面部處理支持我們識別朋友和敵人、形成部落和理解面部肌肉組織變化的情感含義的能力。這一技能依賴于大腦區(qū)域的分布式網(wǎng)絡(luò)，但這些區(qū)域如何相互作用卻知之甚少。在這里，作者將解剖學(xué)和功能連接測量與行為測定相結(jié)合，創(chuàng)建一個(gè)面部連接體的全腦模型。本文分析了關(guān)鍵特性，如網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和纖維組成。作者提出了一個(gè)有三個(gè)核心流的神經(jīng)認(rèn)知模型;沿著這些流的面部處理以平行和交互的方式發(fā)生。雖然遠(yuǎn)距離白質(zhì)連接通道很重要，但面孔識別網(wǎng)絡(luò)主要是短距離白質(zhì)纖維。最后，本文提供的證據(jù)表明，眾所周知的面部處理的右側(cè)偏側(cè)來自于大腦半球內(nèi)和半球間的連接不平衡?？傊?b>人臉網(wǎng)絡(luò)依賴于高度結(jié)構(gòu)化的纖維束之間的動(dòng)態(tài)通信，從而支持行為和認(rèn)知的連貫的人臉處理。這篇文章發(fā)表在期刊Nature Human Behavior雜志上。
研究背景：

人臉感知是人類高度發(fā)展的一項(xiàng)技能，因?yàn)樗谶M(jìn)化和社會(huì)方面具有獨(dú)特的重要性。通過對一張臉的簡單一瞥，我們可以毫不費(fèi)力地收集到一個(gè)人的年齡、性別、身份、社會(huì)群體、情緒狀態(tài)、注意力集中程度以及其他一些特征，如可信度。

早期對局灶性腦損傷患者的研究顯示，右半球的下顳葉皮層部分可能對面部處理至關(guān)重要，因?yàn)樵搮^(qū)域的損傷常常導(dǎo)致面容失認(rèn)癥的臨床綜合征。對病變病灶的fMRI和單細(xì)胞電極記錄的研究已經(jīng)發(fā)現(xiàn)了一些對面部識別重要的區(qū)域。這些區(qū)域沿著腹側(cè)視覺流直到顳極,該腹側(cè)流靠后部的腦區(qū)處理面孔識別的基本方面(例如,枕面區(qū)域(一)分析面部部分和梭狀回面孔區(qū)(FFA)),而更前的地區(qū),如前顳葉(ATL)和杏仁核(AMG),面臨與概念性知識和情感狀態(tài)相關(guān)的信息處理。其他可能在面部處理中起作用的區(qū)域包括后顳上溝(STS)，它參與處理面部運(yùn)動(dòng)。后扣帶皮層(PCC)可能參與與面部相關(guān)的情景記憶;額下回(IFG)負(fù)責(zé)調(diào)節(jié)情緒和凝視感知。還有眶額皮質(zhì)(OFC)，它被認(rèn)為在評價(jià)面部的吸引力和可信度等具有社會(huì)價(jià)值的方面具有重要的作用。

這些區(qū)域是如何相互聯(lián)系的，以及它們?nèi)绾卧诠δ苌舷嗷プ饔茫瑥亩a(chǎn)生構(gòu)成面部處理的詳細(xì)的感知、社交、情感和記憶能力，這些都是人們知之甚少的。Haxby模型是一種非常有影響力的人臉處理模型，它假設(shè)了一個(gè)連續(xù)的層次結(jié)構(gòu)，在這個(gè)結(jié)構(gòu)中，信息以一種有序的方式從后腦區(qū)流向前腦區(qū)(例如，OFA（枕葉面孔識別區(qū)）到FFA（梭狀回面孔區(qū)）;OFA到STS（后顳上溝）)。此外，該模型還提出了一個(gè)獨(dú)特的人臉處理核心系統(tǒng)OFA、FFA和STS來完成人臉處理中最重要的部分，而擴(kuò)展系統(tǒng)ATL、AMG和PCC則從人臉中收集其他信息。最近的模型對Haxby模型進(jìn)行了擴(kuò)展，認(rèn)為有兩種臉部處理流，一種是背側(cè)流，一種是腹側(cè)流，在每一種流中都有一些交互處理。

對面部敏感區(qū)域如何相互聯(lián)系的初步研究主要涉及沿著腹側(cè)視束(ILF)進(jìn)行面部處理的大型白質(zhì)束的部分。然而，這些研究是有限的，因?yàn)樗麄円蕾囉谛颖?，他們檢查了部分連接體;與行為表現(xiàn)的聯(lián)系往往缺乏，他們沒有調(diào)查結(jié)構(gòu)連接(SC)和功能連接(FC)或有效連接(EC)。完整的面部敏感區(qū)域在解剖學(xué)上是如何相互聯(lián)系的，它們在不同的任務(wù)和環(huán)境中是如何相互作用的，以及網(wǎng)絡(luò)層面的特征是如何與行為相聯(lián)系的，這些都還不清楚。

在本文中，作者測試了關(guān)于面部處理的著名神經(jīng)認(rèn)知模型的預(yù)測，并從解剖學(xué)研究中提出了幾個(gè)關(guān)于短期和長期白質(zhì)作用的新問題，并測試了關(guān)于面部處理中大腦半球不對稱可能起源的舊觀點(diǎn)。本文使用的是人類連接組項(xiàng)目(HCP)的數(shù)據(jù)集，因?yàn)樗峁┝舜罅康膫€(gè)體和高質(zhì)量的多模態(tài)神經(jīng)成像數(shù)據(jù)。

