大多数大脑功能的神经成像研究都是在归一化空间中分析数据，以识别参与者的共同激活区域。这些研究把大脑组织的个体间差异当作噪音，但这种方法可能掩盖关于大脑功能结构的重要信息。最近，许多研究采用了一种针对个体的方法，旨在描述这些个体差异，并探索它们的可靠性和对行为的影响。这些研究中有一部分采用了精确成像方法，从每个参与者身上收集数小时的数据，以更精细的比例绘制大脑功能图。在这篇综述中，我们提供了一个广泛的概述，即个体特异性和精准成像技术如何使用静息状态测量来检查大脑组织的个体差异及其对行为的影响，然后基于任务的活动如何继续增加这些发现的细节。我们认为，在认知神经科学的许多领域中，个体特异性和精确方法在揭示大脑功能组织及其与行为的关系的新细节方面显示了巨大的希望。我们还讨论了该新领域目前的一些局限性和可能采取的一些新方向。
1. 简介
大多数功能磁共振成像(fMRI)研究将个体大脑归一化到一个模板中，目的是在一个群体中找到可以推广到给定人群的共同激活模式。然而，大脑的形状和功能组织在个体之间有很大的差异，而正常化永远不能完全弥补这些差异。更糟糕的是，在不同的参与者中，相同的功能区域可能不在相同的解剖区域，所以即使解剖特征的完美排列仍然可能导致在功能异质性的区域中平均。
为了部分回应这些担忧，最近的研究探索了在分析fMRI数据时使用更针对个人的方法。这些研究的目的不是将大脑组织的个体差异视为噪音，而是确定个体的可靠激活或连接模式，即使这些模式是独特的，不同于其他参与者的模式。这些工作已经提供了证据，证明神经组织的个体差异是可靠的，并可能与行为的个体差异有关。如果是这样的话，更清晰地理解个体特异性成像结果和个体特异性行为之间的关系，可以阐明行为是如何在大脑中实现的，并对临床疾病的治疗和预防具有实际意义。
本文综述了近年来针对个体的成像方法的探索，包括精确(也称为深度或密集采样)神经成像方法。最近还有一些关于精确神经影像的文献综述，重点关注于特定的子主题(例如，精确精神病学或认知控制)。这篇综述的目的是作为一个广泛的概述，具体到个人和精确的方法可以提高我们对大脑组织的更一般的理解。首先，我们讨论与传统群体分析相关的问题，以及这种做法如何可能导致模糊，甚至误导，结果。接下来，我们回顾了使用个体特异性和精确成像方法的研究，首先通过静息状态测量来检查工作，然后是结合任务型激活的研究。我们将针对个人的研究定义为明确地在个体受试者层面上检查大脑活动的差异，而不是将受试者组合在一起，观察群体层面的激活或连接模式。
例如，许多针对个体的研究使用了诸如基于连接体的预测模型(CPM)等方法来克服传统方法在泛化方面的局限性，并试图将大脑连接的个体差异与行为的个体差异联系起来。其他研究使用了精确的神经成像方法，对每个个体进行长时间的扫描(通常超过两个小时)，以便在个体受试者层面对大脑活动和组织进行更可靠的评估。这篇综述的最后一部分讨论了目前针对个人的神经成像工作的局限性，并包括了未来可能提供更深入了解大脑组织和行为的个体差异的潜在方向。
2. 传统成像方式的局限性
人类大脑的功能组织与不同的人有许多共同之处。初级视觉皮层可以在枕叶中找到。初级运动皮层位于中央前回。初级听觉皮层在近横回可见。这样的例子不胜枚举。这一共性使得在群体分析中结合个体参与者的神经活动成为可能，以便识别那些有望推广到样本抽取群体的激活。
然而，每个人的大脑在大小和形状上都是不同，所以大多数fMRI研究都会采取一系列步骤，让个体的大脑彼此更加相似。第一个步骤是正常化，它试图扭曲每个人的大脑，使不同人的相同解剖位置(例如，左舌回或右上回的后部分)在标准化空间中对齐。尽管这种方法可以相对较好地工作于皮层下结构，但由于皮层折叠模式的异质性，皮层表面在不同受试者之间的对齐要困难得多。更糟糕的是，在不同的人身上，许多功能区域的解剖位置有些不同，这意味着即使正常化可以在结构上完美地对齐一组大脑，它们在功能上仍然不会对齐。例如，Frost和Goebel(2012)试图确定使用一系列功能定位器的个体之间解剖和功能性脑区对应的程度。尽管采用了基于曲率的皮层排列，结合个体的折叠模式来改善解剖排列，但他们发现，许多功能区，如语言区和梭状回面部区域，在不同个体的解剖位置上存在很大差异。同样地，Malikovic等人(2007)发现，V5/MT 区域的解剖位置在个体大脑中存在巨大差异。基于这些和类似的结果，Amunts和Zilles(2015)认为有必要采用新的脑成像方法来将结构与功能联系起来。
