NC：儿童和青少年的小脑生长模型

1. 摘要

在过去，小脑以其在运动功能中的关键作用而闻名。然而，越来越多的研究结果强调了小脑在认知功能和神经发育中的重要性。利用4862名被试的7240次神经成像扫描，我们描述并提供了儿童和青少年（年龄范围：6-17岁）的小脑发育模型，6-17岁是大脑发育和神经精神疾病发作的重要时期。除了传统上使用的小脑解剖分割外，我们还基于最近提出的功能分割生成生长模型。在这两种研究中，我们都发现了一个前后生长梯度，反映了与年龄相关的潜在行为和功能的改善，这类似于大脑成熟模式，并为直接相关的小脑-皮质发育轨迹提供了证据。最后，我们说明了目前的方法如何可以用于检测临床样本中的小脑异常。

2. 引言

虽然小脑更多地被认为参与了运动控制，但最近的研究已经表明，它也与广泛的认知功能有关。鉴于小脑与大脑皮层密切相关，小脑功能亚单元参与了一系列广泛的运动和认知任务，这些最近的发现并不令人惊讶。然而，尽管关于小脑对大脑功能的重要性的证据越来越多，但有限的研究探索了小脑是如何在儿童和青少年时期发展的。

小脑是大脑中第一个开始细胞分化的结构之一，在妊娠晚期和出生后的第一年有一个快速的生长期，但它是最后一个完全成熟的结构之一。鉴于这种漫长的发育过程，它特别容易受到遗传和环境压力源的影响扰乱了发展。因此，它可能是各种神经发育障碍的一个关键节点，并有潜力作为一个关键的生物标志物。

除了在过去忽视了小脑在高级认知功能中的作用外，小脑体内成像的挑战可能阻碍了对这一重要结构的研究。小脑及其紧密折叠的皮层的解剖位置使其成像结构更具挑战性，因为采集视场和头部线圈经常被优化为大脑成像。此外，还需要高分辨率的图像来进行精确的分割以及解剖和功能的映射。采用3T及以上的高磁场强度，以及专用的自动分割和分割工具的发展，使小脑成像数据的分析更容易获得。

由于儿童和青少年时期是精神和发育问题风险增加的时期，因此在这一时期提高我们对小脑发育的理解是至关重要的。因此，需要稳健和详细的神经发育轨迹的参考模型，这在最近已成为一个蓬勃发展的研究领域。脑成像数据的规范建模特别适合这项任务，并提供了一个分析框架，能够在个体水平上建模生物异质性，同时也能适应站点效应。该框架允许根据参考模型的变化中的预期百分位数跟踪给定个体的发展，而不需要假设临床人群是同质的，类似于儿科医学中的生长图表。在精神病理学的背景下，与病例对照研究相比，这种方法最近显示出可以增加敏感性，并更好地描述区域脑容量的个体间异质性。通过在这种学习框架中嵌入成像数据的规范建模，共享这些模型成为可能，而没有数据隐私问题。这不仅意味着较小的数据集可以从基于较大数据集的参考模型的中获益，而且还可以随着更多的数据可用而对模型进行调整和更新。因此，使用这个框架来建立小脑的规范模型将被证明在在个体水平上检测小脑发育的偏差，并将这些偏差映射到行为和临床表型方面特别有用。

传统上，小脑在中外侧方向被细分为蚓部和大脑半球，在前后方向被细分为小叶。然而，最近，功能磁共振成像（fMRI）显示，小脑的功能边界与经典的解剖细分并不一致。相反，另一种包含至少10个区域的替代功能分割已经被识别出来，这与早期提出的脑-小脑网络分割很一致，其特征是引起包裹活动的运动和认知特征。

在当前的研究中，我们描述和提供公开的小脑的解剖和功能规范模型基于一个大型儿童人口样本，该模型(1)可以作为参考模型获得准确的规范范围，并应用于在较小的数据集，和(2)可以更新新网站的数据和扩展年龄范围的必要共享敏感患者或参与者的数据。我们进一步说明了当前方法的有效性和实用性，通过绘制在自闭症特征儿童亚群的个体水平上偏离典型小脑发育的图谱。这些模型有可能促进和最大限度地在神经成像研究中使用小脑结果，从而有助于更好地理解小脑在典型和非典型神经发育中的作用。

3. 结果

3.1 样本特征

共有7270张结构性神经成像扫描，来自4862名独特的个体（2392名男性，2470名女性），可用于统计分析（详情见方法：被试和排除标准）。图1显示了当前样本的年龄和扫描仪分布。对于规范建模，队列被分为训练集（50%）和测试集（50%）（见方法：规范模型），分配的训练集和测试集生成的队列作为一个整体评估规范参考范围，也分别在训练集和测试集中进行测量评估。

图1. 队列中的年龄和扫描仪分布的直方图。Visit 1的平均年龄为7.9岁（范围=[6.1-10.7]，n = 974 [510男性，464女性])，Visit 2的平均年龄为10.1岁（范围=[8.6-12.0]，n = 3785 [1879男性，1906女性]），Visit 3的平均年龄为14.0岁（范围=[12.6-17.1]，n = 2511 [1202男性，1309女性]）。2734（56.2%）个体测量一次，1848（38.0%）个体测量两次，280（5.8%）个体获得所有三个测量的扫描。

