目录
一、摘要
语言和心智理论 (Theory of mind, ToM) 是能够成功解释和表达意义的认知能力。虽然功能磁共振(fMRI)研究能够将语言和ToM定位到一致的特定皮质区域，但扩散磁共振(dMRI)研究指出了一组与这两个认知域相关的不一致的白质纤维束。为了进一步检查这些白质束，我们使用双张量纤维追踪(two-tensor tractography) 研究来自HCP的809名参与者的白质微观结构。利用神经解剖学家提出的白质图谱，对 20 个关联白质束（每个半球 10 个）进行识别。测量每个白质束的分数各向异性 (FA)、平均扩散率 (MD) 和流线数量 (NoS)。语义记忆（NIH工具箱图片词汇测试：TPVT）和情感感知（宾夕法尼亚情感识别测试：PERT）的神经心理学评估表现分别用于测量语言和ToM网络的关键子成分(subcomponents)。构建回归模型以检查左右脑白质纤维束的结构测量如何影响这两个评估中的表现。我们发现语义记忆(semantic memory)受左侧上纵束III (SLF-III) 纤维流线数量的影响，情感知觉(emotion perception) 表现受右侧SLF-III纤维流线数量的影响。此外，我们发现语义记忆和情感感知的表现都受到左弓状束 (AF) FA的影响。结果指出了与语言和ToM相关的多个重叠的白质束，并基于半球优势 (hemisphere dominance)和与先前研究的一致性来讨论。
二、介绍
每个大脑半球内的长程 (long-range) 白质纤维支持的关联皮层扩张已被认为产生高级认知，使我们能够处理周围环境的复杂性。位于关联皮层内的是两种认知能力，即语言和心智理论 (ToM)，它们通过理解他人的话语、信念和情绪状态来促进成功的沟通。扩散磁共振成像 (dMRI)通过测量大脑中水分子的随机扩散来估计细胞微观结构，可无创反映白质连接（即纤维束）。定量的 dMRI 测量也可用于研究白质纤维束的微观结构与语言和 ToM 功能之间的关系。
不像能够定位和区分皮层中的语言和 ToM 网络的静息态或任务态的功能磁共振成像 (fMRI)那样，dMRI揭示了许多相互冲突的白质纤维束与这些功能有关。例如，右下额枕束(IFOF)与健康对照组语言评估表现的改善有关，而对神经胶质瘤患者的研究为左IFOF在语言处理中发挥了作用。同样，关于右钩束 (UF) 测量与面部情绪处理之间也存在相互矛盾的发现。讨论白质束及其与语言或ToM关系的综述表明，结果的可变性可能与疾病的影响，样本量的局限性以及dMRI方法和基于图谱的选择有关。虽然语言和ToM都是实现成功沟通的社交工具，但大多数现有的dMRI研究都将研究重点放在语言网络或ToM网络的子成分上。先前没多少有白质通路研究同时检查了语言和 ToM 功能。此类调查的结果表明，相同的纤维束（例如弓状束AF）可能同时支持语言和ToM网络。最后，我们注意到最近的病变分析研究(lesion analysis studies) 和认知刺激映射结果(cognitive stimulation mapping results) 也指出，参与支持这些功能的皮质区域和其他白质束比反映在经典模型(即：通过弓状束AF将 Wernicke 与Broca区域连接起来的语言模型，和包括右颞顶交界处作为关键枢纽的ToM模型 ）的分布更广泛。
为了解决局限性并扩展先前研究的结果，本研究调查了来自人类连接组项目 (HCP) 的 20 个健康大脑的大型数据集中的 809 个被试的白质纤维束，使用机器学习方法一致地从单个受试者中提取白质束。本研究研究的长程半球内白质束连接包括左右弓束(AF)，扣带束(CB)，极囊(EmC)，下纵束(ILF)，下额枕束(IFOF)，中纵束(MdLF)，上纵束I，II，III(SLF-I，SLF-II，SLF-III)和Uncinate fascicul(UF)。为了进一步了解语言和ToM在大脑中的组织方式，我们研究了NIH工具箱图片词汇测试TPVT和宾夕法尼亚大学情绪识别测试PERT如何受到两个半球的白质连接微观结构影响。据我们所知，这是第一个使用这种大小的数据集来研究白质束的微观结构如何与认知和社会情感功能相关的研究。此外，我们相信这是第一个在同一研究中使用通用方法和健康的成年参与者研究语言和ToM子成分背后的白质束。