最近的进展试图减轻与传统对齐方法相关的问题。例如，多模态表面匹配(MSM)方法允许输入特征的不同组合来改善对齐，以及跨个体的超对齐对齐神经活动模式。这些方法的共同之处在于，它们试图解决一个事实，即传统的群体平均分析可以掩盖大脑拓扑结构中的个体差异。传统的群体分析隐含假设所有受试者在相同的解剖位置有相同的功能区域，但这一假设经常被违背。当这种情况发生时，来自不同功能区域的神经信号会在群体分析中混合在一起，这可能会导致结果可能不能反映群体中的任何一个人。这一想法已经被使用遍历定理证明，并早已在许多科学领域得到认可，包括心理学和神经科学。问题是大多数心理过程不是遍历的(即，个体间和个体内的变化是“渐近相等的”的过程)，因此群体数据可能不能准确地反映个体层面的心理过程。事实上，大约在70年前，Sidman(1952)就证明了群体平均曲线通常并不代表产生平均曲线的任何个体曲线。因为平均数据只有在特定的条件下才会与个人数据相似，所以他决定平均数据不能用于个人层面的推论。
同样的担忧也适用于神经成像研究。例如，假设有一个大脑区域在每个个体中执行相同的功能，但该大脑区域的位置在正常化后不重叠在任何两个参与者。寻找与该功能相关区域的群层次分析可能会错过这个区域，尽管它与感兴趣的功能相关。在这种情况下，将群体结果推广到群体中的每一个个体，以及抽取样本的群体，是一种误导，也是所谓生态谬误的一个例子。
3. 用静息态连接识别个体变化
3.1 连接体指纹和特定个体的连接
针对个体的神经成像研究旨在了解大脑中的个体差异，而不是将这些差异视为噪音。其中许多研究使用了公共可用的数据集，如人类连接组项目(HCP)，其目的是研究个体差异，尤其是大脑功能连接方面的差异。虽然之前的个体差异研究试图将功能连接与行为表现联系起来，但这些测量通常缺乏可靠性，不太可能被复制。Finn等人(2015)介绍了基于连接体的预测建模(CPM)方法，该方法试图通过使用全脑信息来识别具有内置交叉验证的预测网络，而不是简单地寻找相关性，从而克服泛化方面的局限性。他们检查了HCP样本中静息状态功能连接(RSFC)的个体差异，并证明了一个人可以根据他们的连接模式从群体中准确地识别出来。基于RSFC或连接组指纹的个体识别已被反复用于检查大脑连通性的个体差异。例如，Airan等人(2016)探索了几个有助于个体识别的指标，发现连接的个体差异在关联和额顶叶网络中最大，这与其他发现一致。此外，尽管许多研究计算了单一的、稳定的功能连接组，但Liu等人(2018)发现RSFC的时变特征(称为chronnectome或动态功能连接)也可以可靠地识别群体中的个体。此外，Chen和Hu(2018)使用了一种包含时间和空间信息的循环神经网络，仅用72秒的数据就能准确识别个体，而Byrge和Kennedy(2019)发现，准确的个体识别并不需要特定的连接集。这些结果表明，大脑许多不同区域的连接包括个人特有的特征(这些特征在个体中存在，但在群体平均水平中不存在;也被称为“特质型”或“网络变体”)。
随着时间的推移，功能连接的个体差异也被发现是稳定的。例如，Miranda-Dominguez和他的同事(2018)发现，在两年的时间里，成人和儿童的连接组指纹识别仍然准确，这一发现后来得到了其他群体的证实。然后，Horien等人(2019)使用四个纵向数据集证明，先前被证明对个体最具预测性的额顶叶和关联网络，在数年后也能最好地区分个体的连接模式。
此外，有证据表明，个体连接体可能部分由基因决定。MirandaDominguez等人(2018)发现，指纹分析可以区分兄弟姐妹和非亲属个体。Demeter等人(2020)进一步表明，功能连接组指纹可用于识别同卵双胞胎，且随着遗传相似性的降低，识别准确率会降低。
