human Behavior杂志上。
研究背景：
人脸感知是人类高度发展的一项技能，因为它在进化和社会方面具有独特的重要性。通过对一张脸的简单一瞥，我们可以毫不费力地收集到一个人的年龄、性别、身份、社会群体、情绪状态、注意力集中程度以及其他一些特征，如可信度。
早期对局灶性脑损伤患者的研究显示，右半球的下颞叶皮层部分可能对面部处理至关重要，因为该区域的损伤常常导致面容失认症的临床综合征。对病变病灶的fMRI和单细胞电极记录的研究已经发现了一些对面部识别重要的区域。这些区域沿着腹侧视觉流直到颞极,该腹侧流靠后部的脑区处理面孔识别的基本方面(例如,枕面区域(一)分析面部部分和梭状回面孔区(FFA)),而更前的地区,如前颞叶(ATL)和杏仁核(AMG),面临与概念性知识和情感状态相关的信息处理。其他可能在面部处理中起作用的区域包括后颞上沟(STS)，它参与处理面部运动。后扣带皮层(PCC)可能参与与面部相关的情景记忆;额下回(IFG)负责调节情绪和凝视感知。还有眶额皮质(OFC)，它被认为在评价面部的吸引力和可信度等具有社会价值的方面具有重要的作用。
这些区域是如何相互联系的，以及它们如何在功能上相互作用，从而产生构成面部处理的详细的感知、社交、情感和记忆能力，这些都是人们知之甚少的。Haxby模型是一种非常有影响力的人脸处理模型，它假设了一个连续的层次结构，在这个结构中，信息以一种有序的方式从后脑区流向前脑区(例如，OFA（枕叶面孔识别区）到FFA（梭状回面孔区）;OFA到STS（后颞上沟）)。此外，该模型还提出了一个独特的人脸处理核心系统OFA、FFA和STS来完成人脸处理中最重要的部分，而扩展系统ATL、AMG和PCC则从人脸中收集其他信息。最近的模型对Haxby模型进行了扩展，认为有两种脸部处理流，一种是背侧流，一种是腹侧流，在每一种流中都有一些交互处理。
对面部敏感区域如何相互联系的初步研究主要涉及沿着腹侧视束(ILF)进行面部处理的大型白质束的部分。然而，这些研究是有限的，因为他们依赖于小样本，他们检查了部分连接体;与行为表现的联系往往缺乏，他们没有调查结构连接(SC)和功能连接(FC)或有效连接(EC)。完整的面部敏感区域在解剖学上是如何相互联系的，它们在不同的任务和环境中是如何相互作用的，以及网络层面的特征是如何与行为相联系的，这些都还不清楚。
在本文中，作者测试了关于面部处理的著名神经认知模型的预测，并从解剖学研究中提出了几个关于短期和长期白质作用的新问题，并测试了关于面部处理中大脑半球不对称可能起源的旧观点。本文使用的是人类连接组项目(HCP)的数据集，因为它提供了大量的个体和高质量的多模态神经成像数据。
本文在每个个体中功能性地定义了9个面部敏感区域，然后使用白质追踪的方法来描绘局部、长期和跨半球的白质连接。同时，也使用成对的resting状态和task状态的功能数据集来研究这个网络的功能和动态特性，并通过研究解剖连接体和功能连接体之间的对应关系来探索解剖功能之间的关系。最后，使用HCP行为测试来检验某些面部技能(如面部情绪识别)的个体差异是否可以用任何连接体特征来解释。
研究方法：
被试：
本研究使用的所有数据均来自WU-Minn HCP协会发布的S900。如果受试者完成了所有的脑部扫描(T1/T2、任务功能磁共振成像、静息状态功能磁共振成像和dMRI)，以及行为佩恩情绪识别测试，他们将被纳入研究。为了减少人类连接组数据的差异，我们将研究对象限制在惯用右手的个体上，最终的样本中有680名健康的年轻人(381名女性，22岁，36岁)。在人脸定位任务中，680个个体中只有667个个体在9个双侧ROIs中检测到足够强的信号;因此，大多数连接体水平的发现是基于667个个体的。本研究未使用任何统计方法来预先确定样本量，但样本量远远大于以往文献报道的样本量。
数据采集、处理和分析：