本文的以下部分描述了人类连接组项目(HCP)数据集，使用机器学习识别白质关联束，以及对执行的多元线性回归统计分析的步骤。我们发现左右半球多个白质束的微观结构显着影响TPVT和PERT的表现。我们的结果表明，多个白质通路支持分布式语言和ToM网络。最后，我们最后讨论了结果的半球优势以及与先前研究的一致性。
三、方法
图1描述了检验行为与白质纤维束的微观结构测量之间关系的总体方法。我们专注于HCP数据集中包含的两种类型的大脑数据，即dMRI数据和神经心理学数据。从dMRI数据中，我们为每个参与者生成全脑纤维，并使用神经解剖学图谱确定了每个人独特的白质纤维束。然后，我们测量了每个纤维束的微观结构测量。创建了线性回归统计模型，以微结构测量作为独立变量，神经心理行为测量（TPVT和PERT）作为因变量。最后，对每个行为指标产生重大影响的白质束的微观结构进行可视化。本节的以下段落更详细地描述了每个步骤。
图1：方法总体示意图。首先，从HCP获得了dMRI数据和神经心理评估分数（TPVT和PERT）。全脑纤维图是使用809名参与者的dMRI数据计算的。接下来，使用全脑纤维确定了图谱中包含的每个关联通路。从确定的路径中，计算了三种微观结构测量（各向异性分数FA、平均扩散率MD和流线数量NoS）。然后，这些微结构测量作为线性回归模型的自变量，TPVT或PERT作为因变量。使用FDR方法对线性模型进行了多重比较校正。最后，对显著影响神经心理行为的白质束及其微观测量进行了可视化。
3.1 数据集
这项研究利用了来自HCP的dMRI数据和神经心理学评估数据，HCP是一个由1206名健康年轻人组成的大型多模态数据集。为1065名参与者收集了dMRI数据。对家族遗传、数据缺少等情况进行了筛选，最终研究数据集包括809名参与者（382名男性和427名女性）。年龄从22岁到36岁，平均28.6岁。710名参与者表现出右撇子偏好。
两个神经心理评估中，TPVT是单字语义记忆的衡量标准，PERT是面部情感感知的衡量标准。虽然TPVT和PERT直接测量是非常狭隘的认知子成分，但有证据表明，这些子成分与语言和心智理论 (ToM) 的一般分布的大脑网络有关。
简要总结TPVT的评估：参与者听到一个字，并在屏幕上看到四张图片。使用计算机自适应测试，指示参与者点击所呈现单词含义的图片。较高的TPVT分数反映了更好的词汇能力，而较低的分数反映了较差的表现。研究人群中未经调整的TPVT平均得分为117.12分（图2左）。
简要总结PERT评估：参与者查看40张不同的面孔，这些面孔在性别、年龄、种族和情感类别之间进行了平衡。参与者被要求识别该面部表情的情绪。参与者从五种可能的情感表达方式中进行选择——愤怒、恐惧、快乐、悲伤和中立。PERT分数是根据最高分数40分中的正确回答数计算的。研究人群中的PERT分数表现出轻微的左倾斜(left skew)，13名参与者的最高可能得分为40分，平均得分为35.59分（图2右）。
图2：TPVT和PERT的直方图。左：TPVT分数的直方图，最小分数= 90.69，最高分数= 153.09，分数平均值= 117.12。右：PERT分数的直方图，最低分数= 24，最高分数= 40，平均分数= 35.59。
3.2 图谱、识别白质纤维束和提取扩散指标