除了个体连接体稳定可靠外，它们还与行为的多个方面相关，包括流动智力、人格、生活方式、认知灵活性和处理速度。它们也可能是理解大脑病理学的有用工具。例如，Dosenbach et al.(2010)使用RSFC来预测大脑年龄，这是一种基于功能组织的大脑成熟度水平。此外，Ousdal等人(2020年)发现，在中老年人中，连接体稳定性在2-3年内增加与记忆性能下降之间存在关联。他们推测，稳定性的提高反映了大脑适应年龄相关变化的能力下降，这可能会影响整体认知功能，并导致记忆缺陷。此外，个体功能连接体可以预测自闭症谱系障碍和注意缺陷/多动障碍儿童的社会和行为症状评分，这表明功能连接可能会为这些障碍的未来研究提供信息。Brennan等人(2019)也证明，基于rsfc的生物标志物可用于预测基于治疗的改善，以及各种强迫行为的严重程度。此外，与传统方法相比，精神病的个体特异性研究使用RSFC预测症状严重程度和识别生物标志物的效果更好。这些研究都发现，网络间功能连接异常在预测症状评分中很重要，提示这些障碍可能与高阶网络间的功能失调互动有关。简而言之，个体特异性成像揭示了精神疾病的细节，以及功能连接体和行为之间的关系，这些此前在群体层面的研究中未被发现。
3.2 精确神经影像和静息态
最近一些针对特定人群的研究采用了精确的神经成像方法，从每个参与者那里收集了大量数据(至少两个小时，通常更多)。许多传统的fMRI研究从每个受试者收集相对较少的数据(有时仅5-10分钟)，然后进行分组分析。然而，由于数据量如此之小，功能磁共振测量的测试-重测可靠性很低，并受到头部运动等变量的干扰。精确的神经成像研究通过重复采样收集高质量的个体测量值来解决这些问题，这就产生了密集采样或深度采样等替代术语。其中一些最早的研究通过在多个过程中收集少数人的fMRI数据，为个体特异性神经成像提供了基础。例如，Poldrack等人(2015)收集了迄今为止最大的单个人类数据集之一，在532天的过程中进行了84次静歇状态扫描(总计约14小时)。Laumann等人(2015)随后将这些数据与组内数据进行了比较，发现个体大脑的功能组织包含了组内未见的明显特征。作者认为，少量的数据可能无法准确地捕捉到这些个人特征。Gordon等人(2017a)研究了三个静息状态数据集，并确定许多个体表现出个人特有的特征，这些特征即使是独一无二的，也是可靠的。此外，在午夜(midnight Scan Club数据集)在近两个月的时间里，从每个参与者那里获得了15个小时的数据，并确定他们的几个参与者表现出了群体平均值中不存在的个人特征，这支持了有意义的信息被群体平均值掩盖的观点。
在这些发现的基础上，其他研究进一步证明了连接体随时间推移的稳定性。Badhwar等人(2020年)在2.5年的时间里通过多个站点和扫描仪对单个个体进行了扫描。虽然跨站点和/或扫描仪的比较显著降低了指纹识别的准确性，但在同一站点和扫描仪进行的扫描中，参与者的连接体是稳定的。
精密成像正变得越来越受欢迎，不仅可以进一步研究个体内部随时间变化的差异性(例如，Duchesne等人，2019年，他们已经对单个个体进行了超过15年的扫描)，还可以扩展对个体特异性特征的研究。这些研究发现，功能定义的区域可以以可预测的方式在大小上变化，而群体平均水平中不存在的个体特征可以在一部分参与者中保持一致。例如，Braga和Buckner(2017)对个体大脑网络的分析显示，默认网络可能是两个不同的网络，但观察这种区别所需的精细空间尺度无法通过群体层面的分析实现。他们也在其他传统的功能网络中发现了类似的结果，这表明群体层面的分析并不能捕捉到个体大脑组织的基本信息。Gordon等人(2020年)在这些结果的基础上发现，默认模式网络被划分为9个具有不同功能的子网，进一步证明精确成像方法比传统方法提供了更细粒度的大脑组织检查。