3.2 小脑的规范模型

为了生成小脑解剖和功能亚区域的规范模型，我们使用了PCNtoolkit获得规范范围，并建模个体异质性揭示临床显著偏差，如扫描仪之间的差异。分层贝叶斯回归（HBR）方法通过使用共享先验的特定站点参数和超参数，并通过提供一个框架生成规范模型。之前，我们已经证明了HBR方法可以用于在纵向时间点上进行有意义的推断，即使后续的MRI评估是在不同的扫描仪上进行的。使用HBR，我们分别使用每个感兴趣区域（ROI）的解剖分割体积和形态学指标（即灰质和白质密度以及体积）来估计小脑的规范模型。除了年龄作为预测因子外，性别和MRI扫描仪被建模为批效应（关于建模参数的进一步细节，见方法：规范模型）。基于留一交叉验证（LOO），规范建模在这个年龄范围内表现得很好。所有模型参数和ROI的后验分布均为收敛性的，并使用PCN工具包的内置功能进行视觉检查。在下面的章节中，将分别描述解剖分割和功能分割的ROI。

3.3 解剖分割

使用MAGeT管道，小脑在原生空间被分割成35个解剖细分。简而言之，MAGeT算法使用有限数量的手工分割图谱（这里：5个）创建了一个基于多图谱的分割，它可以使用一小组研究特定的模板图像针对特定的队列进行定制。所得到的模板图谱库，通过利用代表性模板图像的形态变化，改进个体形态差异的建模（详见方法：解剖分割）。通过对每次扫描进行目视检查来保证分割的质量（详见方法：图像质量控制）。

我们拟合了一个规范模型来调查35个解剖ROI中每个区域与年龄相关的体积影响。图2显示了使用年龄β系数（斜率）的平均后验分布的每个ROI的增长。标准化系数用于简化结果之间的比较，并且结果按性别进行分层。正如该年龄段的预期那样，我们看到所有ROI的体积都在增加。髓体是小脑的白质，在女性和男性中，其体积的增加最为明显。有趣的是，我们看到了一个生长梯度，从小脑前叶（小叶III-V）的影响较小开始，而小脑后叶（VI-IX）的年龄相关效应越来越大，除了小叶X的影响最大。小脑前（左小叶V）、后（左小腿I）以及左侧髓体的ROI的生长轨迹如图2B所示。图2A还描述了年龄β系数（斜率）的性别差异。没有观察到显著的性别差异，然而，女性的年龄相关系数略高（平均标准化β=0.178；95% CI平均= [0.153 0.202]）比男性（平均标准化β=0.149；95% CI平均= [0.128 0.170]），对VIIIA小叶的影响更大（左半球：标准化差异β=0.142；右半球：标准化差异β= 0.093），左小叶X（标准化差异β=0.110）。

图2. 年龄对解剖分割过程中体积的影响。图A说明了每个解剖ROI的标准化年龄β系数（斜率）的平均后验分布和男性和女性之间的效应大小（标准化β）的绝对差异。3D插图是基于公开的手动分割MR图像（MAGeT图集，brain5）生成的。图B的ROIs中男性（黄色）和女性（绿色）的轨迹：左侧小叶V（小脑前部）、左侧小腿II（小脑后部）和左侧髓体（白质束）。粗体线表示平均轨迹，阴影区域表示均值2个标准差以内的范围。体积以立方厘米表示。图C中男性（黄色）和女性（绿色）的所有标准化年龄β系数（斜率）的柱状图。误差条表示标准化年龄β样本的+/−1标准差（n = 12,000）。

3.4 功能分割

由于小脑的小叶边界与功能分界表现出有限的对应关系，我们也采用了King和同事提出的功能亚区域（详见方法：功能分割）。使用大型多任务组（MDTB）的功能磁共振成像数据确定了小脑的十个功能区域，并根据认知和行为特征来描述任务条件（1：左（运动）按压，2：右（运动）按压，3：扫视，4：行动观察，5：分散注意力（左半球），6：分散注意力（右半球），7：叙述，8：Word理解，9：语言流畅性，10：自传体回忆）。这种分割被证明成功地预测了一组新的运动、认知、情感和社会任务的功能边界，超过了现有的无任务和解剖分割。MDTB分割的10个区域如图3所示。与上面描述的解剖分割类似，体积、灰质密度（GMD）和白质密度（WMD）的标准模型适用于功能分割的每个ROI。在图4A中，我们再次使用标准化年龄β系数（斜率）的平均后验分布来可视化这些功能包的发展轨迹。结果显示，按性别分层。就像之前在解剖分割中看到的一样，在这个年龄范围内的男性和女性的所有功能分割中，体积都明显增加（图4A &D）。与一系列认知过程相关的小脑后区相比，与年龄相关的体积效应较小。这一趋势在GMD（图4A，B&E）和WMD（图4A，C & F）模型中更加明显。虽然有充分的证据表明，在这个年龄范围内，大脑中的GMD减少，但我们再次看到了6-17岁儿童的前运动区和后认知区之间的明显区别。前运动（1：左手按压）和后认知（5：注意力分散（左））ROI的生长轨迹进一步说明了这一点。在儿童和青少年时期，与前运动区相比，后认知区的坡度更陡，从而有更多的发育变化（图4B&C）。尽管不显著，轻微的性别差异被观察到在右半球（平均标准化β：男性体积= 0.277 [0.251 0.304]，女性体积= 0.289 [0.256 0.322]），每个ROI的性别差异如图4A所示。

图3. 功能分割。图经King等人201917（https://www.nature.com/articles/s41593-019-0436-x）的多域任务（MDTB）功能图谱区域以颜色显示。黑色虚线表示解剖学的边界。