作者采用了HCP S900版本提供的task-fMRI、rs-fMRI和dMRI的最小版本的图像预处理流程。dMRI数据经过处理，包括EPI畸变、涡流和运动校正、梯度非线性校正以及平均b0体积与原始T1体积的配准。功能磁共振成像数据经空间校正、跨模态配准和空间归一化处理后配入到MNI标准空间。此外，进一步利用FSL 的 BEDPOSTX工具对dMRI数据进行处理，对白质纤维方向和交叉纤维进行建模，利用ICA-FIX和ICA-AROMA（FSL的降噪工具）对rsfMRI数据进行去噪处理，去除头动的影响。
所有fMRI数据以4mm高斯核进行空间平滑处理。此外，为了精确定位每个被试的面孔识别ROI，由面孔识别任务定位的ROI在基于灰质的空间(即皮层表面顶点 皮层下体素)上使用MSM-All配准进行处理。
本文使用HCP Penn情绪识别测试作为个体面部识别能力的行为测量。研究人员向每个人展示40张脸，每次一张。他们被要求选择面部所描绘的情绪:高兴、悲伤、生气、害怕或没有感觉。一半是男性，一半是女性。采用任务总体正确率(ER40_CR)和中位反应时间(ER40_CRT)进行脑行为关联分析。
为了保证每个个体对连接体的敏感性，不仅在面孔识别任务的基础上定义了个体特异性ROI，还在个体层面上进行了所有的分析，然后将这些分析合并为一个汇总统计量，进行群体层面的推理和显著性检验。除非另有说明，本研究报告的所有重要结果均为双尾检验，并经多次比较纠正了错误发现率。数据分布被认为是正态的，但未作正态性检验。此外，所有的不显著结果进一步评估使用在SPSS v.25贝叶斯统计(BF10)。
面孔ROI的识别和选择
HCP tfMRI数据中的工作记忆任务可以有效地用于功能人脸定位。研究人员向受试者展示了四种不同类型的刺激物(即面部、位置、工具和身体部位)，并要求他们分别以2-back和0-back的方式进行反应。HCP S900版本已经提供了在灰质空间上进行完整处理的个体水平(个体内)的task-fMRI分析数据，因此作者使用connectome workbench软件手动从每个个体的contrast对比中提取：面孔任务>其他类别任务中提取出双边9个预定义的面孔识别的ROI(以及其大小)的峰值激活顶点(这些顶点随后被转换为MNI坐标)。
ROI示意图
这种任务范式和对比已被广泛用于定义人类面部敏感区域，在这种对比中，面部和工作记忆的处理相互正交(即，在0-back和2-back试验中，对面孔识别中的记忆条件进行了修正)。为了保证对面孔体素识别敏感的体素的选择，作者还考察了另一个连接对比(面孔>地点并集面孔>工具并集面孔>身体，即取了所有面孔条件>其他条件的并集)，得到了非常相似的峰值坐标。
这些激活的ROI的峰值坐标作为输入(球体,6毫米半径)随后进行了seed-based的大脑连通性分析。在个体层面(进行概率tractography,静息状态分析,PPI和DCM)对大脑神经响应和行为层面的关系进行ROI分析和半球不对称分析。
由于本文对更广泛的人脸网络感兴趣，我们选择的区域不仅包括基本的人脸感知(OFA、FFA和STS)，还包括社会、情感和记忆处理(ATL、OFC、AMG、IFG和PCC)。Haxby模型中包含了一组相似的区域，这些区域在以前的face network研究中被广泛使用。此外，对于具有多个cluster激活的面部区域(如OFA、FFA和STS)，本文只是选择激活最强的一个以避免过度的个体间差异。并且作者提到，最近在一项对非人类灵长类动物的研究中发现了一些区域，它们显示出与面部识别相关区域的强连通性，但在本次研究中并没有选择这些区域，因为它们没有被面部定位任务持续激活，而且有关这些区域的人类文献也很缺乏。
概率追踪：
在个体的自然空间中进行概率追踪分析，所有结果均转化为MNI标准空间。同时使用了单ROI和ROI-to-ROI的追踪方法。在单ROI方法中，将每个ROI作为一颗种子，并在整个大脑中运行tractography，以获得全局连接模式。在ROI-to- ROI方法中，对每对ROI进行脑内连接(如左AMG至左ATL)或脑间连接(如左AMG至右AMG)。纤维跟踪从两个方向开始(从种子到目标，反之亦然)，并从ROI中的每个体素绘制25,000条白质连接。所有分析均通过exclusive mask将小脑区域排除在外。对个体追踪结果进行阈值化，对于概率值低于10%的纤维进行剔除，然后保留在组水平至少有10%之上被试都存在的连接。