调查的dMRI数据来自HCP最小预处理的数据集。HCP dMRI数据使用三个shell (b = 1000，2000和3000s/mm2)，TE/TR = 89.5/5520 ms，以及等效体素尺寸为1.25 mm3。对于每个受试者，提取了90个梯度方向的b = 3000 s/mm2 shell和所有b = 0扫描。鉴于我们的大样本量，选择这个单一shell是为了减少计算时间和内存使用，同时为纤维追踪提供最高的角分辨率。
通过将双张量无迹卡尔曼滤波器 (two- tensor unscented Kalmann Filter, UKF) 方法应用于每个受试者的预处理dMRI数据，使用ukftractography包（https://github.com/pnlbwh/ukftractography）计算了全脑图谱。这一步为每个被试产生了平均约70万条streamlines。选择了一个双张量模型来构建在复杂的白质关联区中发现的交叉纤维。在这种方法中，第一个张量与正在追踪的纤维轨迹相关联，而第二个张量捕获穿过该轨迹的纤维。UKF tractography在年龄、健康状况和图像采集方面高度一致，并促成了许多对微观结构的研究。使用white matter analysis (WMA) 软件包（https://github.com/SlicerDMRI/whitematteranalysis）中的质量控制工具对图进行视觉和定量质量控制。
对于每个被试，我们使用强大的机器学习方法确定了白质关联束，该方法已被证明可以在整个人类生命周期、包括脑肿瘤在内的健康状况以及不同图像采集中一致地识别白质束。此外，该方法具有很高的测试可重复性，并已用于最近的多项研究。这种方法在WMA软件包中实现，该软件包使用成熟的纤维聚类流程与解剖白质纤维束图集相结合。这个由神经解剖学家创造的白质图谱是使用来自100名HCP参与者的单独子集的图谱数据训练的。该图谱包含58个独特的白质束，包括连接半球内皮质区域的20个白质关联束。我们应用了WMA软件包，将每个参与者的整个大脑图划分为与图谱相对应的单独图集。为了实现这一目标，首先进行了基于图谱的配准，以将受试者的数据与图谱空间对齐。然后，纤维谱图 (fibre spectral embedding) 用于计算被试和图谱之间纤维的相似性，然后将被试的每个纤维分配给相应的图谱。这为每个受试者总共产生了58个已确定的白质束，包括正在研究的20个白质关联束。
调查了图谱中的所有长程同侧关联白质束。这组纤维束包括左右弓形束 (AF)、扣带束 (CB)、极囊 (EmC)、下纵束 (ILF)、下额枕束 (IFOF)、中纵束 (MdLF)、上纵束I、II和III (SLF-I、SLF-II、SLF-III)和钩束 (UF)。选择长程关联束进行这项调查是因为它们与行为的关系有据可查，以及它们在我们的图谱中完整映射。图3提供了这20个白质束的横向视图。证据表明，属于左右半球的每个白质关联束都可能参与语言或ToM的子成分。因此，为了不排除任何对语言和ToM子成分评估的微观结构可能的影响，对两个半球所有的长程关联区进行了调查。
对于每个被试的白质纤维束，计算了三个白质束指标：各向异性分数FA, 平均扩散率MD, 流线数量NoS。FA指标描述张量与球体有多类似，以量化水分子的扩散各向异性。细长的张量FA值为1，而球面张量的FA值为0。MD表征了水分子扩散的平均程度。NoS通常用于检测结构连接的差异。请注意，NoS有时被称为“纤维数量”。然而，“纤维”一词不是指轴突投影的数量，而是指重建出的流线的数量。此外，我们注意到这些指标都对各种不同组织的敏感特性不同，包括髓鞘化、轴突密度、细胞膜等。从这个意义上说，每个测量都反映了纤维微观结构的多个方面，而不是特定的微观解剖性质。
图3：20个白质关联区/纤维束的展示。纤维束位于HCP组平均的T1矢状切片上。顶部：10个左半球和10个右半球的横向视图。底部：每个单独的左半球白质通路。可视化的图谱不属于单个大脑，但可以反映图谱中100个受试者中发现的解剖结构和变异性。不同的颜色表示不同的白质关联区。