图4. 年龄对功能分割过程中的体积、灰质密度（GMD）和白质密度（WMD）的影响。A说明了MDTB图谱中每个功能ROI的标准化年龄β系数（斜率）的平均后验分布（a-f）和男性和女性之间的效应大小（标准化β）的绝对差异（g-i）。B男性（黄色）和女性（绿色）的轨迹。1: 左手按压（小脑前部）和5：分散注意力（左）（后小脑）。粗体线表示平均轨迹，阴影区域表示均值2个标准差以内的范围。C表示男性（黄色）和女性（绿色）的所有标准化年龄β系数（斜率）的柱状图。误差条表示标准化年龄β样本的+/−1标准差（n = 12,000）。

3.5 前后生长梯度

由于解剖和功能包裹在前者中显示更小的年龄相关影响(图2,4)，我们通过对ROI在小脑中的前后空间位置进行排序，对比了这两种区域的生长趋势。解剖分割中的小叶根据其前后位置（I到X小叶）命名，每个功能块的前后位置是通过排序程序获得的。具体来说，我们通过确定其解剖小叶（每个10个功能ROI的中心点）所在的位置来对功能包进行排序。在质心不位于小叶边界内，而是在髓体区域的情况下，我们通过视觉评估了质心最接近哪个小叶。为了定量评估任何潜在的发展梯度，我们拟合一个线性趋势线的标准化年龄β系数（斜坡）的解剖地图（分为平均和平均半球ROi）和功能地图（分为体积，GMD和WMD），作为前后位置的函数。结果按性别分层，如图5A所示。AP生长系数与小脑前后生长有统计学差异。我们报告了未校正的和错误发现率（FDR-BH）调整后的p值。

图5. 生长梯度的可视化。通过标准化的年龄β系数（点）的解剖（浅蓝色和深蓝色的平均值）和功能(绿色的体积，灰质密度（GMD）的橙色，黄色的白质密度（WMD）的ROI的线性拟合线。阴影区域表示线性拟合线的95%的预测区间。图例中的星号表示显著的AP生长系数（线性拟合线的斜率）。功能包裹中心的解剖位置在第一个面板中用数字表示，并列于补充表5中。B使用小脑工具沿着两个功能梯度显示生长梯度23。梯度1（y轴）的范围从运动区域（负值）到非运动区域（正值）；梯度2（x轴）从低（负值）到高（正值）任务焦点/认知负荷。散点图中的每个点代表小脑中的一个体素。

在男性中，功能分割的AP生长系数（βvolume_func = 0.011，pvolume_func = 0.019，pFDRvolume_func = 0.032；βGMD =−0.036，pGMD <0 .001、pFDRGMD = 0.002；βWMD = 0.044，pWMD = 0.003、pFDRWMD = 0.010）中均有显著性差异，而解剖分割中的AP生长系数与零比较无显著性差异（βvolume_hemispheres = 0.009，pvolume_hemispheres = 0.060，pFDRvolume_hemispheres = 0.075；βvolume_vermis =−0.001，pvolume_vermis = 0.569，pFDRvolume_vermis = 0.569）。在女性中，功能分割的灰质和白质密度AP生长系数以及解剖分割的半球体积AP生长系数均显著(βGMD = −0.032，pGMD = 0.005，pFDRGMD = 0.010；βWMD = 0.041，pWMD = 0.003，pFDRWMD = 0.010；βvolume_hemispheres = 0.016, pvolume_hemispheres = 0.004, pFDRvolume_hemispheres = 0.010)。功能分割体积变化的AP生长系数没有通过多次测试校正（βvolume_func = 0.013，pvolume_func = 0.036，pFDRvolume_func = 0.051），以及男性在解剖蚓部的AP生长系数与零比较没有显著差异（βvolume_vermis = −0.002，pvolume_vermis = 0.544，pFDRvolume_vermis = 0.569）。

最后，我们比较并可视化了使用LittleBrain发现的梯度，这是一种基于梯度的工具，可以帮助解释小脑的拓扑神经成像发现。小脑创建了一个小脑中所有体素的二维表示，每个轴代表Guell和同事描述的一个主要功能梯度。梯度1从主要运动区域延伸到非运动区域，如语言区域和默认区域。这类似于先前报道的在大脑皮层中从主要的单峰感觉区到跨峰区延伸的功能组织原理。梯度2可以理解为任务焦点或认知负荷的表征。这个梯度的范围从梯度1的两个极端（运动区域和默认区域）到涉及集中认知处理的区域，如工作记忆或注意力。

我们使用小脑工具箱从解剖和功能分割中绘制了标准化的年龄系数，发现儿童和青少年时期的小脑生长主要遵循梯度2，因此可能与发育过程中的认知需求有关（图5B）。与年龄相关效应较小的小脑区域主要局限于低认知需求（低梯度2值）的任务非集中区域，如运动加工和默认网络。年龄效应更大的区域可以在任务集中的区域中发现（高梯度2值），很可能与额顶叶网络重叠。体积模式，主要来自解剖分割，显示更弥漫的梯度模式，可能是由于功能活动和宏观解剖之间的很少重叠。