本文在每個(gè)個(gè)體中功能性地定義了9個(gè)面部敏感區(qū)域，然后使用白質(zhì)追蹤的方法來描繪局部、長期和跨半球的白質(zhì)連接。同時(shí)，也使用成對的resting狀態(tài)和task狀態(tài)的功能數(shù)據(jù)集來研究這個(gè)網(wǎng)絡(luò)的功能和動(dòng)態(tài)特性，并通過研究解剖連接體和功能連接體之間的對應(yīng)關(guān)系來探索解剖功能之間的關(guān)系。最后，使用HCP行為測試來檢驗(yàn)?zāi)承┟娌考寄?/span>(如面部情緒識別)的個(gè)體差異是否可以用任何連接體特征來解釋。

研究方法：

被試：

本研究使用的所有數(shù)據(jù)均來自WU-Minn HCP協(xié)會(huì)發(fā)布的S900。如果受試者完成了所有的腦部掃描(T1/T2、任務(wù)功能磁共振成像、靜息狀態(tài)功能磁共振成像和dMRI)，以及行為佩恩情緒識別測試，他們將被納入研究。為了減少人類連接組數(shù)據(jù)的差異，我們將研究對象限制在慣用右手的個(gè)體上，最終的樣本中有680名健康的年輕人(381名女性，22歲，36歲)。在人臉定位任務(wù)中，680個(gè)個(gè)體中只有667個(gè)個(gè)體在9個(gè)雙側(cè)ROIs中檢測到足夠強(qiáng)的信號;因此，大多數(shù)連接體水平的發(fā)現(xiàn)是基于667個(gè)個(gè)體的。本研究未使用任何統(tǒng)計(jì)方法來預(yù)先確定樣本量，但樣本量遠(yuǎn)遠(yuǎn)大于以往文獻(xiàn)報(bào)道的樣本量。

數(shù)據(jù)采集、處理和分析：

作者采用了HCP S900版本提供的task-fMRI、rs-fMRI和dMRI的最小版本的圖像預(yù)處理流程。dMRI數(shù)據(jù)經(jīng)過處理，包括EPI畸變、渦流和運(yùn)動(dòng)校正、梯度非線性校正以及平均b0體積與原始T1體積的配準(zhǔn)。功能磁共振成像數(shù)據(jù)經(jīng)空間校正、跨模態(tài)配準(zhǔn)和空間歸一化處理后配入到MNI標(biāo)準(zhǔn)空間。此外，進(jìn)一步利用FSL 的 BEDPOSTX工具對dMRI數(shù)據(jù)進(jìn)行處理，對白質(zhì)纖維方向和交叉纖維進(jìn)行建模，利用ICA-FIX和ICA-AROMA（FSL的降噪工具）對rsfMRI數(shù)據(jù)進(jìn)行去噪處理，去除頭動(dòng)的影響。

所有fMRI數(shù)據(jù)以4mm高斯核進(jìn)行空間平滑處理。此外，為了精確定位每個(gè)被試的面孔識別ROI，由面孔識別任務(wù)定位的ROI在基于灰質(zhì)的空間(即皮層表面頂點(diǎn)+皮層下體素)上使用MSM-All配準(zhǔn)進(jìn)行處理。

本文使用HCP Penn情緒識別測試作為個(gè)體面部識別能力的行為測量。研究人員向每個(gè)人展示40張臉，每次一張。他們被要求選擇面部所描繪的情緒:高興、悲傷、生氣、害怕或沒有感覺。一半是男性，一半是女性。采用任務(wù)總體正確率(ER40_CR)和中位反應(yīng)時(shí)間(ER40_CRT)進(jìn)行腦行為關(guān)聯(lián)分析。

為了保證每個(gè)個(gè)體對連接體的敏感性，不僅在面孔識別任務(wù)的基礎(chǔ)上定義了個(gè)體特異性ROI，還在個(gè)體層面上進(jìn)行了所有的分析，然后將這些分析合并為一個(gè)匯總統(tǒng)計(jì)量，進(jìn)行群體層面的推理和顯著性檢驗(yàn)。除非另有說明，本研究報(bào)告的所有重要結(jié)果均為雙尾檢驗(yàn)，并經(jīng)多次比較糾正了錯(cuò)誤發(fā)現(xiàn)率。數(shù)據(jù)分布被認(rèn)為是正態(tài)的，但未作正態(tài)性檢驗(yàn)。此外，所有的不顯著結(jié)果進(jìn)一步評估使用在SPSS v.25貝葉斯統(tǒng)計(jì)(BF10)。

面孔ROI的識別和選擇

HCP tfMRI數(shù)據(jù)中的工作記憶任務(wù)可以有效地用于功能人臉定位。研究人員向受試者展示了四種不同類型的刺激物(即面部、位置、工具和身體部位)，并要求他們分別以2-back和0-back的方式進(jìn)行反應(yīng)。HCP S900版本已經(jīng)提供了在灰質(zhì)空間上進(jìn)行完整處理的個(gè)體水平(個(gè)體內(nèi))的task-fMRI分析數(shù)據(jù)，因此作者使用connectome workbench軟件手動(dòng)從每個(gè)個(gè)體的contrast對比中提取：面孔任務(wù)>其他類別任務(wù)中提取出雙邊9個(gè)預(yù)定義的面孔識別的ROI(以及其大小)的峰值激活頂點(diǎn)(這些頂點(diǎn)隨后被轉(zhuǎn)換為MNI坐標(biāo))。

ROI示意圖

這種任務(wù)范式和對比已被廣泛用于定義人類面部敏感區(qū)域，在這種對比中，面部和工作記憶的處理相互正交(即，在0-back和2-back試驗(yàn)中，對面孔識別中的記憶條件進(jìn)行了修正)。為了保證對面孔體素識別敏感的體素的選擇，作者還考察了另一個(gè)連接對比(面孔>地點(diǎn)并集面孔>工具并集面孔>身體，即取了所有面孔條件>其他條件的并集)，得到了非常相似的峰值坐標(biāo)。