3.3 统计分析和白质纤维束的可视化
所有统计模型都是使用R语言处理计算的。使用多重线性回归来检查大脑通路指标对TPVT和PERT评估分数的影响。对于三种测量中的每一种（即FA、MD和NoS），共创建了20个模型。这些模型中有一半以PERT为因变量，另一半以TPVT为因变量。对于每次评估，为10个双边白质束中的每个纤维束创建了10个模型，因此每个回归模型都有左右两个纤维束的指标作为独立变量。根据之前的一项研究，每个模型中都包括了左侧和右侧纤维束，以解释它们跨半球的对称结构。年龄和性别被列为协变量，因为以前的研究已经证明了它们与白质结构的关联。对于调查的三个测量中的每一项，我们都进行了多重比较。计算FDR与每个模型自变量相关的P值。使用R中的“lm.beta”包计算了每个独立变量的标准化beta系数。效果图是使用R中的“effects”包创建的。所有大脑可视化都是在3D Slicer中创建的，这是一个医学图像信息学平台（www.slicer.org），包括SlicerDMRI (一个映射白质连接的模块, http://dmri.slicer.org)。可视化中描述了其测量显著影响PERT或TPVT性能的白质区域。此外，为了帮助理解与所涉及的皮质区域相关通路的结果，我们将白质路径图谱与提供Freesurfer大脑皮质的标准MNI空间对齐（https://identifiers.org/neurovault.image：23262）。然后，对于正在研究的每个白质通路，我们提供皮层表面热图的可视化，其中的数值表示最接近每个表面点的流线端点数量。
四、结果
表 1 总结了计算多元回归分析的结果。每个模型都以TPVT或PERT作为因变量进行计算。每个模型中包含的自变量是左右脑白质束的微观结构测量，年龄和性别作为协变量。表1中包括了在多重比较校正后显著影响行为的纤维测量的模型。对于每个模型，我们展现整体 R2和 F 值。对于每个模型的自变量，我们提供了 p 值、标准化 beta 系数和 t 值。显著的自变量用星号表示（∗∗∗代表 p < 0.001, ∗∗ 代表 p < 0.01, ∗ 代表 p < 0.05)。
图4 可视化了表1中带星号的白质束，描绘了具对TPVT和PER微观结构有显著影响的纤维束。左列描绘了影响 TPVT 的微观结构区域，右列描绘了影响 PERT 的微观结构区域。顶部和底部的每一行显示不同的微观结构束测量值（即NoS，FA和MD）。在顶部，白质纤维束颜色根据 p 值变化：浅黄色区域具有显著影响 TPVT 或 PERT 性能的微观结构，p 值最低，而橙色和红色区域具有最高的 p 值。在底图中，显著影响这两个行为评估的白质束根据标准化 β 系数着色：浅色束具有影响最大的微观结构，而深色束具有对这些评估影响最小的微观结构。
我们更仔细地研究了SLF-III，因为左侧SLF-III的微观结构影响了TPVT的表现，而右侧SLF-III的微观结构影响了PERT的表现。相反，左AF的微观结构会影响TPVT和PERT的性能。图5描绘了当其他自变量（即相对半球束、年龄和性别）保持固定时，可视化纤维微观结构测量的部分斜率的效应图。
图 5.SLF-III 和 AF 效应图。途中描述了左半球和右半球SLF-III的NoS（左）和AF的FA（右）对TPVT和PERT表现的影响。阴影区域表示根据回归模型计算的拟合值的置信区间（深灰色：TPVT，浅灰色：PERT）。每个图底部的刻度线可视化了 FA 值和 NoS 的分布。N.S.：不显著。
为了帮助可视化AF和SLF-III如何与更广泛的语言和ToM网络相关，图6描述了这些纤维束连接的皮质区域。弓状束AF广泛地将颞叶区域（包括上、中和下颞叶皮质）与额叶区域（包括尾中额caudal middle frontal、前中额rostral middle frontal、岛盖部pars opercularis 和中央前皮质precentral cortices）连接起来。SLF-III在顶叶区域（包括顶叶上和顶叶下皮质）和前额叶区域（包括顶叶部）之间形成主要连接。