3.6 较大的规范模型偏差和临床或行为表型

为了说明小脑规范模型的效用，我们根据社会反应量表（SRS）研究了可能属于自闭症谱系的儿童是否存在小脑生长的偏差。SRS已被证明可以定量评估亚临床和临床自闭症特征。对于每个ROI，我们将可能属于自闭症谱系的儿童（SRS >= 第90百分位的原始分数，n = 198）与有SRS信息的其余儿童（n = 2012）进行对比。此前，已有研究表明，使用规范偏差评分可以揭示更精确的病例-对照效应，并在个体水平上描述临床相关的形态学差异。因此，我们举例说明了每个ROI的高SRS得分与规范范围（z > 1.96 / z <−1.96,95%置信区间）有很大偏差的儿童的百分比（详见方法）。使用这个定义，我们预计大约2.5%的典型发育人群中，在基本上所有解剖和功能分割的ROI中，分别有一个大的负或一个大的正z分数。事实上，这是我们在典型发育的参与者中观察到的情况（图6）。然而，对于具有自闭症特征（高SRS）的参与者来说，情况并非如此，因为在分布的极端末端所代表的个体比预期的要多。考虑到ASD患者大脑形态的异质性，需要强调的是，在有自闭症风险的儿童中存在个体偏差模式的差异。这些变化可以使用规范模型在个体受试者的水平上进行探索。

在解剖分割，更高比例的参与者高SRS分数呈现大负z分数（小于预期的体积）在各种ROI（图6），特别是在平均和半球区域前后小脑（显著偏差二项检验p < 0.05：Crus I（左），VIIIB（左），平均区域III，小叶VI（右））。在低SRS的参与者中可以观察到大的正偏差（大于预期的体积）（显著偏差二项检验p < 0.05：左小叶VI和小腿I，垂直区VIIA和右小叶VIIIB）。在SRS得分高的参与者中，较大的正偏差总体上似乎不那么普遍，但在左小叶IV和平均IX区可以观察到显著的正偏差（p < 0.05）。

与解剖分割类似，我们也观察到，在SRS评分较高的参与者中，几乎所有的功能包的体积都比预期的要小（图6B）。但有趣的是，在功能分割中揭示了细微的区别。虽然总体趋势向小体积比预期的是可见的参与者高SRS分数（显著比例大偏差二项式测试在p < 0.05：1）左手压力和6)分散注意力（右）)，功能分区最好的特点是认知特征7)叙述和8)单词理解似乎免除这个。在高SRS被试的正偏差GMD图中，可以观察到左小脑前小脑和后小脑的负偏差大于预期（低GMD），特别是在认知特征最明显的语言流畅性（p < 0.05）。此外，我们观察到更多的积极偏差比预期（高GMD）前运动区域的功能图谱的1)左手按（p < 0.05）和2)右手按高SRS参与者，以及显著高于预期GMD功能区域4)行动观察（p < 0.05）在典型的被试（图6C）。WMD的差异不太明显。

当使用线性回归模型检验SRS评分对解剖和功能分割的规范偏差评分的影响时，Crus Ⅱ的体积（右半球）、VIIB（左半球和右半球）、VIIIA（左半球）、VIIIB（右半球）以及功能分区的4）动作观察、8）单词理解和10)自传体回忆与SRS得分相关。然而，这些关联并没有在多重测试校正中存活下来。

图6. 典型发育儿童和自闭症特征儿童的小脑偏差。在典型发育儿童（n=2012）和可能属于自闭症谱系的儿童（高社会反应量表（SRS）评分，n = 198）中，显示了更多的负（z分数<−1.96）和更多的正（z分数> 1.96）偏差的个体百分比。星号表示ROI中儿童高SRS和儿童典型SRS分数显著高于预期p = 0.05水平（典型> 3.13%，高SRS > 5.05%）使用二项测试（观察与预期的参与者z > 1.96/z <−1.96高SRS和典型儿童，给定零假设概率p = 0.025，单边）。A在解剖ROI中的体积偏差。3D插图是基于公开的手动分割MR图像（MAGeT图集，brain5）生成的。B功能ROI中体积的偏差。C功能ROI中灰质密度（GMD）的偏差。

4. 讨论

本研究描述了在大量儿童人群中典型小脑发育的规范模型。使用超过7000人的纵向MRI扫描，从解剖和功能包获得小脑生长的正常估计拟合层次贝叶斯回归模型。尽管小脑有可能作为发育障碍的生物标志物，但以前从未使用人类MRI数据进行过如此规模的详细研究。以前关于规范建模的项目已经证明了对大型开源增长模型的潜在影响和需求。然而，目前可用的模型没有包括小脑。因此，目前的模型对于理解小脑发育的异质性以及疾病的规范范围的偏差至关重要。值得注意的是，这些偏差可以使用当前的方法在单个个体的水平上进行调查。

解剖学（MAGeT图谱）和功能区域（MDTB图谱）显示出相似的总体生长趋势。正如预期的那样，在从儿童后期到青春期的年龄范围内，我们看到两个包裹中所有ROI的体积都在增加（图2和图4）。与之前的研究结果一致，我们观察到小脑发育的前后梯度可能反映和反映了潜在功能的年龄相关改善，感觉运动区主要位于小脑的前部和后部。在6岁至17岁之间，前感觉运动区比后认知区表现出更小的年龄相关效应，这可能反映了小脑感觉运动区较高阶感觉运动区的延长生长轨迹。

虽然，通过肉眼检查，在两种包裹中都可以观察到从前到后的生长梯度，但定量地测试这一趋势是具有挑战性的。我们通过对每个ROI的标准化年龄系数（斜率）进行排序，检验了两种包裹和不同形态指标的生长趋势，并确定了一条线性拟合线（图5A）。这些拟合线的斜率（AP生长系数）显著，从而为男性的功能分割（体积、GMD和WMD）、功能（GMD和WMD）以及女性的解剖（解剖球平均体积）提供了额外的支持。在蚓部可能没有前后生长梯度是有趣的，因为功能差异也存在于整个蚓部。然而，这些功能在功能上与小脑的大脑半球不同，因为蚓部接收来自脊髓的感觉运动传入，并主要参与低阶功能，如姿势控制、运动和凝视，但也在情绪处理中发挥重要作用。