這些激活的ROI的峰值坐標(biāo)作為輸入(球體,6毫米半徑)隨后進(jìn)行了seed-based的大腦連通性分析。在個(gè)體層面(進(jìn)行概率tractography,靜息狀態(tài)分析,PPI和DCM)對大腦神經(jīng)響應(yīng)和行為層面的關(guān)系進(jìn)行ROI分析和半球不對稱分析。

由于本文對更廣泛的人臉網(wǎng)絡(luò)感興趣，我們選擇的區(qū)域不僅包括基本的人臉感知(OFA、FFA和STS)，還包括社會(huì)、情感和記憶處理(ATL、OFC、AMG、IFG和PCC)。Haxby模型中包含了一組相似的區(qū)域，這些區(qū)域在以前的face network研究中被廣泛使用。此外，對于具有多個(gè)cluster激活的面部區(qū)域(如OFA、FFA和STS)，本文只是選擇激活最強(qiáng)的一個(gè)以避免過度的個(gè)體間差異。并且作者提到，最近在一項(xiàng)對非人類靈長類動(dòng)物的研究中發(fā)現(xiàn)了一些區(qū)域，它們顯示出與面部識別相關(guān)區(qū)域的強(qiáng)連通性，但在本次研究中并沒有選擇這些區(qū)域，因?yàn)樗鼈儧]有被面部定位任務(wù)持續(xù)激活，而且有關(guān)這些區(qū)域的人類文獻(xiàn)也很缺乏。

概率追蹤：

在個(gè)體的自然空間中進(jìn)行概率追蹤分析，所有結(jié)果均轉(zhuǎn)化為MNI標(biāo)準(zhǔn)空間。同時(shí)使用了單ROI和ROI-to-ROI的追蹤方法。在單ROI方法中，將每個(gè)ROI作為一顆種子，并在整個(gè)大腦中運(yùn)行tractography，以獲得全局連接模式。在ROI-to- ROI方法中，對每對ROI進(jìn)行腦內(nèi)連接(如左AMG至左ATL)或腦間連接(如左AMG至右AMG)。纖維跟蹤從兩個(gè)方向開始(從種子到目標(biāo)，反之亦然)，并從ROI中的每個(gè)體素繪制25,000條白質(zhì)連接。所有分析均通過exclusive mask將小腦區(qū)域排除在外。對個(gè)體追蹤結(jié)果進(jìn)行閾值化，對于概率值低于10%的纖維進(jìn)行剔除，然后保留在組水平至少有10%之上被試都存在的連接。

在FSL中使用dtifit來擬合每個(gè)體素的擴(kuò)散張量模型。對于每個(gè)個(gè)體，分別創(chuàng)建FA、平均擴(kuò)散率、徑向擴(kuò)散率和軸向擴(kuò)散率映射，并提取每個(gè)ROI-ROI連接的平均值。每條路徑的白質(zhì)連接數(shù)是通過兩種方法的平均值來計(jì)算的。一個(gè)ROI- ROI連接(例如FFA OFA)的連接性概率被定義為該連接的白質(zhì)連接計(jì)數(shù)除以通過任一ROI的所有連接的白質(zhì)連接計(jì)數(shù)之和(例如，連接FFA或OFA的共有15條路徑)。

連通性分析

可連通性能力（communicabilit)量化為直接和間接SC的加權(quán)和，其中較短的路徑(即步驟較少的路徑)的加權(quán)更大。對于每個(gè)個(gè)體(以及每個(gè)半球)，從它們的連接概率矩陣中導(dǎo)出了一個(gè)全連接映射。隨后，將這一交流圖譜與其他大腦連接圖譜在個(gè)體水平上進(jìn)行比較，以揭示解剖功能之間的關(guān)系。

主要白質(zhì)束和表層白質(zhì)系統(tǒng)分析

對于每個(gè)半球，使用AFQ 方法為每個(gè)個(gè)體識別出10個(gè)主要的白質(zhì)束。在最近的一項(xiàng)薈萃分析中，作者集中分析了六個(gè)主要的纖維束，它們被發(fā)現(xiàn)對面部處理至關(guān)重要:the ILF, IFOF, CING, UF, SLF and AF。本文還分析了AFQ算法提供的另外四個(gè)束(即丘腦輻射、皮質(zhì)脊髓束、前后胼胝體束)，發(fā)現(xiàn)它們與所有感興趣區(qū)域之間沒有重疊。

作者使用FSL中的atlasquery工具來評估白質(zhì)纖維大束和淺表白質(zhì)對面部網(wǎng)絡(luò)的相對貢獻(xiàn)。為每個(gè)ROI創(chuàng)建一個(gè)針對每個(gè)ROI連接的二值化圖像，然后在所有的個(gè)體之間進(jìn)行添加。還將所有72個(gè)雙邊連接合并為一個(gè)二值化圖像，并將這些圖像跨個(gè)體相加，得到整個(gè)連接體圖像。只保留了50%以上個(gè)體存在的體素(即骨架圖)，并將其投射到兩個(gè)白質(zhì)地圖集上:JHU白質(zhì)示蹤圖包括48個(gè)長程示蹤標(biāo)簽, LNAO淺表白質(zhì)示蹤圖，包括79個(gè)白質(zhì)短束。

然后進(jìn)行Voxelwise分析，以計(jì)算骨架圖像是每個(gè)圖集中任何標(biāo)記域的成員的概率。請注意，人類白質(zhì)在個(gè)體間是特異的，我們使用的兩個(gè)地圖集僅代表標(biāo)準(zhǔn)MNI空間中最常見的白質(zhì)束的骨架;由于地圖集是由不同的研究小組使用不同的方法制作而成，所以這兩個(gè)地圖集并不是相互排斥的，它們的組合并不能解釋所有的面孔連接體體素(即92%的總和)。