精确的神经影像学也可以很容易地应用于精神病理学的研究。Poldrack等人(2015)对单个人脑的表征表明，活动的变化可以随着时间的推移进行测量，并与生理学测量相联系，这可能揭示与疾病相关的细节。最近，Gratton等人(2020)指出，精神疾病的治疗往往不充分的一个原因可能是疾病中患者症状的高变异性。他们认为，精确的神经成像可能是一种方法来表征疾病中的个体差异，以便更有效地为个别患者定制治疗。与这一观点一致的是，有证据表明，通常在神经影像学研究中收集的数据数量不足以在个体层面上准确描述精神病理学。Sylvester等人(2020年)利用MSC数据集研究了杏仁核和静息状态网络之间的连接，部分地回应了这一担忧。他们在杏仁核中确定了三个不同的细分区域，这些区域显示出不同的连接模式，并认为精确的数据集将使研究人员更好地理解精神疾病背后的神经机制。类似地，Greene等人(2020)使用精确的神经成像方法来表征与丘脑和基底神经节的连接，发现一些皮层下区域作为更大网络的整合区。有些区域是所有参与者共享的，而其他区域是特定于个人的。作者认为，这些脑组织的个体差异可能解释临床结果的差异，并作为潜在的治疗靶点。与这一观点一致，Gordon等人(2018)将精密功能磁共振成像应用于创伤后应激障碍(PTSD)退伍军人的研究。他们发现，遭受创伤性脑损伤会降低RSFC，而RSFC的降低与PTSD症状的严重程度增加有关——作者证明，如果没有大量数据，这种影响不会很明显。
Newbold等人(2020年)为三名参与者铸造了两周的右臂，并在六到九周内每天扫描他们。在铸型期间，左侧初级运动皮层和其他躯体运动区之间的RSFC显著降低，而与废弃手臂相关的整个电路开始发生自发脉冲。然而，在去除铸型后，RSFC迅速恢复到铸型前水平，脉冲开始消失。这些发现表明，当面临足够的变化时，大脑的功能组织可以通过行为改变，这可能会改变我们在疾病背景下理解大脑可塑性的方式。如果没有精确方法提供的细致细节，这些见解是不可能实现的。
4. 基于任务的活动可能提高个体特异的特征
4.1 基于任务的活动和个体差异
已经讨论过的针对个体的研究集中在静息态功能磁共振成像(fMRI)而不是基于任务的活动。使用静息状态的动机之一是，不同大脑状态下的功能组织是相似的，因此能够索引你是谁，而不是你在做什么。例如，Cole等人(2014)利用64个不同的任务发现，功能性组织主要由内在结构决定，在休息之间或跨任务之间变化不大。虽然作者确实发现了跨任务的功能连接变化，但这些变化很小，Cole等人(2019)认为，这种变化可能是由于混淆因素，如任务时间或头部运动。RSFC还可以用于预测任务活动的模式。例如，Tobyne等人(2018)利用连接组指纹技术预测了与视觉和听觉工作记忆和注意相关的外侧额叶皮层的激活，Osher等人(2019)进一步预测了RSFC的背侧注意网络激活。因此，我们自然会问，RSFC是否是捕获神经组织个体差异所需要的全部，特别是考虑到RSFC相对容易获得。
然而，有理由怀疑仅靠静息状态连接可能不足以表征个体可变性的某些方面。首先，休息是一种不受约束的状态，因此，人们在这段不受约束的时间内所做的事情的差异可能会带来噪音和模糊可靠的个人特有的活动模式。参与者在感到无聊时可能会走神，或者四处移动，甚至睡着。这些问题在临床人群、老年人和儿童中更为明显。为了缓解这些问题，一些研究试图比较休息时的激活和自然观看条件下的激活(例如，观看电影片段)，希望限制参与者的大脑状态。在一项这样的研究中，Vanderwal等人(2017)发现，与单独休息相比，包含电影可以提高指纹识别的准确性。
第二个问题是，单独的静息状态连接可能会错过神经组织的重要方面。例如，当同一受试者观看各种不同的视觉刺激时，通过对他们进行扫描，Kanwisher和同事能够识别出腹侧视觉皮层中与特定功能相关的区域(例如，梭状回面部区[FFA]，海马旁位置区[PPA])。这项工作导致了基于任务的功能定位器的使用，现在通常用于识别不同位置的功能区域，因人而异。而静息状态数据通常可以预测基于任务的激活，单靠静息状态数据无法确定FFA涉及人脸处理或PPA涉及位置处理。