图 6.AF和SLF-III相对于它们连接的皮质区域。第一行从左右侧视图描绘了叠加在组平均T2w图像的矢状面上白质束的图谱（黄色）。第二行描绘了纤维束终止点的皮质表面热图;深红色区域表示终止点的密度较高，而浅黄色区域表示终止点的密度较低。为了便于解释，第三行描绘了根据freesurfer配色方案着色的皮质区域。
五、讨论
本研究使用大脑双侧半球关联白质纤维束的dMRI来研究纤维束微观结构与语言和心智理论（ToM）子成分之间的关系。在健康受试者的大量样本中，我们发现多个dMRI纤维束测量显著影响语言和ToM子成分（即语义记忆和情感感知）评估的表现。这些结果证明了白质结构与认知功能之间的显著关系，这项工作支持了多个白质纤维束对语言和ToM网络产生影响的概念。
尽管意义重大，但结果表明，所研究的结构测量对健康成年人的认知功能影响微弱，因为认知评估中只有不到10%的变异性可以用任何一个模型来解释（表1 中R2的值小于 0.1）。这与最近的一系列使用神经影像学测量来检查HCP数据集中的行为的工作一致。例如，最近的一项研究使用全新的全脑高分辨率结构连接图来预测整体“认知”分数，该分数是使用HCP的109项行为评估得出的。由此产生的解释方差远低于 0.1。总体而言，使用神经图像和连接组信息预测表型数据（例如神经心理学行为测量）是一项公开的挑战，使用新的机器学习方法以提高预测准确性也正在探索。
5.1. 反对半球优势
我们的语言和ToM结果中与半球优势有关。fMRI证据表明语言偏向左半球和ToM偏向右半球。从这个意义上说，我们希望在dMRI研究中发现关于它们的半球优势的类似结果。然而，现有的健康受试者的dMRI研究提供了相互矛盾的结果。例如，在语言相关评估方面的更好表现与非优势半球的白质束有关。同样，在与ToM相关的评估中，更好的表现与两个半球的白质束有关。这些结果被解释为征用额外的半球，旨在使语言和ToM评估方面表现更好。然而，这些结果与不同患者群体的白质束调查中的证据相反。在对患者群体的调查中，语言缺陷与左半球白质异常有关。ToM缺陷被发现是由右半球白质异常引起的。本研究的结果为语言网络通常定位于左半球，而ToM位于右半球的理解提供了支持。如图4所示，影响语义记忆表现的微观结构的白质束大多数位于左半球，而影响情绪感知的微观结构的大多数白质束位于右半球。此外，我们的结果表明，语言和ToM的这些子成分都没有完全偏侧化到一个半球。我们发现左AF的微观结构影响情绪感知表现，右MdLF和右UF的微观结构影响语义记忆性能。这一发现与先前的调查一致，这些研究发现语言和ToM网络是相反的偏侧化的，但在神经典型 (neurotypical) 个体中分布在两个半球。然而，我们已经纳入了偏爱左撇子和混合撇子的参与者。已知与右撇子人群相比，该人群具有更高的非典型功能偏侧性，这可能影响了我们的发现。
虽然这里研究的许多白质束在语言和ToM方面进行了大量研究（例如，AF，SLF-III，SLF-II，IOFF，UF，ILF），我们将简要讨论一些研究较少的白质纤维束，包括MdLF和EmC。MdLF和EmC是两个平行的白质束，最近才使用dMRI探测和描绘出来。研究已经将MdLF和EmC与语言的各个方面联系起来。更具体地说，MdLF与语义缺陷有关，并且发现EmC在语言学习中发挥作用。我们的结果支持先前的工作，表明MdLF和EmC都参与语言处理，因为我们发现MdLF和EmC微观结构显着影响了语言功能的一个重要子组成部分——语义记忆。更具体地说，我们发现右MdLF的NoS和左EmC的FA显着影响语义记忆表现。应该明确的是，追踪的 MdLF 涉及顶下和顶上小叶（IPL 和 SPL）以及颞上回和颞极。因此，人们可能期望它不仅与语言功能有关，还与视觉空间处理有关，这可能解释了其向右的偏侧性。