對HCP任務(wù)態(tài)數(shù)據(jù)的PPI分析和FC分析

用于估計(jì)EC和taskFC的統(tǒng)計(jì)模型是一個(gè)簡單的通用線性回歸模型(GLM)。我們使用兩種方法來建立廣義PPI115模型(使用非反卷積方法)。一個(gè)簡單的部分模型有17個(gè)單獨(dú)的回歸量:8個(gè)任務(wù)事件的心理回歸量(例如2-back或1-back模式下的面部、身體、位置和工具刺激)，1個(gè)種子ROI時(shí)間序列的生理回歸量和8個(gè)相應(yīng)的交互回歸量(任務(wù)事件種子ROIs時(shí)間序列)。一個(gè)更復(fù)雜的完整模型有25個(gè)回歸量，包括部分模型中相同的17個(gè)回歸量，以及非種子ROI時(shí)間序列的8個(gè)額外生理回歸量。與部分模型相比，完整模型被設(shè)計(jì)成主動(dòng)控制非種子區(qū)域的神經(jīng)響應(yīng)。

為了估計(jì)種子ROI和其他ROI之間的taskFC，我們使用了任務(wù)事件(面對>其他類別)的回歸量之間的對比。為了估計(jì)EC（effective connect，有效連接），使用了交互回歸量之間的對比(臉部的PPI>其他類別的PPI)。每一對ROI連接的β-weights被轉(zhuǎn)換為z分?jǐn)?shù)，對每個(gè)條件形成一個(gè)9 * 9的矩陣。雖然taskFC矩陣進(jìn)一步對稱化，但由于其方向性，EC矩陣沒有對稱化(即，PPI效應(yīng)表明了方向性神經(jīng)相互作用的一些信息)。在EC組水平上，每對ROIs的個(gè)體進(jìn)行單樣本t檢驗(yàn)，以檢測任何顯著的有效連通性。還進(jìn)行了非參數(shù)置換檢驗(yàn)(10,000次)，以重新驗(yàn)證所有重要結(jié)果。

值得注意的是，本文報(bào)道的所有重要發(fā)現(xiàn)均基于部分PPI模型，因?yàn)樵谕暾Ｐ椭邪l(fā)現(xiàn)的結(jié)果為空。盡管在模型中加入更多的受控ROI后，PPI模型可以更好地逼近EC，但由于與潛在區(qū)域(即自由度)相比，存在多重共線性和觀測相對較少的問題，因此這種方法在實(shí)踐中很少被采用。在這里，全模型中的零結(jié)果反映了部分模型中識別的兩個(gè)區(qū)域的EC可能受到了第三個(gè)區(qū)域的影響。這個(gè)方法問題需要進(jìn)一步探討。

DCM分析

為了驗(yàn)證PPI的發(fā)現(xiàn)，使用SPM8中的DCM10進(jìn)行了DCM分析。由于DCM分析不適合使用過多界定，因此DCM分析僅在EVC, OFA, FFA and STS四個(gè)區(qū)域進(jìn)行?；谘芯康臏y試假設(shè)(即左半球是前饋的，而右半球是遞歸的)，共定義了兩個(gè)基于PPI連接模式的簡單模型(圖4a)，并分別測試了它們對每個(gè)半球觀測數(shù)據(jù)的適應(yīng)性（一般來說，DCM分析是基于一定假設(shè)的，如果沒有良好的假設(shè)前提，要對所有的可能結(jié)果進(jìn)行驗(yàn)證，以保證模型連接方向假設(shè)和數(shù)據(jù)所給出的信息是最優(yōu)擬合的）。前饋模型來自于PPI左半球連接模式(即，面部刺激只驅(qū)動(dòng)前饋處理)，而遞歸模型來自PPI右半球模式(即，面部刺激主要驅(qū)動(dòng)遞歸處理)。

對于每個(gè)模型，從EVC開始的感官輸入和所有四個(gè)ROI都被內(nèi)在地設(shè)置為雙向連接和自連接，并分別為每個(gè)個(gè)體提取它們的時(shí)間過程(即第一個(gè)特征變量)。為了檢驗(yàn)外部面部刺激的調(diào)節(jié)效應(yīng)，構(gòu)建了一個(gè)包含6個(gè)回歸量(臉、位置、工具、身體、2-back和0-back)的DCM GLM設(shè)計(jì)矩陣，并對這兩個(gè)模型進(jìn)行了面部條件的測試。為了確定最優(yōu)模型，使用BMS實(shí)現(xiàn)了固定效應(yīng)和隨機(jī)效應(yīng)組分析。固定效應(yīng)BMS假設(shè)最優(yōu)模型在整個(gè)種群中是相同的，并使用組貝葉斯因子(log-evidence)來量化模型的相對優(yōu)度。相比之下，隨機(jī)效應(yīng)BMS解釋了個(gè)體間模型結(jié)構(gòu)的異質(zhì)性，并產(chǎn)生了后驗(yàn)?zāi)Ｐ透怕省?span>

不同大腦連接圖的比較

在個(gè)體水平上，作者通過去除對角矩陣(自連接)之外的所有矩陣元素，應(yīng)用Fisher s z變換，然后計(jì)算Pearson相關(guān)性，在5個(gè)大腦連接矩陣之間進(jìn)行兩兩相關(guān)。組間采用常規(guī)單樣本t檢驗(yàn)(對照0)，經(jīng)多次比較后確定統(tǒng)計(jì)學(xué)意義。還進(jìn)行了非參數(shù)置換測試(10,000次)以重新驗(yàn)證所有結(jié)果。