使用任务来改变大脑状态也可能为大脑的功能组织提供进一步的见解，甚至在检查静息状态连接时也是如此。Finn和Constable(2017)使用心脏压力测试的类比，旨在找出可能是异常的差异，但在休息时观察到的差异太过轻微。同样，利用认知任务来揭示一个感兴趣的过程可能会放大休息时看不到的个体差异。例如，通过操纵大脑状态，Greene等人(2018)能够更好地从功能连接测量中预测个体特征，表明任务引发了连接的变化，放大了相关的个体差异。此外，包含任务状态的模型也比只包含休息状态数据的模型更准确地预测了各种行为测量，其中包括工作记忆和注意。研究发现，包括多个任务状态可以进一步提高行为预测，但将它们整合到单个连接体中可能会模糊状态之间的重要差异。因此，Gao等人(2019)提出为每个任务状态创建单独的连接体，然后将其组合成一个多维连接体，进一步提高了预测精度。
4.2 精确技术中基于任务的活动
许多研究还将任务型活动纳入精确的神经成像框架，并收集了大量数据。在某些情况下，添加任务数据并不会显著影响结果。例如，Gratton et al.(2018)发现，功能组织主要是由个体、trait-like品质决定的，而不是由任务状态决定的。此外，Braga等人(2020)为了描述每个人的语言网络特征，反复扫描了一小部分个体，发现他们的连通性定义的语言网络几乎没有根据创建它的状态而改变。另一方面，他们也发现这个网络是几个具有专门功能的独特关联网络之一，他们还发现了一些在以前的工作中没有发现的功能区域。Marek等人(2018)使用MSC数据集发现，小脑的功能结构中与静息状态数据衍生的包块相对应的个体差异是一致的，其他许多人发现，rs-fMRI可以再现与基于任务的功能定位者产生的相似的个人特定区域和网络。其他研究发现，将基于任务的活动纳入精确的数据集可以揭示大脑状态之间的个体差异。Anderson等人(2011)发现，当包含超过10分钟的数据时，他们可以非常准确地区分从静息状态扫描中派生出的功能连接和从自然观看扫描中派生出的连接。他们的研究结果表明，工作时的功能连接与休息时有所不同，而状态相关的差异可能只有通过精确的方法才能识别，因为它们提供了可靠性的增加。Kraus等人(2021年)接着提出了这一想法，并对此前仅使用静息状态数据发现的特征样变进行了检查。他们发现，尽管不同状态的个体之间的变异比个体之间的更相似，但它们也显示出对大脑状态的依赖。
此外，基于任务的精确神经成像揭示了特定的默认模式子网被不同的任务激活。重要的是，Salehi等人(2020)发现，当完成相同的任务时，大脑会以相同的方式重新配置，这表明仅靠静息状态并不能提供大脑功能结构的完整图像。事实上，作者声称没有单一的图谱，而特定被试、特定状态的图谱对于更全面地了解大脑及其功能非常重要。个人脑图项目已经证明，增加认知任务的数量可以改善对特定大脑区域及其功能的表征。类似地，自然场景数据集在个体观看数千幅不同的场景图像时对其进行扫描。这种方法基于这样一种想法，即详细研究个别大脑的功能结构将为更广泛地了解神经组织提供新的见解。要做到这一点，就需要在尽可能多的环境中研究个体大脑。
5. 局限和未来方向
虽然针对个体的成像技术为研究大脑的个体差异提供了重要的见解，但这一领域仍处于起步阶段。在这里，我们概述了一些目前的限制以及未来研究的潜在方向。
5.1 用大任务组来密集成像认知
大部分关于个体可变性的研究都使用了静息状态数据，但最近的证据表明，增加任务状态可能会有所帮助。例如，Finn等人(2017)提出，由于静息状态噪音更大，任务状态可能比休息状态需要更少的扫描时间来产生可靠的受试者内部测量。然而，很少有研究直接验证这一假设，多回波fMRI可能提供另一种解决方案。此外，一项任务可能不是最佳的;包含多个任务状态可用于改善行为预测，因为任何单个任务都可能错过功能架构的重要方面，这些方面可以通过使用其他任务观察到。在有限的时间内，需要在收集更多任务与收集单个任务的多次运行之间进行权衡。然而，在尽可能广泛的环境中测量同一参与者的大脑活动将提供认知的神经组织的更完整的画面。例如，研究不同环境下的大脑，发现了许多特殊的大脑区域，如梭状回面孔区、海马旁位置区和语言区。精确成像提供了一个独特的机会，通过整合任务状态在更精细的尺度研究大脑功能。个体脑图(IBC)项目就是这样一种尝试，通过从12个完成约30项任务的个体收集数据，来绘制广泛的感知和认知功能地图，而自然场景数据集则在个体浏览数千张图像时收集数据。这样的方法可能有助于我们在个体层面进一步理解大脑功能结构。