我们的研究结果也可能揭示AF和SLF-III在更广泛的语言和ToM网络中的作用。许多研究将左 AF 的偏侧化与语言的偏侧化联系起来。虽然我们的结果支持左侧AF参与语义记忆的作用，但我们的结果还表明，左侧AF的微观结构也会影响情绪感知表现（见图5下）。虽然文献中较少注意到左AF在ToM网络中的作用，但本研究并不是第一个观察到AF和ToM相关评估之间关系的研究。一项针对胶质瘤患者的研究发现右 AF与 ToM 网络之间存在关系，而一项关于发育中儿童的研究发现左右 AF 与 ToM 表现之间存在关系。我们的发现和之前的研究提出了左AF如何参与右ToM偏侧化的问题。
此外，我们的研究结果表明SLF-III在语言和ToM的功能偏侧化中发挥作用。我们发现左SLF-III的NoS显着影响语义记忆性能，右SLF-III的NoS显着影响情绪感知性能（见图5上）。也就是说，左半球SLF-III的微观结构与左侧化语言网络有关，右半球SLF-III的微观结构与右侧化ToM网络相关。以前的研究表明，SLF-III介导的互动可能是手势交流的先决条件，这种手势交流“预示着”语言交流并被认为参与语言的发音方面。此外，在猴子中，有证据表明接收来自SLF-III输入的额叶区域包含“镜像神经元”，这可能与ToM网络相互作用有关。最近，SLF-III被认为有助于各种功能，但包括语义处理和镜像神经元相关功能（例如动作观察和ToM）。未来研究的一个有趣方向是进一步研究SLF-III在语言和ToM偏侧化中可能发挥的作用。此外，未来的研究还可能会调查额外的白质纤维束（例如丘脑皮质投射束）在语言、ToM 及其亚组的偏侧化和半球优势中的作用。
5.2. AF 和 SLF-III 与皮质区域的关系
如上所述，我们的结果可能会阐明AF和SLF-III在更广泛的语言和ToM网络中的作用。在这里，我们讨论由AF和SLF-III连接的皮质区域（如图6所示），关于它们在更广泛的语言和ToM网络中的功能作用。首先，我们注意到AF和SLF-III在我们的图谱中建立的区域联系与先前描述AF连接额叶和颞区，以及SLF-III连接顶叶和额叶区域的研究一致。重要的是要注意到纤维束在皮层的精确起止位置，以及与语言和ToM相关的功能区域因人而异。
与ToM相关过程相比，由左侧AF和左侧SLF-III连接的左半球区域更频繁地与语言相关过程相关。左上、中和下颞叶皮质中的区域是左侧弓状束AF的许多streamlines的终止区域，这个区域与各种语言过程有关，包括语音编码、思维过程和理解。左额叶区域（特别是左岛盖pars opercularis），左侧AF和左侧SLF-III也有许多streamlines在此终止，这也与各种语言和言语功能有关。最后，左侧顶叶区域，例如从左侧边缘上和下顶叶皮质也是许多SLF-III的终止区域，与语义处理有关。尽管一些报告调查了左额叶区域，但 ToM 文献中讨论左额叶和颞叶连接较少。
通过右侧SLF-III连接的右半球区域经常与文献中的ToM相关过程相关。右侧SLF-III的streamlines终止的右侧顶叶区域（有时称为右侧颞顶交界处(rTPJ)）与ToM、社会认知和情感过程有关。SLF-III的streamlines终止的右下额叶区域与ToM过程的相关性不一致，可能是由于fMRI范式约束(fMRI paradigmatic constraints)。
5.3. 微观结构测量和解释
最能捕捉认知不同方面的纤维束微观结构测量是一个开放的研究领域。这项研究调查了弥散MRI研究中常用的3种测量(FA，MD和NoS)。总体而言，在这项研究中，NoS是影响TPVT和PERT性能最一致的纤维测量标准（表1）。7个纤维束的NoS影响TPVT的性能，2个纤维束的NoS影响PERT的性能。4个纤维束（左ILF，左AF，左EmC和左SLF-II）的FA显着影响TPVT的性能。只有一个区域，即左侧AF的FA显着影响了PERT。MD是影响最小的纤维束测量，只有左侧SLF-II的MD对TPVT的性能有影响。