然而，这里需要注意的一点，因为根据位置对ROI进行排序并不是明确的。这是小脑几何形状的结果,小脑的前后轴类似于一个c型，而不是一条线或一个平面，这使得排名更加复杂。虽然解剖性小叶遵循前后顺序，但由于小叶大小的差异，纠正沿着这个前后轴的小叶间隔是模棱两可的。功能ROI在这个前后轴上的位置变得更加难以区分，因为功能分区并不相邻，可能有前和后组件（例如包裹1：左（运动）按压，和2：右（运动）按压）。通过确定每10个功能性ROI的质心，我们近似于前后位置。使用这种方法，我们提出了不同形态指标（即体积、GMD和WMD）中前后梯度的证据，除了解剖分割中的真实体积外，在两种分割中都可以观察到。然而，考虑到小脑复杂的几何形状和非线性功能梯度的可能性，结果应该谨慎解释。

有趣的是，小脑的前后生长趋势反映了先前报道的在大脑中发现的小脑功能梯度和成熟模式。在大脑皮层中，在髓鞘形成和灰质成熟中，可以观察到与高阶认知区域相似的感觉运动早期成熟模式，这表明与小脑和大脑的生长轨迹直接相关。考虑到Guell和同事所描述的两个主要功能梯度，我们报道的生长梯度可能不仅反映了运动和非运动参与，也可能与认知负荷有关。第一个梯度从运动区域延伸到非运动区域，而第二个梯度从涉及任务集中的区域延伸到任务非集中处理。尽管体积梯度模式似乎更分散（图5B），但不同的模式（体积、GMD、WMD）的生长梯度最好适合梯度2（图5B）。这意味着参与任务非集中认知加工的区域的成熟较早，如运动功能和默认模式网络，以及可能共同参与工作记忆加工和额顶网络的区域的成熟晚或延长。在大脑中，额顶叶网络被称为后期成熟，例如，感觉运动网络。然而，最近有报道称，年龄依赖的成熟模式平行于第一个，而不是第二个功能性小脑梯度，在一个非常相似的年龄队列中，默认网络达到最后的成熟。对这一结果的另一种解释可能与默认模式和额顶叶网络之间的相互作用有关。默认模式网络被提出作为一种代偿支架来支持不成熟的儿童和年轻人的执行功能。重要的是，虽然Guell和同事提出了类似梯度2的生长模式的建议，但目前研究中使用小大脑工具箱对梯度的描述是不确定的，主要是由于解剖分割的模式不同。小脑功能网络的年龄相关变化问题仍有待密切研究，并可以在未来的研究中使用大规模的、纵向的功能神经成像数据进行探索。再加上髓鞘形成和灰质密度的相似成熟模式，这些发现为小脑和大脑之间的发育相互作用提供了额外的支持。

事实上，小脑被认为是大脑结构和功能发育的关键节点。因此，Wang和他的同事最近创造了发育分裂的术语，这表明小脑可能对皮质成熟有直接影响。这也与早期发现的围产期小脑损伤后遥远但相连的大脑区体积减少相一致，以及小脑肿瘤导致对高级认知和运动功能的显著下游影响，而其他结构不能很好地补偿。需要进一步的工作，特别是体内人体研究，以更全面地了解小脑对皮层发育的影响。

近年来，越来越多的关于小脑在高级认知功能、神经发育障碍和自闭症谱系障碍（ASD）中的作用的文献已经出现。小脑异常是ASD患者中最常见的报道之一。来自小鼠模型的有趣报告显示，靶向激活右Crus I和后蚓部能够通过调节内侧前额叶皮层的活动来挽救TSC1突变小鼠的自闭症行为。在人类研究中已经报道了第一小腿和后蚓部的体积变化以及小脑总大小的偏差。然而，最近，在使用基于较小的对照样本（n=219）的小脑生长规范模型时，没有报道自闭症患者的小脑解剖结构存在差异。因此，研究在大的、以人群为基础的队列中，可能属于自闭症谱系的儿童的小脑偏差，可以成为说明当前规范模型的效用的一个主要例子。

在这里，我们展示了利手性对9-10岁儿童静息态功能连接的可重复性影响，但没有结构连接指标或形态测量的差异，并提供了一个简单的利手性神经生物学指数，显示与儿童的利手性得分有很强的相关性。大脑半球间的运动连接平衡的改变突出了左利手和右利手不同的神经组织。此外，观察到的手部运动区和视觉和初级运动区之间的对比连接模式强调了不同利手性个体的大脑区域之间复杂的相互作用。我们的研究结果还表明，手部运动皮层的功能连接性差异在儿童时期已经强烈地表达出来。

根据之前的研究，我们发现患有自闭症特征的儿童的小脑体积更小。在解剖分割中，在不同的区域可以看到较小的体积，特别是小脑前、后上的蚓和小叶部分（图6A）。这证实了后顶区和小叶区发育不全的发现，这在临床样本中有一致的报道。虽然功能分割也显示了几乎所有ROI中较小的体积，在MDTB成分1)左手按压和6)分散注意力（右），MDTB成分7)叙述和8) Word理解似乎没有遵循相同的趋势（图6B）。鉴于MDTB组件7和8与小脑默认模式区域的重叠，一个网络发现最中断的自闭症患者，这可能与先前报道的异质性默认模式网络连接儿童自闭症谱。根据之前的研究，我们发现患有自闭症特征的儿童的小脑体积更小。在解剖分割中，在不同的区域可以看到较小的体积，特别是小脑前、后上的蚓和小叶部分（图6A）。这证实了后顶区和小叶区发育不全的发现，这在临床样本中有一致的报道。虽然功能分割也显示了几乎所有ROI中较小的体积，在MDTB成分1)左手按压和6)分散注意力（右），MDTB成分7)叙述和8) Word理解似乎没有遵循相同的趋势（图6B）。