在比較不同的大腦連接圖時(shí)，考察了兩種不同度量下的網(wǎng)絡(luò):(1)在整個(gè)面部網(wǎng)絡(luò)層面(每個(gè)半球有72個(gè)連接)或(2)僅在三個(gè)核心白質(zhì)連接層面。核心白質(zhì)連接被定義為包括每個(gè)半球的16個(gè)核心連接，EVC - OFA、OFA - FFA、FFA - ATL、ATL - AMG、AMG - PCC、AMG - OFC、PCC- OFC和STS - IFG，因?yàn)樗鼈冊趫D1a中具有最高的連接概率(前25%)。作者進(jìn)行了多層次的中介分析，以測試網(wǎng)絡(luò)連接能力是否能調(diào)節(jié)SC和rsFC之間的關(guān)系。采用SPSS v25中的混合線性模型函數(shù)實(shí)現(xiàn)多級中介分析。模型包括在個(gè)體水平上的隨機(jī)截取，為了檢驗(yàn)整個(gè)face network level上的中介，首先設(shè)置72個(gè)雙邊rsFC(跨越所有個(gè)體)作為因變量Y, 72個(gè)對應(yīng)的通信措施作為中介變量M, 72個(gè)對應(yīng)的白質(zhì)連接概率作為自變量X。接下來，建立了另一個(gè)僅針對核心白質(zhì)連接的模型，以16個(gè)雙邊核心連接的rsFC為因變量Y, 16個(gè)對應(yīng)的通信措施為中介變量M, 16個(gè)對應(yīng)的光纖連接概率為自變量X。

大腦與行為的聯(lián)合分析

采用兩種不同的統(tǒng)計(jì)分析方法對腦行為相關(guān)性、簡單皮爾遜相關(guān)和SVR（支持向量回歸分析）進(jìn)行了檢驗(yàn)。采用SPSS v.25.0進(jìn)行Pearson相關(guān)分析，利用Matlab統(tǒng)計(jì)和機(jī)器學(xué)習(xí)工具箱實(shí)現(xiàn)SVR。

在大腦一側(cè)，有四組獨(dú)立的指標(biāo):(1)18個(gè)雙側(cè)roi的神經(jīng)活動(dòng)概況(對面部刺激的大膽反應(yīng)的幅度);(2) 72個(gè)雙側(cè)ROI ROI連接及20個(gè)大束的腦白質(zhì)特征;(3) 72個(gè)雙邊rsFC;(4)人臉定位任務(wù)中雙邊定向EC 144個(gè)。在行為方面，有兩個(gè)來自HCP Penn情緒識別測試任務(wù)的總體準(zhǔn)確性(ER40_CR)和中位反應(yīng)時(shí)間(ER40_CRT)的指標(biāo)。對于每個(gè)SVR分析，只構(gòu)建了一個(gè)模型來測試一組特定的腦指標(biāo)(作為自變量)和一組行為指標(biāo)(作為因變量)之間的聯(lián)系。為了豐富白質(zhì)特性，分別測試了七個(gè)微觀結(jié)構(gòu)指標(biāo)(即FA、平均擴(kuò)散率、軸向擴(kuò)散率、徑向擴(kuò)散率、白質(zhì)連接計(jì)數(shù)、連通性概率和束體積大小)。

偏側(cè)化分析

使用雙向重復(fù)測量方差分析來檢查半球側(cè)化在每個(gè)測量水平的表現(xiàn)。在神經(jīng)激活水平，設(shè)置了半球和9個(gè)面部識別ROIs因素的方差分析。在SC(即連接概率)或rsFC級別，設(shè)置了半球因素和36個(gè)ROI - ROI連接的方差分析。在EC水平，設(shè)置了與半球因素和72個(gè)方向ROI- ROI連接的方差分析。如果在方差分析中發(fā)現(xiàn)半球的主要影響，則進(jìn)一步進(jìn)行配對t檢驗(yàn)以確定半球的優(yōu)勢。為了進(jìn)行關(guān)聯(lián)分析，計(jì)算了每個(gè)面部區(qū)域的半球內(nèi)連接和半球間連接之間的白質(zhì)連接數(shù)，然后求出兩個(gè)半球和所有個(gè)體之間的平均比值。為了定義每個(gè)人臉區(qū)域的偏側(cè)程度，計(jì)算了人臉定位過程中左右區(qū)域之間的BOLD信號，并求出每個(gè)人的平均信號比。

研究結(jié)果

研究結(jié)果首先按照不同模態(tài)匯總，再按照綜合分析看，最后是行為和腦影像數(shù)據(jù)的 結(jié)合分析。

結(jié)構(gòu)連接：

首先，作者為每個(gè)感興趣的面部區(qū)域(ROI)繪制了全局連接模式。軸突投影決定了一個(gè)區(qū)域從哪里接收信息，并連接至哪里。雖然每個(gè)ROI的主要皮質(zhì)投射是其鄰近區(qū)域，但它們表現(xiàn)出特異的遠(yuǎn)距離投射(補(bǔ)充圖1)。

補(bǔ)充圖1   9個(gè)ROI的白質(zhì)投射區(qū)域皮層化映射

后區(qū)(OFA和FFA)沿腹顳皮層向顳極有長距離的延申。相反，STS在IFG內(nèi)部和周圍有明顯的突觸連接，反之亦然。內(nèi)側(cè)ROI (AMG、OFC和PCC)僅對內(nèi)側(cè)結(jié)構(gòu)有投射。此外，大多數(shù)面部ROI似乎有來自早期視覺皮層(EVC)的直接纖維投射。

