基本信息
Title:Investigating the methodological foundation of lesion network mapping
发表时间：2026.1.15
Journal:Nat Neurosci
影响因子：20.0
获取原文：
- 添加小助手:PSY-Brain-Frontier即可获取PDF版本
- 点击页面底部“”即可跳转论文原网页
研究动机与背景
病灶网络映射（LNM）是一种利用规范功能连接（FC）数据将离散的大脑病灶与功能回路联系起来的神经影像学框架，旨在寻找不同病灶导致相似症状的共同网络基础。然而，随着该方法的普及，研究者发现成瘾、抑郁、精神病和癫痫等截然不同的疾病所识别出的网络竟然高度相似，这在生物学上极不寻常。作者试图解决的关键科学问题是：这种跨疾病的高相似性究竟反映了大脑真实的跨诊断生物学特性，还是由 LNM 方法本身的数学陷阱导致的 ？这一研究对于评估现有大量临床神经影像研究的有效性以及开发下一代更具特异性的网络映射方法具有重要意义。
实验设计与方法逻辑
研究提出了一个基本假设：LNM 产生的结果并非由于病灶位置的特异性驱动，而是受限于规范功能连接矩阵的固有拓扑结构，即 LNM 会系统性地将任何局部的脑改变映射到脑网络的非特异性属性（如节点度或核心节点）上。预期结果是，无论病灶位于何处（甚至是随机位置），LNM 最终生成的网络图谱都将高度趋同，且与脑网络的“核心节点”分布高度一致。
为了揭示 LNM 的本质，作者首先对发表于 2015-2025 年间的 102 个已发表 LNM 网络进行了系统性再分析。在方法逻辑上，作者将复杂的 LNM 流程简化并压缩为线性矩阵运算，证明了其核心步骤实际上是对同一个规范功能连接矩阵进行重复抽样。接着，作者设计了一系列严谨的对照实验：利用完全随机生成的病灶、洗牌后的连接组数据以及合成病灶，观察它们生成的网络图谱是否与临床真实病灶的结果有所区别。最后，作者构建了一个基于脑网络基本属性（如度中心性、模块化等）的线性回归模型，以量化有多少比例的结果方差可以仅由连接组的固有结构（而非病灶特异性信息）来解释。
核心发现
发现一：跨疾病网络的异常趋同性
再分析显示，涵盖 101 种神经和精神疾病的 LNM 图谱在岛叶、前扣带回（ACC）和额极等区域表现出极高的空间重叠（高达 74%），且不同疾病间的空间相关性极高。
Fig. 1 | Observed similarity of published work using LNM networks from original and randomized lesions. 该图展示了对 2015-2025 年间发表的 101 种不同疾病/症状的 LNM 网络进行的系统性汇总。图中的空间重叠图清楚地显示，无论原始研究探讨的是成瘾、抑郁还是癫痫，它们得出的网络在解剖位置上表现出惊人的相似性，主要集中在岛叶、前扣带回等“默认网络”或“凸显网络”的核心节点。通过相似性矩阵，作者量化了这种跨诊断的趋同性，证明了不同研究之间存在极高的空间相关性。
发现二：LNM 本质上是矩阵行求和运算
数学推导证明，LNM 流程可以简化为对规范连接矩阵中病灶对应行的加权求和，这意味着它本质上是在探测该区域在连接组中的“度”或连通性，而非特定的功能回路。
Fig. 2 | LNM pipeline and streamlined implementation. 这是一张方法论逻辑图。作者通过流程拆解，将复杂的 LNM 步骤（提取病灶、映射到规范连接组、群体加权）压缩为一个简洁的线性代数公式。图中对比了“传统耗时流程”与“瞬间矩阵运算”的结果，证明两者完全一致。这揭示了 LNM 的本质并不是在寻找特定回路，而是在对规范功能连接矩阵（Normative FC Matrix）中对应病灶位置的行进行累加，从而说明了结果为何会受限于连接组的固有属性。
发现三：随机病灶产生的图谱与临床图谱不可区分
实验表明，即使是随机生成的病灶或合成病灶，利用 LNM 方法得出的网络也与“成瘾回路”或“抑郁回路”高度相似（相关性 r≈ 0.73-0.95），证明了该方法的低特异性。
Fig. 3 | The systematic alignment of LNM to the summation vector of C. 该图通过对照实验直接冲击了 LNM 的可靠性。作者展示了即便使用完全随机生成的病灶（Random Lesions），或者与临床病灶形状相同但位置不同的合成病灶，利用 LNM 方法依然能得出与已发表的“成瘾回路”或“抑郁回路”高度相似的网络图谱（相关性系数常高于 0.8）。这部分图表有力地证明了，即便病灶位置完全没有生物学意义，LNM 也能“制造”出看起来非常有意义的疾病网络。
发现四：连接组固有属性解释了绝大部分方差
作者发现，利用脑网络的“度（Degree）”等 9 个基本属性，就可以解释 102 个已发表 LNM 网络中 93% 的方差，说明这些研究提取的更多是脑网络的通用背景信息，而非疾病特有的生物信号。
Fig. 4 | Published LNM networks converge to the summation vector of the connectome data. 该图揭示了为何 LNM 结果会趋同。通过将 LNM 图谱与脑网络的拓扑指标（如度中心性 Degree Centrality、节点强度等）进行关联分析，作者展示了 LNM 识别出的区域大多是大脑中的“交通枢纽（Hubs）”。散点图和回归分析显示，仅利用 9 个基本的网络拓扑指标就能解释现有研究中绝大部分（93%）的空间变异。这意味着，LNM 映射出的更多是大脑的“背景基底图”，而非疾病特有的生物信号。
省流总结
本研究对近年来风靡的“病灶网络映射（LNM）”方法进行了根本性的挑战。通过对百余项已发表研究的再分析和数学论证，作者发现 LNM 识别出的所谓“疾病特异性回路”在很大程度上是方法论导致的错觉：由于该方法不断重复取样相同的脑网络模板，导致任何病灶（甚至是随机生成的）最终都会被关联到脑内那些连通性最强的核心区域。这项工作揭示了 93% 的 LNM 研究结果其实只是反映了脑网络的固有背景结构，而非疾病本身的特异生物学基础，从而提醒学术界需审慎看待此类成果，并亟需开发更具分辨力的新型网络映射工具
热门跟贴