虽然我们选择用自闭症特征的例子来说明小脑偏差，但需要注意的是，小脑在无数的临床亚群中发挥着有影响的作用，这种方法将特别有洞察力。小脑连接体的概念后，一个框架提出偏差在小脑和小脑-皮质连接有直接影响神经发育障碍的发病和严重程度，目前的方法有潜力不仅可以推进我们对疾病病因的理解，但也可能发现新的治疗干预。

先前对儿童和青少年时期小脑典型体积发育的研究，虽然采用了较小的样本量和不太详细的解剖分割，但也显示了类似的生长模式。髓体和后叶上叶增加最明显，而前叶和顶区表现为停滞或下降。在目前的研究中，对比解剖图和功能图表明，使用两者都是有价值的，而且在某些应用中，它们可能是互补的。解剖图提供了一种明确的描绘小脑的方法，从而提供了成功量化大脑形态的分割，并汇集了过去不同人群的数据。但是，由于大脑的功能活动很少与宏观解剖学相一致，未来使用功能分割的研究可能能够揭示临床亚组的行为预测因素，否则将仅使用解剖图谱来隐藏。

因此，这两种分割模型和所有描述的ROI的规范模型都可以在github上免费获得。作为新的未知站点的信息先验这不仅允许在较小的数据集中进行更好的预测，而且还使未来的研究能够模拟不受站点效应影响的个体差异，并发现与规范模型的临床显著偏差。为了将知识从当前的模型转移到一个新的队列，需要一个大约25个样本的适应集。队列的其余部分可以在单个受试者的基础上进行解释，并与参考模型进行比较，而不需要使用额外的对照组。关于在未来的研究中如何实现规范模型的详细说明可以在在线（https://pcntoolkit.readthedocs.io/en/latest/）上找到，Gaiser，Berthet和他的同事也描述了它。此外，最近提出了一种使用规范建模来定量评估纵向设计中受试者内部变化的方法，这为个体水平的数据提供了很大的效用，因为它允许估计个体参与者或患者是否遵循他们的预期百分位数。PCN门户网站（https://pcnportal.dccn.nl/）也可以找到当前的模型，它进一步提供了以一种简单和可访问的方式在新数据集中获得主题级统计数据的可能性，而不需要任何技术背景知识或计算能力。需要更大的努力来识别小脑在典型和非典型神经发育中的作用，目前的规范模型可以作为一个非常有用的工具。

该研究是一个来自荷兰的全人群队列，因此目前的规范模型可能不能理想地适用于其他人群。来自西方、受过教育、工业化、富裕和民主社会的参与者在研究样本中的比例往往过高，特别是在小型研究中。然而，重要的是，该研究是一个以人群为基础的多种族队列，在目前的研究样本中，29.8%的参与者来自非欧洲背景。此外，当前样本中的智商得分的分布与总体分布密切相关。虽然发现规范模型在n > 3,000，值得注意的是，当前的模型可以在PCNtoolkit框架内轻松地进行更新。这也可以包括在我们的年龄范围之外、来自不同背景、或来自临床队列的新数据点。因此，随着更多信息的获得可用，小脑规范模型可以得到扩展和细化，而新的、可能更小的队列可以从基于我们的模型的知情先验中获益。通过这种方式，目前的模型和我们关于可能属于自闭症谱系的儿童的偏差的结果可以在未来的外部（临床）队列中得到验证。

另一个潜在的限制与MRI数据的处理方式有关，即使用成人模板空间和成人图谱。这是人类神经成像中一个反复出现的主题，但尚未完全解决。重要的是，MAGeTBrain框架可能能够通过使用研究特异性模板传播，改进个体形态差异的建模，可能存在于成人群体中。此外，我们的扫描结果是在3 T MRI扫描仪上获得的，体素分辨率为1 mm3。虽然这种标准设置能够可靠地识别小脑小叶7，但需要更高的分辨率来更准确地分割小脑蚓部区域，以及小脑皮质层的薄而紧密折叠的白质和灰质。最后，本研究中使用的功能分割是来自成人的高质量、广泛的功能MRI评估的组平均分割。功能边界可能在一定程度上不同，也可能随着年龄的变化而变化。因此，未来的研究应着眼于在一组儿童和青少年中重复任务组，以量化功能分割中是否存在神经发育差异。总之，我们提出了儿童和青少年时期的小脑生长模型，这是大脑发育的一个重要时期，基于一个大的、前瞻性的人群队列。我们发现一个前后生长梯度反映了与年龄相关的潜在行为和功能的改善。前/感觉运动-后/认知生长梯度类似于最近提出的与认知负荷相关的功能梯度，并遵循大脑成熟模式，从而为直接相关的小脑-皮质发育轨迹提供了证据。近年来，小脑作为基本认知和情绪功能以及大脑发育的关键节点，已受到越来越多的关注。因此，目前公开可获取的生长模型对于揭示小脑偏差和理解它们在神经病理学中的意义具有重要价值。