為每一對雙側(cè)ROI重建的大腦半球間的連接(例如，左側(cè)的FFA和右側(cè)的FFA)表明，雙側(cè)面部ROI主要通過四個(gè)不同的中線結(jié)構(gòu)連接:胼胝體的頂(OFA)、膝(IFG)和脾(OFA、FFA、STS、PCC和ATL)，以及前連合(AMG和ATL)。接下來，作者分析了同一半球內(nèi)面部區(qū)域之間的區(qū)域間聯(lián)系。解剖連接強(qiáng)度通常被解釋為信息流動(dòng)能力的一種度量，并提供了關(guān)于神經(jīng)信號在網(wǎng)絡(luò)中傳播的關(guān)鍵通路中的解釋。

通過對九個(gè)ROI和半球的兩兩之間的結(jié)構(gòu)連接的估計(jì)，構(gòu)建36對連接。提取它們的微觀結(jié)構(gòu)特性(如連接概率和簡化計(jì)算)來估計(jì)SC。結(jié)構(gòu)連通性的概率地圖(圖1)表示,有三個(gè)核心通路在面孔識別網(wǎng)絡(luò)中，包括:腹側(cè)通路(EVC FFA ATL AMG),內(nèi)側(cè)通路(AMG OFC PCC)和背側(cè)通路(STS IFG)。為了進(jìn)一步驗(yàn)證這三個(gè)核心路徑的劃分，作者檢查了另一個(gè)已建立的圖論度量，即每個(gè)ROI對之間的可通信性。與一對區(qū)域之間的連接權(quán)值(僅度量直接路徑)不同，可通信性（communicability）通過考慮直接和間接連接來量化區(qū)域之間所有可能路徑的通信能力。因此，可通信能力編碼了關(guān)于協(xié)調(diào)區(qū)域間溝通的全球網(wǎng)絡(luò)組織的額外有用信息，并被廣泛用于確定解剖模塊。在這里，通過對網(wǎng)絡(luò)連接圖的模塊化分析，證實(shí)了face network中存在三個(gè)獨(dú)立的模塊，它們與三個(gè)核心路徑的劃分有很好的對應(yīng)關(guān)系（圖1b)。

圖1 左右半球的結(jié)構(gòu)連接圖示化    

 通過計(jì)算不同白質(zhì)連接重疊軌跡的程度，作者估計(jì)了面孔識別連接體中主要神經(jīng)束的累及程度。結(jié)果表明，這三條核心通路主要由6條主要的神經(jīng)束支持，但支持程度遠(yuǎn)低于作者的預(yù)期。具體來說，只有不到30%的腹側(cè)通路是由ILF(28.79 +8.11%(mean+s.d.))和枕下額束(IFOF, 20.76 +12.27%)組成的;只有12%的內(nèi)側(cè)通路與扣帶重疊(15.03+ 10.24%)，鉤狀束重疊(UF 8.96+ 6.58%);不足30%的背側(cè)通路與弓狀束(AF, 29.05+ 9.15%)和上縱束(SLF, 25.01 +7.46%)重疊。

由于只有一小部分的解剖學(xué)連接體是由遠(yuǎn)距離纖維束構(gòu)成的，因此作者將注意力轉(zhuǎn)向了另一類重要的白質(zhì)短距離纖維或u形纖維。示蹤研究表明，長距離的神經(jīng)束只占整個(gè)大腦連接體的一小部分;大腦連接體的大部分由短的連接纖維組成，這些纖維位于灰質(zhì)之下，連接著相鄰的腦回。通過將72個(gè)ROI - ROI連接投射到兩個(gè)標(biāo)準(zhǔn)的長程和短程纖維白質(zhì)圖譜上，作者檢驗(yàn)了這兩個(gè)白質(zhì)系統(tǒng)對面部連接體的相對貢獻(xiàn)。雖然57.0%以上的感興趣區(qū)感興趣連接可歸為短程纖維，但在長程白質(zhì)圖譜中，只有34.3%的連接體可歸為束狀連接。作者還發(fā)現(xiàn)，兩個(gè)ROI的空間距離與長程纖維的貢獻(xiàn)呈正相關(guān)(Pearson s r = 0.314, P = 0.007, 95%置信區(qū)間(CI) = 0.088-0.540)。這可能表明，兩個(gè)面孔ROI(例如，EVC - OFA與EVC - OFC)之間的長距離連接與更多的面孔識別網(wǎng)絡(luò)的參與有關(guān)。

圖2 纖維追蹤結(jié)果在已有模板的重疊率圖

功能網(wǎng)絡(luò)構(gòu)建結(jié)果

作者繪制了三種不同類型的大腦功能連接圖，以揭示面部ROI相互作用的方式;在休息期間(靜息狀態(tài)FC (rsFC))或面部定位任務(wù)期間(任務(wù)狀態(tài)FC (taskFC))確定了協(xié)同激活模式，并使用心理生理交互作用(PPI)和動(dòng)態(tài)因果模型(DCM)對EC進(jìn)行建模，以揭示由面部刺激驅(qū)動(dòng)的定向信息流。

結(jié)果發(fā)現(xiàn)rsFC和taskFC分析結(jié)果高度相關(guān)(均值r = 0.518, t₆₆₆ = 80.97, P < 0.001, Cohen’s d = 4.43, 95% CI = 0.505 - 0.531)。這表明在面孔網(wǎng)絡(luò)系統(tǒng)中存在一個(gè)內(nèi)在的功能子網(wǎng)絡(luò)，它在不同的情境之間保持持續(xù)的活動(dòng)和同步。

