查看原文
其他

Brain Imaging and Behavior:多模态数据揭示了男女智力的不同神经生物学相关性

赛博尔 功能磁共振 2022-04-17

关注上方功能磁共振”即可查看更多原创文章,文末浏览近期脑影像相关课程及服务。


摘要 
由于智力在人类行为中的突出地位,使它成了社会和科学上一个有趣的话题,然而,关于智力的神经成像和神经生物学相关性在男性和女性之间到底有何不同,目前尚不清楚,大多数研究仅限于使用单变量技术或单一的神经成像模式。
本研究目的:采用基于连接组的预测模型(CPM) 分别预测166名男性和160名女性的智商(IQ)分数,使用静息状态功能连接灰质皮层厚度或两者兼有,确定多模态的IQ预测成像特征,然后在性别之间进行比较。CPM显示了较高的样本外预测精度(r>0.34),并通过互补信息(r=0.45),整合了功能和结构特征,进一步提高了预测精度。
男性智商左侧顶下小叶的皮层厚度以及左侧海马旁默认模式网络的功能连接性之间显示出更高的相关性,这些区域先前与空间认知和逻辑思维有关。相比之下,女性智商右下顶叶的皮层厚度,以及壳核小脑网络的功能连接性更相关,这两个区域以前与言语学习和项目记忆有关。
结果表明,男性和女性的智力生成可能依赖于相对的大脑侧化关键脑区不同的功能网络,这与他们各自在认知域上的优势保持一致。理解智力背后性别差异的神经基础会进一步优化个人认知发展的计划,并促进无偏见教育和考试设计的进步。

前言

整体智力表现中的个体差异可以使用智商(IQ)来衡量,智商涵盖了各种认知领域,包括记忆、言语理解、处理速度、推理、空间能力和执行功能。因此,智商被假定为利用负责多个高级认知功能的区域之间的通信。2007年的一篇论文回顾了功能和结构神经影像学发现的进展(Jung和Haier 2007),并提出了一个惊人的共识,称为Parieto-Frontal Integration Theory(P-FIT),它表明,智力的个体差异可以通过一个分布式网络来表征,该网络主要涉及顶叶额叶区域。跨多种神经影像学方法的众多神经科学的研究也证实了这一理论。具体而言,这一理论表明,基本的感觉/知觉区域负责视觉/听觉识别、意象、精加工;顶叶区域负责结构象征、抽象;前额区域负责解决问题、评估、假设检验;前扣带区负责选择反应。

尽管智力上的性别差异在社会和科学上都很重要,但关于男女智力的神经影像和神经生物学相关性之间的差异尚不清楚。此外,大多数现有的研究集中在群体水平的大量单变量方法上,忽略了个体的异质性,或者仅限于使用单一模态而没有利用多模态成像数据提供的互补信息。在本研究中,在个体化预测的背景下使用多模式神经成像数据来确定不同的神经生物学相关性在多大程度上支持男性和女性的智力。具体地说,采用了最近开发的机器学习的多变量方法-基于连接组的预测建模(CPM)-使用静止状态功能连接灰质皮层厚度或两者,定量估计个体的智能分数。结果表明,男性和女性的智力生成可能依赖于相对的大脑侧化关键脑区和不同的功能网络,这与他们在认知领域的优势是一致的。


研究方法

被试

从中国电子科技大学(UESTC)招募了440名健康汉族,且所有参与者都完成了中文版的韦氏成人智力量表(WAIS-RC)从WAIS计算得出的总分,即Full-Scale IQ,可以用来代表一般的智力水平。

排除缺少影像数据,WAIS评估分数不完整或头部运动过度的参与者。

最后保留了326名右利手的受试者(160F / 166M,平均年龄19.0‐1.1岁,范围:17-24岁)进行进一步分析。

MRI数据采集
在3T MR750磁共振扫描仪(GE Healthcare)上进行全脑成像。获取静止状态的fMRI数据和高分辨率的T1加权序列。
全脑功能连接分析
使用DPARSFA对功能成像数据进行预处理。
皮质厚度计算
使用可公开获得的软件包FreeSurfer计算皮质厚度