5. 方法

5.1 被试

这是一项基于人群的前瞻性队列研究，从胎儿开始，在2002年至2006年期间，居住在荷兰鹿特丹的9,778名孕妇参与了这项研究。在几个时间点收集了来自儿童和照顾者的数据。总共在三个时间点获得了5185个独特个体的MRI数据。在第一次评估期间，有1070名参与者（平均年龄为7.9岁）。第二次评估期间，有3992名参与者（平均年龄为10.2岁）。在第三次评估期间，3725名参与者（平均年龄为 14.0岁）。排除参与者不完整的T1加权扫描（n = 1214），扫描没有完整的同意书（n = 122），和扫描低图像质量评级（n = 454），共有7270扫描从4862人（2392男性，2470女性）可用于统计分析。仅基于技术或伦理考虑，不排除扫描，而不基于（即已存在的条件）的临床表型，以捕获一般人群的异质性。在第一次测量评估中，分析的参与者平均年龄为7.9岁（范围为 [6.1-10.7]，n = 974, 510男性，464女性），第二次评估平均年龄10.1岁（范围为[8.6-12.0]，n=3785, 1879男性，1906女性），第三次评估平均年龄14.0岁（范围为 [12.6−17.1]，n=2511, 1202名男性，1309名女性）。2734名（56.2%）个体被测量了一次，1848名（38.0%）个体被测量了两次，并从280名（5.8%）个体中获得了所有三次测量评估的扫描。大约一半的样本是女性（50,6%），29.8%是非欧洲血统，纳入参与者的智商得分与人口分布密切相关。该研究获得了父母双方的书面知情同意和所有参与者的同意，并得到了伊拉斯谟医学中心的医学伦理委员会的批准。参与者没有得到金钱补偿，但他们的旅行费用得到了补偿。此外，为了感谢他们的参与，他们收到了价值10€或更少的小礼物，如酒瓶、袋子、电源库或类似的物品。

鉴于该研究的前瞻性、纵向性质，了解随访损失的影响是很重要的。因此，我们通过研究当前分析中纳入和排除的参与者在以下描述特征方面的可能差异：性别、父母国籍（荷兰，非荷兰但欧洲，非欧洲；从出生记录中获得），家庭月净收入（低=<1200€，中=1200€−3200€，高=>3200€；通过问卷获得）、母亲教育（是否接受高等教育；通过问卷获得）、智商和行为问题。非语言智商得分，在第一次测量访问（平均年龄为7.9）中采用非语言智商测试和类别。在第二次测量访问中（平均年龄为10.1），使用儿童行为检查表（CBCL）测量行为问题。我们根据母亲的报告对行为问题进行了二分法（得分超过80百分位：存在行为问题；低于80百分位：行为问题不存在）。数据集中的参与者更有可能是女性（χ2 = 8.38，p = 0.004），荷兰国籍（χ2 = 181.10，p < 0.001），有更高的母亲教育（χ2 = 27.10，p < 0.001），有中等或较高的家庭收入（χ2 = 15.48，p < 0.001），较低的智商低于85（χ2 = 63.21，p < 0.001）。通过CBCL测量的行为问题在被排除的参与者和被纳入的参与者之间没有差异（加权的问题总得分；χ2 = 2.41，p = 0.120）。

5.2 神经影像学采集

扫描结果使用两种不同的MRI扫描仪进行。在第一次测量访问中，数据在GE MR750发现系统上收集，所有后续评估的数据在研究专门的GE MR750w系统上收集。高分辨率T1加权MRI扫描获得使用反转恢复快速破坏梯度召回序列（IR-FSPGR）使用以下参数：Visit 1：TR = 10.3 ms，TE = 4.2 ms，TI = 350 ms，翻转角度=16°，采集时间为5 min 40s，视场= 230.4×230.4 mm，0.9×0.9×0.9 mm3各向同性分辨率。Visit 2和3：TR = 8.77 ms，TE = 3.4 ms，TI = 600 ms，翻转角度=10°，采集时间为5 min 20 s，视场= 220×220 mm，1x1x1 mm3各向同性分辨率。

5.3 图像预处理

第一次测量访问的图像被重新采样到1 mm各向同性分辨率，以匹配第二次和第三次评估的数据。然后使用SMRIPrep工具对图像进行预处理。简单地说，非脑组织被移除，体素强度调整为B1不均匀性，然后使用ANTs（github：hhttps://github.com/ANTsX/ANTs.git）将图像线性和最终非线性地注册到标准立体定向空间（MNI152NLin1009cAsym 1x1x1mm分辨率）。组织分割程序（FSL FAST：https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/FAST）不仅导致了体素的二进制分类，而且还导致了每体素的组织类别概率估计。这些概率估计可以解释为一个给定的体素是灰质、白质或脑脊液的可能性。此外，非线性配准产生了一个非线性扭曲文件（包括线性初始化），从中我们计算了每个体素的雅可比矩阵的行列式。这个决定因素被用作测量该体素相对于其在标准立体定向空间中的体积。

5.4 规范模型

使用PCNtoolkit python包生成小脑解剖和功能亚区域的规范模型。我们模拟了年龄对感兴趣的小脑特征（体积、GMD、WMD）的影响，同时修正了性别和扫描仪的批处理效应。对于解剖和功能分割，我们使用性别和扫描仪位置变量将数据集分成训练集（50%）和测试集（50%），以确保性别和两种扫描仪在两组中的平等分布。所有先前描述的小脑ROI的规范模型均成功生成。我们采用了SHASHb来适应非高斯分布，并对批效应（性别和扫描仪）的截距、斜率和方差（sigma）建模随机效应。使用马尔可夫链蒙特卡罗方法进行推理。模型输出包括参数的后验分布和偏离测试集中每个个体的规范范围（z分数）。