在FSL中使用dtifit来拟合每个体素的扩散张量模型。对于每个个体，分别创建FA、平均扩散率、径向扩散率和轴向扩散率映射，并提取每个ROI-ROI连接的平均值。每条路径的白质连接数是通过两种方法的平均值来计算的。一个ROI- ROI连接(例如FFA OFA)的连接性概率被定义为该连接的白质连接计数除以通过任一ROI的所有连接的白质连接计数之和(例如，连接FFA或OFA的共有15条路径)。
连通性分析
可连通性能力（communicabilit)量化为直接和间接SC的加权和，其中较短的路径(即步骤较少的路径)的加权更大。对于每个个体(以及每个半球)，从它们的连接概率矩阵中导出了一个全连接映射。随后，将这一交流图谱与其他大脑连接图谱在个体水平上进行比较，以揭示解剖功能之间的关系。
主要白质束和表层白质系统分析
对于每个半球，使用AFQ 方法为每个个体识别出10个主要的白质束。在最近的一项荟萃分析中，作者集中分析了六个主要的纤维束，它们被发现对面部处理至关重要:the ILF, IFOF, CING, UF, SLF and AF。本文还分析了AFQ算法提供的另外四个束(即丘脑辐射、皮质脊髓束、前后胼胝体束)，发现它们与所有感兴趣区域之间没有重叠。
作者使用FSL中的atlasquery工具来评估白质纤维大束和浅表白质对面部网络的相对贡献。为每个ROI创建一个针对每个ROI连接的二值化图像，然后在所有的个体之间进行添加。还将所有72个双边连接合并为一个二值化图像，并将这些图像跨个体相加，得到整个连接体图像。只保留了50%以上个体存在的体素(即骨架图)，并将其投射到两个白质地图集上:JHU白质示踪图包括48个长程示踪标签, LNAO浅表白质示踪图，包括79个白质短束。
然后进行Voxelwise分析，以计算骨架图像是每个图集中任何标记域的成员的概率。
请注意，人类白质在个体间是特异的，我们使用的两个地图集仅代表标准MNI空间中最常见的白质束的骨架;由于地图集是由不同的研究小组使用不同的方法制作而成，所以这两个地图集并不是相互排斥的，它们的组合并不能解释所有的面孔连接体体素(即92%的总和)。
对HCP任务态数据的PPI分析和FC分析
用于估计EC和taskFC的统计模型是一个简单的通用线性回归模型(GLM)。我们使用两种方法来建立广义PPI115模型(使用非反卷积方法)。一个简单的部分模型有17个单独的回归量:8个任务事件的心理回归量(例如2-back或1-back模式下的面部、身体、位置和工具刺激)，1个种子ROI时间序列的生理回归量和8个相应的交互回归量(任务事件种子ROIs时间序列)。一个更复杂的完整模型有25个回归量，包括部分模型中相同的17个回归量，以及非种子ROI时间序列的8个额外生理回归量。与部分模型相比，完整模型被设计成主动控制非种子区域的神经响应。
为了估计种子ROI和其他ROI之间的taskFC，我们使用了任务事件(面对>其他类别)的回归量之间的对比。为了估计EC（effective connect，有效连接），使用了交互回归量之间的对比(脸部的PPI>其他类别的PPI)。每一对ROI连接的β-weights被转换为z分数，对每个条件形成一个9 * 9的矩阵。虽然taskFC矩阵进一步对称化，但由于其方向性，EC矩阵没有对称化(即，PPI效应表明了方向性神经相互作用的一些信息)。在EC组水平上，每对ROIs的个体进行单样本t检验，以检测任何显著的有效连通性。还进行了非参数置换检验(10,000次)，以重新验证所有重要结果。
值得注意的是，本文报道的所有重要发现均基于部分PPI模型，因为在完整模型中发现的结果为空。尽管在模型中加入更多的受控ROI后，PPI模型可以更好地逼近EC，但由于与潜在区域(即自由度)相比，存在多重共线性和观测相对较少的问题，因此这种方法在实践中很少被采用。在这里，全模型中的零结果反映了部分模型中识别的两个区域的EC可能受到了第三个区域的影响。这个方法问题需要进一步探讨。
DCM分析