1.个性化预测 (Individualized prediction)
在这项研究中,应用CPM分别为男性、女性和所有受试者使用全脑FC或皮层厚度来估计参与者的IQ分数。
(1)特征选择:计算了IQ分数和6670个 FCs(边)之间的Pearson相关关系,获得了每个边的r值和相关的P值。
 
(2)建立模型:通过对高智能或低智能网络中的边求和,汇总每个训练对象的统计量—“网络强度”。然后,构建了一个简单的线性回归模型来估计高智能或低智能网络强度与观察到的IQ得分之间的关系。通过结合高智能和低智能网络的优势,还建立了通用线性模型(GLM)。
 
(3)预测:将构建在训练对象中的模型应用于一个被遗漏的对象,生成预测的IQ分数。依次交换训练和测试子集,并将N个(样本量)循环中的所有测试对象放到一起,获得了所有参与者的预测IQ分数。

Fig.1

(Fig.1 展示了分析的流程图)

使用CPM通过静息状态功能连接灰质皮层厚度或两者来估计个人的智商得分。重要的是使用了功能和结构特征提高了预测精度。在严格的交叉验证分析中,结果表明,男性和女性的智力生成可能依赖于相对的大脑侧化关键脑区不同的功能网络,这与他们各自在认知领域的优势是一致的。


2.预测IQ的灰质皮层和功能网络(IQ-predictive grey matter cortices and functional networks)


(Table S1演示了研究中使用的最佳参数以及跨验证循环从每种模态派生出的特征数量)

将116个AAL节点分组为七个与先前在静息状态研究中定义的规范网络:默认模式(DMN),视觉,认知控制(CC),感觉运动,听觉,小脑和皮质下网络。此外,为了确认每个规范网络的预测能力,以两种方式重新执行CPM程序:
(1)在依次排除出现在七个规范网络之一中的FC之后,使用全脑FC进行预测; 
(2)通过将CPM中的特征选择步骤限制为仅来自七个规范网络(仅使用网络内部边)中的每个FCs的功能来进行预测。


研究结果

1.个性化预测(Individualized prediction)


(Table1:CPM使用功能性连接、皮质厚度或两者分别为男性和女性实现了IQ分数的可观估计)

结果中缺少对男性高智能区域的预测,因为没有检测到任何正相关的男性皮质厚度。值得注意的是,结合功能连接和皮质厚度,进一步提高了预测的精度,比单独使用任何单一模态更好。此外在回归掉年龄、平均头部运动和教育年限后,预测仍显着,排除了这些潜在的混淆。


Fig.2


(Fig.2 使用多模态神经成像特征相对于观察值的模型估计IQ分数的散点图)


当综合功能连接和皮层厚度特征作为CPM的输入时,男性和女性的预测和观察IQ得分之间的皮尔逊相关系数分别为{r【男性】=0.45(1.2×10-9)}和{r【女性】=0.45(p=1.7×10−9)}所有数值都被标准化为z分值以便于可视化。


Fig.S2

此外,当重新运行预测程序时,通过将分析仅限于IQ分数为≥85的受试者,CPM也实现了可比较的预测准确性。


2.预测智商的大脑区域和功能网络(IQ-predictive brain regions and functional networks)

Fig. 3


 

(Fig.3 预测了,男性和女性智商得分的大脑区域和功能连接的关系)

 

对于男性,CPM确定了低智能区域(a)中的258个特征,高智能网络中的162个连接,以及低智能网络(c)中的309个连接。对于女性,在高智能和低智能区域(b)中分别包含相应的284和444个特征,而在高智能和低智能网络(d)中则包含145和329个边缘。

如圆图所示,116个功能节点根据其叶位置被分组为8个AAL定义的宏尺大脑区域:高智能网络中的边缘显示为橙色,而低智能网络中的连接显示为蓝色LOOCV(100%识别率)每次迭代中出现的边都以粗体显示 (e).在高智能网络中,女性的功能连接在解剖向量距离上显着长于男性(f);在低智能网络中,男性和女性之间的连接长度没有差异。对于男性,低智能区域包含258个特征,恰好位于两个区域:左侧顶下小叶(IPL)和右侧楔前叶(图3a)。 对于女性,CPM显示284个正相关特征(高智能区域)主要集中在右侧脑岛右颞上回(STG)和右额下回;444个负相关特征(低智能区域)分布在右侧IPL上右侧楔前叶延伸到左侧尾部中额叶皮质(图3b)。