5.5 图像质量控制

为了保证分割质量，解剖分割由两位专家评分者目测。定制的MATLAB应用程序被用来检查PNG文件的所有切片扫描，和分割质量评为3分（好，足够，或坏）基于不准确的分割，完整的小脑，和运动或其他工件。被评为不良的扫描（即没有完全覆盖小脑的病例、有大量伪影的扫描和/或分割中明显不准确的扫描）随后被排除在进一步分析之外。两名评分者都检查了600次扫描的一个子集，以评估评估者之间的可靠性（IRR）。在对所有可用扫描结果的目视检查后，454张（5.2%）因质量评级较低而被排除在外，593人被评为不合格（6.7%），7740人被评为良好（88.1%）。两名评分者之间的IRR在评分者之间的可用性（可用或不可用）上有很强的一致性（Cohen‘s d = 0.83，CI = [0.72–0.94]）。

5.6 解剖分割

MAGeTBrain框架使用了一种自动标记算法，该算法基于健康参与者中手动分割的MR图像。非线性配准用于将五个人工分割的图像与一系列特定于个别研究的“模板”图像对齐。七个独特的和代表性图像从三个研究时间点选择，通过(a)排除扫描种植牙，(b)预选前20个扫描质量最高的评级基于自动Freesurfer质控，和(c)彻底检查前20个扫描每个时间点伪影，不均匀性，全覆盖的小脑和（小脑）囊肿。在此基础上，每个时间点选择7张质量评分最高的扫描图，得到21张与研究特定的模板图像。然后将5个手工分割的图谱应用于21个研究特异性模板，得到105个小脑图谱模板分割。这允许将手动分割的地图集传播到每个模板图像中。接下来，将数据集中的每个个体扫描非线性注册到105个小脑模板分割中，导致每个输入图像的105个分割，并使模板图集标签传播到每个个体参与者空间。在最后一步中，对于每个单独的输入图像，然后使用体素水平的多数投票来融合105个共同注册的图集模板标签，以创建一个最终的分割。MAGeT算法将小脑细分为11个小叶和22个半球小叶（每个半球11个）。此外，中央白质，即髓质体，在每个半球都被分割。延伸到小叶的叶的白质被分割成小叶的一部分。这35个解剖分块的体积由MAGeT管道以mm3为单位生成。这种计算密集的方法已被证明比其他分割技术具有更好的重测试可靠性，并通过创建一个可定制的模板分割库来获得较高的分割精度，从而能够利用队列中现有的形态差异。

5.7 功能分割

我们使用MDTB图谱的MNI对齐版本，在MNI空间中对小脑的功能亚区域进行了分割。MNI对齐的地图集是在SUIT空间对齐的地图集上选择的，因为它允许使用当前的模型，而无需添加额外的处理步骤，将图像转换为SUIT空间。此外，虽然与以前的线性MNI模板相比，对SUIT空间的归一化已被证明可以改善个体间小脑区域的重叠，但与MNI152NLin（此后发表的非线性MNI模板）的对齐已经大大改善了MNI的归一化。平均灰质密度（GMD）和白质密度（WMD）（值接近1表示该体素中的高概率）和体积（定义为雅可比决定式的总和）提取10个功能分割的每一个（见方法：图像预处理）。

5.8 使用社会反应性评分（SRS）对模型进行临床验证

根据社会反应性量表（SRS），我们调查了那些可能属于自闭症谱系的儿童中是否存在小脑生长的偏差。在8岁68岁时通过问卷调查使用缩短的18项SRS。对于每个ROI，分别比较可能属于自闭症谱系的儿童的z分数（SRS>=第90百分位的原始分数）和队列的其余部分（没有排除SRS信息的儿童）的z分数。如果数据的规范估计值大于1.96或小于−1.96（即分布的上下尾，95%置信区间的临界值），我们将数据定义为在规范模型中存在较大的偏差。由于不同样本量的典型和高SRS儿童，因此不同的预期比例在零假设，意义的比例大偏差p = 0.05水平评估使用二项测试（观察与预期数量的参与者z > 1.96/z <−1.96高SRS和典型儿童，给定一个零假设概率p = 0.025，单尾）。至关重要的是，考虑到自闭症的异质性大脑形态，目前的方法并不依赖于群体水平的推断。通过说明极端偏差的百分比我们可以1)验证，如预期的代表性参考模型，大约2.5%的典型发展中儿童落在尾部的规范分布，和2)显示儿童患自闭症的风险偏离，即使个人模式可能显示相当大的变化。此外，我们还使用线性回归检验了SRS评分作为一个连续变量对偏差评分的影响。

5.9 功能分割中的规范模型偏差与智商之间的关系

在临床验证之外，我们在补充分析中使用同样的方法来说明智商如何与功能分割中的小脑偏差相关，其中包含运动和认知亚区域。结果根据从Snijders-Oomen非语言智力测试（SON-IQ）中获得的智商分数进行分层：低智商（<70；n = 40）和高智商（>130；n = 64）。我们再次将数据定义为规范模型的大偏差，如果它们的规范估计值大于1.96或小于−1.96（即分布的上下尾、关键z95%置信区间）和p = 0.05和p = 0.01水平的儿童大偏差的重要性采用二项式检验（参见方法：使用社会反应性评分（SRS）的模型临床验证）。我们发现，低智商儿童的体积较低的整体影响，以及后认知亚区GMD和WMD存在较大的正负偏差。

参考文献:Population-wide cerebellar growth models of children and adolescents.