为了验证PPI的发现，使用SPM8中的DCM10进行了DCM分析。由于DCM分析不适合使用过多界定，因此DCM分析仅在EVC, OFA, FFA and STS四个区域进行。基于研究的测试假设(即左半球是前馈的，而右半球是递归的)，共定义了两个基于PPI连接模式的简单模型(图4a)，并分别测试了它们对每个半球观测数据的适应性（一般来说，DCM分析是基于一定假设的，如果没有良好的假设前提，要对所有的可能结果进行验证，以保证模型连接方向假设和数据所给出的信息是最优拟合的）。前馈模型来自于PPI左半球连接模式(即，面部刺激只驱动前馈处理)，而递归模型来自PPI右半球模式(即，面部刺激主要驱动递归处理)。
对于每个模型，从EVC开始的感官输入和所有四个ROI都被内在地设置为双向连接和自连接，并分别为每个个体提取它们的时间过程(即第一个特征变量)。为了检验外部面部刺激的调节效应，构建了一个包含6个回归量(脸、位置、工具、身体、2-back和0-back)的DCM GLM设计矩阵，并对这两个模型进行了面部条件的测试。为了确定最优模型，使用BMS实现了固定效应和随机效应组分析。固定效应BMS假设最优模型在整个种群中是相同的，并使用组贝叶斯因子(log-evidence)来量化模型的相对优度。相比之下，随机效应BMS解释了个体间模型结构的异质性，并产生了后验模型概率。
不同大脑连接图的比较
在个体水平上，作者通过去除对角矩阵(自连接)之外的所有矩阵元素，应用Fisher s z变换，然后计算Pearson相关性，在5个大脑连接矩阵之间进行两两相关。组间采用常规单样本t检验(对照0)，经多次比较后确定统计学意义。还进行了非参数置换测试(10,000次)以重新验证所有结果。
在比较不同的大脑连接图时，考察了两种不同度量下的网络:(1)在整个面部网络层面(每个半球有72个连接)或(2)仅在三个核心白质连接层面。核心白质连接被定义为包括每个半球的16个核心连接，EVC - OFA、OFA - FFA、FFA - ATL、ATL - AMG、AMG - PCC、AMG - OFC、PCC- OFC和STS - IFG，因为它们在图1a中具有最高的连接概率(前25%)。作者进行了多层次的中介分析，以测试网络连接能力是否能调节SC和rsFC之间的关系。采用SPSS v25中的混合线性模型函数实现多级中介分析。模型包括在个体水平上的随机截取，为了检验整个face network level上的中介，首先设置72个双边rsFC(跨越所有个体)作为因变量Y, 72个对应的通信措施作为中介变量M, 72个对应的白质连接概率作为自变量X。接下来，建立了另一个仅针对核心白质连接的模型，以16个双边核心连接的rsFC为因变量Y, 16个对应的通信措施为中介变量M, 16个对应的光纤连接概率为自变量X。
大脑与行为的联合分析
采用两种不同的统计分析方法对脑行为相关性、简单皮尔逊相关和SVR（支持向量回归分析）进行了检验。采用SPSS v.25.0进行Pearson相关分析，利用Matlab统计和机器学习工具箱实现SVR。
在大脑一侧，有四组独立的指标:(1)18个双侧roi的神经活动概况(对面部刺激的大胆反应的幅度);(2) 72个双侧ROI ROI连接及20个大束的脑白质特征;(3) 72个双边rsFC;(4)人脸定位任务中双边定向EC 144个。在行为方面，有两个来自HCP Penn情绪识别测试任务的总体准确性(ER40_CR)和中位反应时间(ER40_CRT)的指标。对于每个SVR分析，只构建了一个模型来测试一组特定的脑指标(作为自变量)和一组行为指标(作为因变量)之间的联系。为了丰富白质特性，分别测试了七个微观结构指标(即FA、平均扩散率、轴向扩散率、径向扩散率、白质连接计数、连通性概率和束体积大小)。
偏侧化分析
使用双向重复测量方差分析来检查半球侧化在每个测量水平的表现。在神经激活水平，设置了半球和9个面部识别ROIs因素的方差分析。在SC(即连接概率)或rsFC级别，设置了半球因素和36个ROI - ROI连接的方差分析。在EC水平，设置了与半球因素和72个方向ROI- ROI连接的方差分析。如果在方差分析中发现半球的主要影响，则进一步进行配对t检验以确定半球的优势。