圖3 功能連接的分析結(jié)果以及功能連接和結(jié)構(gòu)連接不同網(wǎng)絡(luò)連接間的一致性分析

然而，FC只表達(dá)了時(shí)間過程之間的統(tǒng)計(jì)相關(guān)性，而這些相關(guān)性通常不代表直接的神經(jīng)元信號。相比之下，EC被認(rèn)為是一種更強(qiáng)大的途徑來捕捉刺激驅(qū)動(dòng)的神經(jīng)區(qū)域間的方向性影響模式。

在這里，作者實(shí)施PPI來探索由面部刺激引起的網(wǎng)絡(luò)級動(dòng)態(tài)，然后使用DCM進(jìn)行驗(yàn)證性分析。PPI分析建立了一個(gè)或多個(gè)大腦區(qū)域之間耦合的簡單靜態(tài)模型，并通過建立種子區(qū)域和心理環(huán)境之間的顯著交互作用，使研究人員能夠探索連接的定向變化。DCM則是一個(gè)動(dòng)態(tài)因果框架，用于測試神經(jīng)動(dòng)力學(xué)的替代假設(shè)/模型，將它們與數(shù)據(jù)進(jìn)行擬合，并使用貝葉斯模型比較它們提供的證據(jù)。

PPI分析顯示，面部敏感的大腦動(dòng)態(tài)主要發(fā)生在相同的功能子網(wǎng)絡(luò)(圖3e)，但兩個(gè)半球之間的模式完全不同。雖然左半球內(nèi)的信息處理以純粹的前饋方式組織(即信息從后到前的ROI級聯(lián)展開)，但右半球呈現(xiàn)出明顯的周期性結(jié)構(gòu)(即交互連接)。如右側(cè)面孔識別的核心區(qū)域(EVC、OFA、FFA、STS)之間存在多個(gè)雙向有效連接;圖4)顯示了在人臉觀察過程中自下而上和自上而下的交互和計(jì)算的共存。至關(guān)重要的是，隨后的DCM分析支持了兩個(gè)半球的這種差異模式(圖4b)。貝葉斯模型比較結(jié)果表明，前饋處理模型最適合左半球觀測數(shù)據(jù)，而遞歸處理模型最適合右半球觀測數(shù)據(jù)。

圖4 EC分析結(jié)果和DCM分析結(jié)果

面部連接體的空間特異性

一個(gè)很重要的問題是作者觀察到的大腦連接模式是否表現(xiàn)出空間特異性。為了驗(yàn)證發(fā)現(xiàn)的面孔網(wǎng)絡(luò)具有特異性，作者進(jìn)行了個(gè)體ROI種子點(diǎn)的個(gè)體間交換驗(yàn)證（(使得A個(gè)體的OFA坐標(biāo)變?yōu)?/span>B個(gè)體的OFA坐標(biāo))），以及將原來確定的種子點(diǎn)的坐標(biāo)移動(dòng)20mm以外的坐標(biāo)進(jìn)行了進(jìn)一步的研究。在交換了特異于每個(gè)人的ROI后，發(fā)現(xiàn)原有的網(wǎng)絡(luò)仍舊可以保留，并且在結(jié)構(gòu)網(wǎng)絡(luò)（(r = 0.995, P < 0.001,95% CI = 0.961–1.029)）和靜息態(tài)功能網(wǎng)絡(luò)（r= 0.991, P < 0.001, 95% CI = 0.944–1.038）中都得到了重復(fù)，在任務(wù)態(tài)功能網(wǎng)絡(luò)中也得到了重復(fù)（(r = 0.987, P < 0.001, 95% CI = 0.930–1.043），但是PPI網(wǎng)絡(luò)和DCM網(wǎng)絡(luò)構(gòu)建后沒有發(fā)現(xiàn)與原網(wǎng)絡(luò)的顯著相關(guān)。

但是在將原來的種子點(diǎn)移動(dòng)到原來MNI坐標(biāo)的20mm以后，發(fā)現(xiàn)新的網(wǎng)絡(luò)與面孔網(wǎng)絡(luò)沒有顯著的相關(guān)。作者使用相關(guān)分析和貝葉斯因子兩種方法進(jìn)行了分析，都沒有明顯的證據(jù)支持這個(gè)網(wǎng)絡(luò)與本研究發(fā)現(xiàn)的面孔感知網(wǎng)絡(luò)之間有顯著的關(guān)系。這些發(fā)現(xiàn)表明，面部網(wǎng)絡(luò)的固有架構(gòu)(即SC、rsFC和taskFC)可能遵循一種更全局的模式，這種模式在較小的空間范圍內(nèi)配置得相對穩(wěn)定(例如，< 15mm)。對面孔敏感的體素和附近對面孔不敏感的體素共享相似的纖維束，因此表現(xiàn)出類似的神經(jīng)信號傳播（從本文的分析看，個(gè)體交換ROI并未影響結(jié)構(gòu)網(wǎng)絡(luò)和功能網(wǎng)絡(luò)的統(tǒng)一，這說明這個(gè)網(wǎng)絡(luò)在一定的體素范圍內(nèi)是存在穩(wěn)定性的）。相比之下，面部連接體的動(dòng)態(tài)特征(即EC模式)似乎高度取決于體素水平的面部選擇性。

圖5 個(gè)體種子點(diǎn)網(wǎng)絡(luò)、交換種子點(diǎn)網(wǎng)絡(luò)和移動(dòng)20mm后的種子點(diǎn)網(wǎng)絡(luò)的分析

