Nat Mental Health | 从局部形态到脑区关系，神经性厌食症的脑结构变化

● 认知神经科学前沿文献分享

论文信息：Local–global breakdown of cortical similarity networks in anorexia nervosa

发表时间：2026-09-21

发表期刊：Nature Mental Health

01 知道皮层变薄之后，还能问什么？

利用磁共振成像（Magnetic Resonance Imaging，MRI），研究者可以估计皮层厚度等结构特征。在这些局部指标之外，还可以追问：不同脑区各有变化，它们之间的形态相似性是否也发生了变化？

这篇发表于《Nature Mental Health》的研究，希望把厚度、曲率等特征结合起来，观察神经性厌食症（anorexia nervosa）患者的皮层组织。作者关心的不仅是各个脑区的数值，还包括脑区之间有多相似，以及这些相似性是否与营养状态有关

为此，他们比较了 50 名患者和 40 名健康女性，并为每位参与者构建了一张形态相似性网络。理解这张网如何产生，才能理解它比逐个比较脑区多提供了什么信息

02 一张结构像，怎样变成相似性网络？

作者使用的方法叫 Morphometric Inverse Divergence（MIND，形态测量逆散度）。它的思路是：用多种形态特征描述每个脑区，再把两个脑区的分布差异转换成相似性

先看输入：

研究者从结构像重建皮层表面，在表面顶点（vertex，即重建表面上的采样点）提取五项特征：

皮层厚度（Cortical thickness，CT）：局部皮层的厚度

平均曲率（Mean curvature，MC）：表面的弯曲程度

脑沟深度（Sulcal depth，SD）：皮层沟回的深浅特征

表面积（Surface area，SA）：顶点对应的局部表面积

局部灰质体积（Local gray matter volume，GMV）：本文以顶点处厚度乘面积计算

其中 MC、SD、GMV 为本稿便于阅读使用的简称

一个顶点对应五个数，一个脑区包含许多顶点。同一脑区内部的厚度、曲率等特征也有差异，因此这些点在五维空间中的分布，能保留区域均值所概括掉的信息，这些都是我们常规可以通过结构项得到的指标特征。MIND 将多种特征放在一起比较，使脑区内部的形态差异也参与到脑区之间的相似性计算中

如何比较？

MIND 使用 Kullback–Leibler divergence（KL 散度，一种衡量概率分布差异的量），比较两个脑区的多维特征分布。本文采用 k-nearest-neighbor approximation（k 近邻近似），利用特征空间中的近邻样本估计这一差异，再将其反向转换、缩放为 0—1 的相似性得分。分布差异越大，得分越低

有什么新的视角？

将本文划分的 100 个脑区两两比较，就得到每个人的 100×100 相似性矩阵：行和列对应脑区，格子里的数值对应两个脑区的相似程度。把脑区画成节点、相似性画成边，矩阵就成为一张网络。这里每条边的权重，始终表示两个脑区的形态分布有多接近；后续对“连接强度”的解释也沿用这个定义

图 1a–b｜从脑区到网络。a 展示 100 个脑区及其所属的七个网络；b 展示组平均 MIND 矩阵及脑区加权度。实际计算先为每个人构网，组平均图用于展示。ROI 是 Region of Interest（感兴趣区，此处指分区后的脑区）；Weighted degree 是加权度，即一个脑区各条相似性边的权重之和。脑图颜色对应各脑区的加权度

03 换成网络之后，看到了什么？

整体相似性，与营养状态有关吗？

作者对矩阵中的边取平均，得到全局 MIND 强度。患者组的平均值较低；在患者内部，控制年龄和颅内容积（total intracranial volume，用于调整头颅大小差异）后，它与身体质量指数（Body Mass Index，BMI）的偏相关系数为 0.35

在这批患者中，BMI 较低者的整体形态相似性也往往较低。MIND 让研究者把营养状态与脑区之间的形态关系放在一起考察，将观察范围从局部皮层特征扩展到了跨脑区的多特征关系

图 1d｜每个点代表一名患者。横纵坐标分别为去除年龄、颅内容积影响后的 BMI 和全局 MIND 强度残差。Partial r 指 partial correlation coefficient（偏相关系数），表示控制这些协变量后的相关程度

哪些脑区之间的关系，共同出现了差异？

平均强度概括了整张网络的水平，具体的脑区关系则保存在矩阵的每条边中。为了找到差异集中出现的脑区关系，作者进一步采用网络统计（Network-Based Statistic，NBS）：先筛出达到阈值的组间差异边，再通过置换检验判断它们组成的连通成分是否显著

结果找到一个由 10 条边组成的显著子网络，校正后 P＝0.031，这个 P 值对应整个连通成分。其中患者的形态相似性较低，主要涉及背侧注意网络（dorsal attention network）与边缘网络（limbic network）之间的关系，并延伸至其他网络。这里按既有功能网络图谱给脑区分组，比较的量仍是形态相似性

图 5a｜左侧画出该子网络的脑区及相似性边；右侧统计这些边在不同网络对之间的数量，色深对应边的数量。DAN 为背侧注意网络，Limbic 为边缘网络；FPN 为 frontoparietal network（额顶网络），VAN 为 ventral attention network（腹侧注意网络）。其余分区为 Vis，visual network（视觉网络）；SMN，somatomotor network（躯体运动网络）；DMN，default mode network（默认模式网络）。L、R 分别表示左右侧

MIND 将各脑区的形态特征转成脑区对之间的相似性，NBS 再识别其中共同出现差异的子网络。两步分析把问题从“哪些脑区有变化”推进到了“哪些脑区之间的形态关系共同出现差异”，也让皮层变化具有了具体的网络位置

04 我的数据，适合问同样的问题吗？

当研究问题涉及脑区之间的多特征形态关系，以及这些关系与疾病或临床状态的联系时，这套分析值得考虑。可以先明确需要比较哪些脑区关系，再选择与问题对应的全局、脑区或子网络指标

本文的构网输入来自 T1 加权结构磁共振图像（T1-weighted structural MRI），经 FreeSurfer 的 recon-all 流程重建皮层。迁移到自己的数据时，需要保留顶点级多种形态特征及脑区划分，让每个脑区内部的特征分布可以进入比较。实施前，应核验皮层重建质量，并确认所用实现的特征处理、近邻参数和相似性变换细节。样本量与协变量应结合自己的研究设计确定，统计分析还需处理年龄等混杂因素并控制多重比较

本篇聚焦从形态特征到相似性网络的方法链；原研究还结合解剖连接和受体图谱，进一步探索这些差异的空间分布及其生物学关联，如果感兴趣欢迎查看原文

分享人：天天
审核：PsyBrain 脑心前沿编辑部

● 原文信息与获取方式

DOI：10.1038/s44220-026-00730-5

获取原文：

1. 三连后添加小助手：PSY-Brain-Frontier 获取

版权归属作者团队和出版社，本文仅做分享