为了进行关联分析，计算了每个面部区域的半球内连接和半球间连接之间的白质连接数，然后求出两个半球和所有个体之间的平均比值。为了定义每个人脸区域的偏侧程度，计算了人脸定位过程中左右区域之间的BOLD信号，并求出每个人的平均信号比。
研究结果
研究结果首先按照不同模态汇总，再按照综合分析看，最后是行为和脑影像数据的 结合分析。
结构连接：
首先，作者为每个感兴趣的面部区域(ROI)绘制了全局连接模式。轴突投影决定了一个区域从哪里接收信息，并连接至哪里。虽然每个ROI的主要皮质投射是其邻近区域，但它们表现出特异的远距离投射(补充图1)。
补充图1 9个ROI的白质投射区域皮层化映射
后区(OFA和FFA)沿腹颞皮层向颞极有长距离的延申。相反，STS在IFG内部和周围有明显的突触连接，反之亦然。内侧ROI (AMG、OFC和PCC)仅对内侧结构有投射。此外，大多数面部ROI似乎有来自早期视觉皮层(EVC)的直接纤维投射。
为每一对双侧ROI重建的大脑半球间的连接(例如，左侧的FFA和右侧的FFA)表明，双侧面部ROI主要通过四个不同的中线结构连接:胼胝体的顶(OFA)、膝(IFG)和脾(OFA、FFA、STS、PCC和ATL)，以及前连合(AMG和ATL)。接下来，作者分析了同一半球内面部区域之间的区域间联系。解剖连接强度通常被解释为信息流动能力的一种度量，并提供了关于神经信号在网络中传播的关键通路中的解释。
通过对九个ROI和半球的两两之间的结构连接的估计，构建36对连接。提取它们的微观结构特性(如连接概率和简化计算)来估计SC。结构连通性的概率地图(图1)表示,有三个核心通路在面孔识别网络中，包括:腹侧通路(EVC FFA ATL AMG),内侧通路(AMG OFC PCC)和背侧通路(STS IFG)。为了进一步验证这三个核心路径的划分，作者检查了另一个已建立的图论度量，即每个ROI对之间的可通信性。与一对区域之间的连接权值(仅度量直接路径)不同，可通信性（communicability）通过考虑直接和间接连接来量化区域之间所有可能路径的通信能力。因此，可通信能力编码了关于协调区域间沟通的全球网络组织的额外有用信息，并被广泛用于确定解剖模块。在这里，通过对网络连接图的模块化分析，证实了face network中存在三个独立的模块，它们与三个核心路径的划分有很好的对应关系（图1b)。
图1 左右半球的结构连接图示化
通过计算不同白质连接重叠轨迹的程度，作者估计了面孔识别连接体中主要神经束的累及程度。结果表明，这三条核心通路主要由6条主要的神经束支持，但支持程度远低于作者的预期。具体来说，只有不到30%的腹侧通路是由ILF(28.79 8.11%(mean s.d.))和枕下额束(IFOF, 20.76 12.27%)组成的;只有12%的内侧通路与扣带重叠(15.03 10.24%)，钩状束重叠(UF 8.96 6.58%);不足30%的背侧通路与弓状束(AF, 29.05 9.15%)和上纵束(SLF, 25.01 7.46%)重叠。
由于只有一小部分的解剖学连接体是由远距离纤维束构成的，因此作者将注意力转向了另一类重要的白质短距离纤维或u形纤维。示踪研究表明，长距离的神经束只占整个大脑连接体的一小部分;大脑连接体的大部分由短的连接纤维组成，这些纤维位于灰质之下，连接着相邻的脑回。通过将72个ROI - ROI连接投射到两个标准的长程和短程纤维白质图谱上，作者检验了这两个白质系统对面部连接体的相对贡献。虽然57.0%以上的感兴趣区感兴趣连接可归为短程纤维，但在长程白质图谱中，只有34.3%的连接体可归为束状连接。作者还发现，两个ROI的空间距离与长程纤维的贡献呈正相关(Pearson s r = 0.314, P = 0.007, 95%置信区间(CI) = 0.088-0.540)。这可能表明，两个面孔ROI(例如，EVC - OFA与EVC - OFC)之间的长距离连接与更多的面孔识别网络的参与有关。