Fig. 4 

(Fig. 4 高智能和低智能网络中的功能节点)

 

为了便于表征,将AAL中定义的116个节点分为七个先前在静息状态研究中定义的规范网络:默认模式(DMN),视觉(VIS),认知控制(CC),感觉运动(SM),听觉( AUD),小脑(CB)和皮层下网络(SC)。节点大小表示度,它表示在预测过程中跨所有交叉验证循环确定的已连接功能连接的数量。
 
在解剖学上,高智能网络中显示最高度(即在所有交叉验证环上识别的连接FCs的总数)的前5个节点是左海马旁回(PHG)、右颞中回、左前扣带回和左/右中扣带回,它们主要是DMN和认知控制网络的中枢;而低智能网络的前5个节点是右侧顶上小叶、右侧颞下回、左侧跟骨、左侧枕中回和左侧梭形,主要跨越感觉运动和视觉网络(图4a)。
在解剖学上,高智能网络中最重要的前5个节点是左侧壳核、右侧小脑VIII、左侧额上回的左侧内侧眶部、左侧蚓部和右侧壳核,主要对应于认知控制和小脑网络的核心中枢;低智能网络中的前5个节点主要集中在感觉运动网络中,包括左/右中枢后,右侧辅助运动区,右侧顶上小叶和右侧中央前回(图4b)。


(Table 2 每个典型网络在IQ预测中的重要性)


基于阳性网络的预测模型对女性小脑网络的贡献最大;所有七个网络中的负性特征都降低了预测性能,其中视觉网络成为男性和女性里最具预测性的一个。


总结

在这项研究中,通过整合多模态神经成像数据,建立了一个基于连接组的IQ预测程序,该程序基于实体交叉验证,补充了现有的在人类智能个体化预测方面的工作。此外,我们确定并比较了,可能预测其他个体的教育或健康结果的性别不同的成像生物标记物。更重要的是,我们发现男性和女性的智力是由不同的神经生物学相关支持的。具体地说,男性IQ与左侧IPL中的皮层厚度以及左侧PHG和默认模式网络中的功能连通性表现出更密切的相关性;而女性IQ与右侧IPL中的皮层厚度以及连接左侧壳核和小脑网络内的功能连接性更相关,这与她们各自在认知和行为表现(视觉空间处理与言语和记忆能力)方面的优势一致。



参考文献

Abutalebi, J., Della Rosa, P . A., Gonzaga, A. K., Keim, R., Costa, A., &

Perani, D. (2013). The role of the left putamen in multilingual lan-

guage production. Brain and Language, 125(3), 307–315



培训信息

第四届R语言数据分析与可视化培训班

第三十一届 脑功能磁共振数据处理分析培训班

第十九届脑电信号数据处理培训班(基础班)

科研服务

灌注数据处理服务

EEG/ERP数据处理服务

  • 电数据预处理:使用EEGLAB对Neuroscan、Brain Products、EGI、ANT、Biosemi等主流脑电设备采集的脑电数据进行预处理。

  • ERP成分统计分析:提取ERP成分的波幅和潜伏期,并进行统计分析。

  • EEG频谱分析:使用傅里叶变换的方法计算脑电各个频段的功率,并进行统计分析;使用短时傅里叶变换、小波变换和希尔伯特变换的方法进行脑电时频分析(如ERD/ERS分析、试次间相位同步分析)。

  • 基于sLORETA的脑电源分析:ERP成分源定位;特定频段EEG源定位;源空间的脑功能连通性分析。

  • 功能连通性分析:使用相关、相干、相位锁定值和格兰杰因果分析研究电极之间功能连通性。

近红外数据处理服务

PET数据处理服务

功能磁共振数据处理

  • 任务激活脑区分析

  • 任务态E-prime实验实

  • 功能连接分析

  • 局部一致性(ReHo)分析

  • 低频振幅(ALFF/fALFF)分析

  • 基于图论及ICA的脑网络分析

结构磁共振数据处理

  • 基于VBM的灰白质分析

  • 基于Freesurfer的皮层厚度分析

  • 基于FSL的纤维束追踪

详情联系:13381109780(杨老师)

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存