这些微观结构测量中的每一个对语言和ToM的子成分的影响程度（即通过TPVT和PERT测量）可能与这些微观结构测量的固有敏感性有关。在所研究的测量中，影响最小的MD在健康的脑实质(brain parenchyma)中几乎是恒定的，尽管在复杂纤维结构的区域有所减少。FA是所研究测量中第二有影响力的，对纤维结构的局部差异（例如纤维交叉）高度敏感。最后，NoS是本研究中最具影响力的测量方法，是组织微观结构的间接测量方法，对于纤维追踪的开始和停止的阈值特别敏感。NoS 与生物轴突的数量之间没有直接关系，尽管这是一种流行且广泛使用的量化连接强度的衡量标准。与真正的生物轴突形成鲜明对比的是，流线没有相关的体积。根据定义，流线streamlines是一维的，因此是无限薄的。因此，必须谨慎解释NoS。然而，作为皮质区域之间连通性的衡量标准，NoS和相关测量对健康和疾病的大脑变化高度敏感。
鉴于人脑中语言和ToM的半球偏侧化，这些微观结构测量中的每一个对语言和ToM的子成分的影响也可能与它们在半球的偏侧化程度有关。已经使用许多不同的测量（例如NoS，FA和纤维束体积）研究了白质纤维束的偏侧化。为了评估我们研究中对大脑偏侧化的敏感性，我们测量了每种研究测量的偏侧化。我们发现NoS的偏侧化程度最高，MD的偏侧化程度最低。其他人在NoS，FA和关联白质束的体积中发现了更多不同程度的偏侧化。
值得注意的是，本文研究的白质测量是相关的。这是意料之中的，因为有研究证明MD和FA在数学上不是相互正交的度量，并且NoS受到FA确定的种子阈值(seeding thresholds)的影响。尽管存在这些众所周知的相关性，但MD和FA几乎总是一起研究，因为它们提供了对扩散张量不同性质（扩散率的大小和张量的“形状”）的见解。此外，NoS 的研究非常受欢迎，因为它提供了“连接强度”的信息。有趣的是，我们发现测量之间的相关性因区域和半球而异。
5.4. 局限性与未来工作
重要的是要注意这项研究的几个局限性。虽然我们的研究能够利用异常大的样本量，但我们仅限于HCP中包含的神经心理学测量。尽管PERT的灵敏度有限（参见图2中的轻微天花板效应ceiling effffect和有限的分数范围），但我们能够找到3个显着影响PERT表现的纤维束测量和12个影响TPVT的测量。虽然与语义记忆相比，情绪感知背后的长距离白质关联束可能更少，但我们怀疑，通过更敏感的测量（例如，PERT正确的反应时间）可能会发现更多具有影响ToM表现的纤维束微观结构。这项研究的另一个局限性是，我们在分析中包括异卵双胞胎和兄弟姐妹，违反了独立观察的假设。未来的研究可能会更好地考虑家庭结构，例如，使用多级块排列(multi-level block permutation)。
此外，TPVT和PERT只是研究复杂认知领域的两个子成分。我们可以在多大程度上将 TPVT 和 PERT 与高级自然主义语言和 ToM 联系起来是一个开放的研究领域。然而，多项神经影像学研究使用类似 TPVT和PERT 的评估来了解更广泛的语言和 ToM 网络。此外，清醒神经外科手术的映射(awake intraoperative neurosurgical mapping)中对语言和ToM使用了类似的评估，这在手术室中保持患者的认知能力。自Penfield时代以来，对象命名评估就被用于映射语言，最近的面部情感识别任务，如Reading the Mind in the Eyes，已被用于在手术中映射ToM。与术中神经外科认知映射中使用的大多数需要自发生成反应的任务（例如对证命名confrontation naming任务）相比，TPVT 和 PERT 只需要将单词与其相应的图片匹配。