图2 纤维追踪结果在已有模板的重叠率图
功能网络构建结果
作者绘制了三种不同类型的大脑功能连接图，以揭示面部ROI相互作用的方式;在休息期间(静息状态FC (rsFC))或面部定位任务期间(任务状态FC (taskFC))确定了协同激活模式，并使用心理生理交互作用(PPI)和动态因果模型(DCM)对EC进行建模，以揭示由面部刺激驱动的定向信息流。
结果发现rsFC和taskFC分析结果高度相关(均值r = 0.518, t666 = 80.97, P < 0.001, Cohen’s d = 4.43, 95% CI = 0.505 - 0.531)。这表明在面孔网络系统中存在一个内在的功能子网络，它在不同的情境之间保持持续的活动和同步。
图3 功能连接的分析结果以及功能连接和结构连接不同网络连接间的一致性分析
然而，FC只表达了时间过程之间的统计相关性，而这些相关性通常不代表直接的神经元信号。相比之下，EC被认为是一种更强大的途径来捕捉刺激驱动的神经区域间的方向性影响模式。
在这里，作者实施PPI来探索由面部刺激引起的网络级动态，然后使用DCM进行验证性分析。PPI分析建立了一个或多个大脑区域之间耦合的简单静态模型，并通过建立种子区域和心理环境之间的显著交互作用，使研究人员能够探索连接的定向变化。DCM则是一个动态因果框架，用于测试神经动力学的替代假设/模型，将它们与数据进行拟合，并使用贝叶斯模型比较它们提供的证据。
PPI分析显示，面部敏感的大脑动态主要发生在相同的功能子网络(图3e)，但两个半球之间的模式完全不同。虽然左半球内的信息处理以纯粹的前馈方式组织(即信息从后到前的ROI级联展开)，但右半球呈现出明显的周期性结构(即交互连接)。如右侧面孔识别的核心区域(EVC、OFA、FFA、STS)之间存在多个双向有效连接;图4)显示了在人脸观察过程中自下而上和自上而下的交互和计算的共存。至关重要的是，随后的DCM分析支持了两个半球的这种差异模式(图4b)。贝叶斯模型比较结果表明，前馈处理模型最适合左半球观测数据，而递归处理模型最适合右半球观测数据。
图4 EC分析结果和DCM分析结果
面部连接体的空间特异性
一个很重要的问题是作者观察到的大脑连接模式是否表现出空间特异性。为了验证发现的面孔网络具有特异性，作者进行了个体ROI种子点的个体间交换验证（(使得A个体的OFA坐标变为B个体的OFA坐标)），以及将原来确定的种子点的坐标移动20mm以外的坐标进行了进一步的研究。在交换了特异于每个人的ROI后，发现原有的网络仍旧可以保留，并且在结构网络（(r = 0.995, P < 0.001,95% CI = 0.961–1.029)）和静息态功能网络（r= 0.991, P < 0.001, 95% CI = 0.944–1.038）中都得到了重复，在任务态功能网络中也得到了重复（(r = 0.987, P < 0.001, 95% CI = 0.930–1.043），但是PPI网络和DCM网络构建后没有发现与原网络的显著相关。
但是在将原来的种子点移动到原来MNI坐标的20mm以后，发现新的网络与面孔网络没有显著的相关。作者使用相关分析和贝叶斯因子两种方法进行了分析，都没有明显的证据支持这个网络与本研究发现的面孔感知网络之间有显著的关系。这些发现表明，面部网络的固有架构(即SC、rsFC和taskFC)可能遵循一种更全局的模式，这种模式在较小的空间范围内配置得相对稳定(例如，< 15mm)。对面孔敏感的体素和附近对面孔不敏感的体素共享相似的纤维束，因此表现出类似的神经信号传播（从本文的分析看，个体交换ROI并未影响结构网络和功能网络的统一，这说明这个网络在一定的体素范围内是存在稳定性的）。相比之下，面部连接体的动态特征(即EC模式)似乎高度取决于体素水平的面部选择性。
图5 个体种子点网络、交换种子点网络和移动20mm后的种子点网络的分析
面部连接体的个体差异