5.2 假设共享拓扑的局限
我们回顾了许多使用个体特异性成像方法的研究，但其中许多仍然使用组派生分区来绘制大脑图谱并建立其功能模型。特别是，许多功能连接研究在参与者之间采用单一的、共享的分区。例如，Finn等人(2015)在45个参与者上使用了分组聚类算法来创建分区，然后将其应用于他们的分析中的所有被试。这种方法隐含地假设分区既不因个体而异，也不因任务而在个体内部发生变化，这可能是不现实的。事实上，之前综述的精密成像文献已广泛证明，基于组的分区不能准确地代表组中每个人的功能组织。未来的研究可以使用Salehi等人(2020年)提出的基于功能的分区方法，或者创建新的分区来解释神经结构的个体差异。
超对齐是传统归一化的一个有希望的替代方案。在这里，每个参与者的激活模式被转化为一个共同的表征空间，这样，来自不同参与者的共享功能属性的体素被映射到高维空间的附近部分。这种方法使分析公共空间中的参与者群体成为可能，同时解决不同参与者之间功能区域空间位置的内在可变性。
5.3 个体特异性成像的泛化性
针对特定个体和精确的神经成像的一个潜在问题是通用性。上述讨论的研究多次发现，个体的大脑是异质的，那么如何将这些结果推广到研究之外的个体呢?重要的是，这些研究发现了许多大脑神经结构的特征，这些特征即使不是所有的大脑，也是许多大脑共享的。这一问题对已经遭受复制危机的神经影像学研究提出了重大挑战。这些数据集难以获得的事实是它们应该共享的更多原因，而针对个人的和精确成像数据集数量的增加将允许以前工作的复制和新假设的测试。我们希望引起对这一限制的注意，以防止与过度使用少量数据相关的问题，特别是当它涉及到个人特定大脑组织的研究时。
5.4 可靠性的矛盾
精确成像研究的关键优势之一是，在每个参与者中收集大量数据可以增加受试者的可靠性。这些高质量的测量使研究人员确信，观察到的特定个体的个人特征是真实的，而不是由于噪声。也就是说，虽然受试者内部的可靠性是必要的，但如果我们的最终目标是将大脑组织的个体差异与行为的个体差异联系起来，这是不够的。为了达到这个目标，受试者之间的个体差异也必须是可靠的。
5.5 将脑刺激技术融入人的特异性成像
经颅磁刺激(Transcranial magnetic stimulation, TMS)是一种非侵入性的脑刺激方法，它非常适合于个体差异的研究，因为它使实验操作个体特定功能区域的活动成为可能。大多数神经成像研究具有内在的相关性，因此，在针对特定人的成像研究中加入TMS将允许对特定人的功能区域的大脑活动进行因果操作。幸运的是，大脑刺激也正朝着针对个人的方法发展。
5.6 新的分析技术
利用连接体指纹识别个体、预测激活模式和个体特征已经做了大量的工作。这项工作可以揭示健康人群和临床人群在认知上的差异，并确定哪些人有发展为未来疾病的风险。目前很多关于预测个体差异的文献都使用了一种名为基于连接体的预测模型(CPM)的方法，该方法通过交叉验证推导出预测大脑行为关系的模型。
此外，与精确成像方法相关的挑战之一是需要大量的数据。然而，最近的研究表明，多回波fMRI有望缩短产生可靠的单受试者测量所需的扫描时间。
6. 结论
针对个人的精确的神经影像技术将使研究人员比以往任何时候都更精确地了解大脑的功能结构。虽然这一领域仍处于早期阶段，但近年来研究取得了实质性进展。这项研究为与群体分析相关的众所周知的问题提出了解决方案，并可能导致对人类大脑功能组织的新见解。他们还提供了有意义的证据，表明精确成像方法可以揭示大脑的细微细节，而这些细节只有在从每个人身上收集大量数据时才能看到。这些针对个人的方法在揭示大脑的功能组织及其与行为的关系方面显示了实质性的希望。
参考文献：Person-specific and precision neuroimaging: Current methods and future directions