虽然我们纳入了表现出对左撇子和双手偏好的参与者，但我们的参与者样本主要右撇子。从这个意义上说，我们的研究结果最强烈地反映了右撇子人群，当应用于左撇子和双手偏好的人群时，应谨慎解释。虽然有研究表明，与右撇子相比，左撇子在言语和面部处理任务中的功能偏侧化有所减少，但白质的差异记录较少。在比较左撇子和右撇子成人的微观结构时，有些人发现白质的 FA 增加，而其他研究人员发现左撇子和右撇子儿童的白质微观结构没有差异。
我们强调需要大型神经影像学样本和方法来一致地分析它们。众所周知，小样本量对神经影像学和心理学研究特别成问题，因为它们会产生不可靠的结果。我们的研究能够通过采用机器学习方法来一致地识别数百个大脑中的白质束来克服这些挑战。这使我们能够研究每个人独特的纤维束微观结构如何与个体行为测量相关。未来的研究使用同样大的数据集来调查这些结果的可重复性十分重要，特别是那些具有不同人口统计数据和不相关参与者的数据集。代替其他相对较大的数据集，我们利用当前的数据集来检查这些结果的统计意义。我们实施了一种bootstrap子抽样技术来检查每个区域计算的p值统计量分布。这个bootstrap实验的结果支持了主要实验中最重要的发现;所有bootstrap p值置信区间低于α阈值（α = 0.05）的白质区域在表1所示的主要实验中也具有显著性，并在图4中可视化。然而，我们注意到，尽管一些区域在主要实验中具有显著性，但它们的置信区间并未完全低于α阈值。这表明有必要对关联白质束进行额外的实验，以更好地了解纤维束微观结构可能对TPVT和PERT的贡献。
为简单起见，我们在这里只研究了流行的MD，FA和NoS测量。除了这些测量之外，还可以使用dMRI数据计算和研究更多的测量。未来的研究可以检查其他测量（例如，神经突方向分散和密度指数、峰度、轴向扩散率、径向扩散率、纤维束容积）与语言和 ToM 测量的关系。未来的工作还可能包括对dMRI测量数量进行降维的替代方法，特别是如果感兴趣的测量超过了三项时。
最后，我们注意到这项调查只关注健康受试者。因此，我们对结果的解释仅限于与改善行为表现相关的纤维束微观结构，并没有揭示可能对健康表现至关重要的纤维束或纤维束微观结构。为了进一步了解白质束如何支持认知，未来的研究可以调查这些纤维束的微观结构在已知语言和ToM缺陷的患者群体中有何不同，包括自闭症谱系障碍患者，特定语言障碍，精神分裂症，颞叶癫痫和胶质瘤等患者。此外，进一步的研究可能会调查这些纤维束的微观结构在发育和进化过程中如何变化。以前的研究已经对语言和ToM之间的相互交织关系进行了理论化，有证据表明它们对彼此的发育和进化影响。我们在这项研究中的发现支持了这样一种观点，即语义记忆和情感识别受到健康年轻人独有的或共有的神经资源的影响。
六、结论
这项研究使用非侵入性方法和异常大的样本量（n = 809）绘制白质关联纤维束中的语言和ToM亚成分。我们证明了白质微观结构能够影响语义记忆和情感感知评估的性能，这是语言和ToM网络的两个关键的子成分。我们的研究结果表明，多个重叠的白质束是语言和ToM认知领域的基础。正如这项研究所表明的那样，认知不仅位于关联皮层内，而且还反映在潜在白质关联纤维束的微观结构中。
原文：White matter association tracts underlying language and theory of mind: An investigation of 809 brains from the Human Connectome Project
Received 12 May 2021; Received in revised form 20 October 2021; Accepted 15 November 2021
全文转自公众号AI4DMR
1788
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