考虑人脸网络组织在不同个体间的相似性也很重要。图3只显示了组平均脑连接图，我们想验证这些组平均脑连接图的代表性。为了揭示所有个体之间的群体-个体相似性的分布，作者对每一种大脑连接测量的群体平均图和个体特异性图进行了相关分析。结果发现，群体平均矩阵与SC、rsFC和taskFC的个体特异性矩阵具有很强的相关性(补充图6a)，大多数个体(>75%)所显示的映射图与群体平均映射图高度相似(r > 0.5)。而组平均EC矩阵与个体特异性EC矩阵呈中度相关，多数个体(>67%)与组平均EC矩阵呈中小相关(0.1 < r < 0.5)。这可能说明个体间在固有网络的个体异质性可能较小，但是在这个网络的内部信息流上可能存在较大的个体差异。
补充图6a 个体网络与组平均网络的相似性
接下来,作者使用两个交叉验证方案来进一步研究群体和个体中表现出的相似性,即分半交叉验证(使用50%的连接矩阵预测其他50%的人)和LOOCV(使用矩阵n-1预测个体）。同样，两种方法显示SC、rsFC和taskFC的训练试验相关性非常高，EC的训练试验相关性相对中等(补充图6b)。综上所述，本研究发现面部连接组的组织在个体间高度同质，特别是在SC、rsFC和taskFC中。因此，本文报告的组平均矩阵确实反映了大多数个体的连通性模式。
补充图6b 对半验证和留一交叉验证的结果
结构网络和功能网络的关系分析
为了进一步探讨面部网络的解剖功能关系，作者研究了解剖连接体和功能连接体之间的对应关系。在整个网络中，FC模式(rsFC和taskFC)与SC的可连通模式高度相关(图3f; rsFC and SC: mean r = 0.321, t = 43.72, P < 0.001,d = 1.69, 95% CI = 0.306–0.335; rsFC and communicability: mean r = 0.304, t666 = 47.42, P < 0.001, d = 1.84, 95% CI = 0.291–0.316;taskFC and SC: mean r = 0.234, t = 33.73, P < 0.001, d = 1.31, 95%CI = 0.221–0.248; taskFC and communicability: mean r = 0.199,t = 32.50, P < 0.001, d = 1.26, 95% CI = 0.187–0.211)。这支持了FC由底层白质结构和网络通信能力决定的观点。但是，在路径分析中发现，SC网络和FC网络仅在核心连接路径上存在显著的相似性（图3g），但是在非核心路径上则未发现（图3h）。这说明整个面部网络的高度解剖功能一致性主要是由核心通路驱动的。此外，尽管SC和FC的一般模式在核心通路内高度相关，但在多个连接中发现了明显的差异。
除此以外，作者测设了SC网络的communicability是否是SC网络和FC网络相似性的的中介变量。作者使用多层中介分析，评估communicability是否介导了SC和rsFC之间的关系。结果表明，SC显著预测rsFC(图3i，路径c:非标准化beta (B) = 0.269, s.e. = 0.015 ，P < 0.001)，这与在图3g中的相关分析一致;然而，在模型中加入communicability后，发现SC和rsFC之间没有统计学意义上的联系(路径c: B = 0.047, s.e. = 0.045, P = 0.299)。但是可以看出，SC的可连通性显著介导了SC网络和rsFC的连接，同时比较两个模型可以发现，通过communicabilit介导的模型的AIC值明显更小，说明由communicabilit介导的模型更好地预测了rsFC。但是这种预测能力仅在核心路径分析中显著保留。
脑连接与行为的关联分析
在方法部分我们介绍过，作者对脑连接和行为的关联分析分为两种，一种是简单的相关分析方法，一种使用SVR的机器学习回归方法。结果发现，简单相关并无法有效的发现行为表现和脑连接之间的关系，因此，作者主要分析了SVR回归。
如图6所示，作者对于每一组脑指标(如神经活动、白质特征、FC或EC连接)，建立了单独的SVR模型。例如，对于白质FA，从92个白质区域(72个ROI- ROI连接 20个主要纤维束)中提取FA值，并将其设置为模型中的独立特征。然后使用留一交叉验证，预测的行为指标是ER40_CR或ER40_CRT。然后，作者对这些特征进行了筛选，筛选方法如下，首先将所有同模态的特征输入预测模型，然后开始每次去除一个特征，然后将该模型的RMSE（均方根误差，预测值与真实值差距的总离差平方和开根，越大说明模型效果越不好）记录并排序，对每个特征都这样做（不包括无法显著预测的模型），然后对通过对这些RMSE的排序来看哪些被去除的特征是最重要的，筛选出这些特征后，再进行进一步筛选。方法是首先将这些特征再全部输入，然后每次剔除一个特征，直至模型无法再显著预测行为学变量为止。通过以上方法，作者留下了功能激活网络（即taskFC）和白质连接网络（即SC）最能够显著预测行为学变量的特征（图6c）。
结果显示六个ROI的子集(left AMG, right OFA,right EVC, right IFG, right STS and right ATL)的激活网络和皮下的白质纤维路径(left EVC–STS, left IFOF, right AF, right OFA–IFG and right STS–ATL)分布是最有预测力的任务态激活网络特征和SC网络特征。值得注意的是，SC的SVR模型(均方根误差(r.m.s.e.) = 0.982)对行为的预测优于激活网络的SVR模型(r.m.s.e. = 1.035)。
图6 基于白质和激活网络的SVR模型
半球偏侧化分析
作者最后的分析是基于网络偏侧化的分析，分析方法在方法部分已经具体介绍。这里主要看结果。重复测量方差分析(方差分析)揭示了在面孔识别网络中ROI重要的神经反应的半球不对称性(F1,666 = 238.64, P < 0.001,偏η2 = 0.264;平均差= 0.617,90% CI 0.683 = 0.551),白质连接概率的半球不对称性(F1,666 = 9.25, P = 0.002,偏η2 = 0.014;平均差= 0.002,90% CI 0.002 = 0.001),和rsFC的半球不对称性 (F1,666 = 17.63, P < 0.001,偏η2 = 0.026;平均差= 0.008,90% CI = 0.005 - 0.011)。事后分析发现9个面部区域中有7个在右半球表现出更强的反应;不包括的两个ROI为EVC和OFC，没有发现半球间的显著差异。总结一下就是，在所有水平的面部网络中，表现出显著右半球化，大脑半球不对称的有力证据通常表现为增强的神经反应和更强的SC和FC连接。
总结：
在本次研究中，作者使用大规模的多模态神经成像数据来研究面孔识别网络的解剖学和功能连接体。功能定义ROI利用概率追踪得到的白质束描绘出一个组织良好的解剖结构，有三个核心通道用于不同类型的信息处理。纤维成分分析显示，解剖连接体主要由短程纤维构成，而不是主要的长通道白质束。FC和EC分析发现了一个面部区域的子网络，这些子网络在不同的情境中保持同步，并且它们在面部感知过程中表现出跨半球的差异神经动力学(前馈和周期性交互)。
此外，SC和FC在face network中高度相关，而network communicability在core pathways中介导了这种密切的相关。此外，面部技能的个体差异（即行为得分）可以通过连接体特征的分布模式来预测，特别是白质完整性具有很好的预测能力。最后，大脑半球内和半球间连接的不平衡模式可能是面部网络半球不对称的连接水平基础。
本文是一篇质量非常高的多模态研究，作者使用了大样本量数据来提供强有力的数据基础，同时在对rsFC、task-FC和SC(结构连接）的分析中既有基于自身模态的网络分析又进行了强力的联合分析，表现出了功能网络和结构网络之间在一定程度上的统一性，并且在对那些不显著的数据使用贝叶斯方法进一步测试了原假设，使得统计内容更加完整，结果推断更有说服力。除此以外，作者的机器学习方法的使用和特征的选择也是可以参照的典范方法。总之，值得细细品读。
原文：Multimodal mapping of the face connectome