面部連接體的個(gè)體差異

考慮人臉網(wǎng)絡(luò)組織在不同個(gè)體間的相似性也很重要。圖3只顯示了組平均腦連接圖，我們想驗(yàn)證這些組平均腦連接圖的代表性。為了揭示所有個(gè)體之間的群體-個(gè)體相似性的分布，作者對每一種大腦連接測量的群體平均圖和個(gè)體特異性圖進(jìn)行了相關(guān)分析。結(jié)果發(fā)現(xiàn)，群體平均矩陣與SC、rsFC和taskFC的個(gè)體特異性矩陣具有很強(qiáng)的相關(guān)性(補(bǔ)充圖6a)，大多數(shù)個(gè)體(>75%)所顯示的映射圖與群體平均映射圖高度相似(r > 0.5)。而組平均EC矩陣與個(gè)體特異性EC矩陣呈中度相關(guān)，多數(shù)個(gè)體(>67%)與組平均EC矩陣呈中小相關(guān)(0.1 < r < 0.5)。這可能說明個(gè)體間在固有網(wǎng)絡(luò)的個(gè)體異質(zhì)性可能較小，但是在這個(gè)網(wǎng)絡(luò)的內(nèi)部信息流上可能存在較大的個(gè)體差異。

補(bǔ)充圖6a 個(gè)體網(wǎng)絡(luò)與組平均網(wǎng)絡(luò)的相似性

接下來,作者使用兩個(gè)交叉驗(yàn)證方案來進(jìn)一步研究群體和個(gè)體中表現(xiàn)出的相似性,即分半交叉驗(yàn)證(使用50%的連接矩陣預(yù)測其他50%的人)和LOOCV(使用矩陣n-1預(yù)測個(gè)體）。同樣，兩種方法顯示SC、rsFC和taskFC的訓(xùn)練試驗(yàn)相關(guān)性非常高，EC的訓(xùn)練試驗(yàn)相關(guān)性相對中等(補(bǔ)充圖6b)。綜上所述，本研究發(fā)現(xiàn)面部連接組的組織在個(gè)體間高度同質(zhì)，特別是在SC、rsFC和taskFC中。因此，本文報(bào)告的組平均矩陣確實(shí)反映了大多數(shù)個(gè)體的連通性模式。

補(bǔ)充圖6b 對半驗(yàn)證和留一交叉驗(yàn)證的結(jié)果

結(jié)構(gòu)網(wǎng)絡(luò)和功能網(wǎng)絡(luò)的關(guān)系分析

為了進(jìn)一步探討面部網(wǎng)絡(luò)的解剖功能關(guān)系，作者研究了解剖連接體和功能連接體之間的對應(yīng)關(guān)系。在整個(gè)網(wǎng)絡(luò)中，FC模式(rsFC和taskFC)與SC的可連通模式高度相關(guān)(圖3f; rsFC and SC: mean r = 0.321, t = 43.72, P < 0.001,d = 1.69, 95% CI = 0.306–0.335; rsFC and communicability: mean r = 0.304, t666 = 47.42, P < 0.001, d = 1.84, 95% CI = 0.291–0.316;taskFC and SC: mean r = 0.234, t = 33.73, P < 0.001, d = 1.31, 95%CI = 0.221–0.248; taskFC and communicability: mean r = 0.199,t = 32.50, P < 0.001, d = 1.26, 95% CI = 0.187–0.211)。這支持了FC由底層白質(zhì)結(jié)構(gòu)和網(wǎng)絡(luò)通信能力決定的觀點(diǎn)。但是，在路徑分析中發(fā)現(xiàn)，SC網(wǎng)絡(luò)和FC網(wǎng)絡(luò)僅在核心連接路徑上存在顯著的相似性（圖3g），但是在非核心路徑上則未發(fā)現(xiàn)（圖3h）。這說明整個(gè)面部網(wǎng)絡(luò)的高度解剖功能一致性主要是由核心通路驅(qū)動(dòng)的。此外，盡管SC和FC的一般模式在核心通路內(nèi)高度相關(guān)，但在多個(gè)連接中發(fā)現(xiàn)了明顯的差異。

除此以外，作者測設(shè)了SC網(wǎng)絡(luò)的communicability是否是SC網(wǎng)絡(luò)和FC網(wǎng)絡(luò)相似性的的中介變量。作者使用多層中介分析，評估communicability是否介導(dǎo)了SC和rsFC之間的關(guān)系。結(jié)果表明，SC顯著預(yù)測rsFC(圖3i，路徑c:非標(biāo)準(zhǔn)化beta (B) = 0.269, s.e. = 0.015 ，P < 0.001)，這與在圖3g中的相關(guān)分析一致;然而，在模型中加入communicability后，發(fā)現(xiàn)SC和rsFC之間沒有統(tǒng)計(jì)學(xué)意義上的聯(lián)系(路徑c: B = 0.047, s.e. = 0.045, P = 0.299)。但是可以看出，SC的可連通性顯著介導(dǎo)了SC網(wǎng)絡(luò)和rsFC的連接，同時(shí)比較兩個(gè)模型可以發(fā)現(xiàn)，通過communicabilit介導(dǎo)的模型的AIC值明顯更小，說明由communicabilit介導(dǎo)的模型更好地預(yù)測了rsFC。但是這種預(yù)測能力僅在核心路徑分析中顯著保留。 

腦連接與行為的關(guān)聯(lián)分析

在方法部分我們介紹過，作者對腦連接和行為的關(guān)聯(lián)分析分為兩種，一種是簡單的相關(guān)分析方法，一種使用SVR的機(jī)器學(xué)習(xí)回歸方法。結(jié)果發(fā)現(xiàn)，簡單相關(guān)并無法有效的發(fā)現(xiàn)行為表現(xiàn)和腦連接之間的關(guān)系，因此，作者主要分析了SVR回歸。

如圖6所示，作者對于每一組腦指標(biāo)(如神經(jīng)活動(dòng)、白質(zhì)特征、FC或EC連接)，建立了單獨(dú)的SVR模型。例如，對于白質(zhì)FA，從92個(gè)白質(zhì)區(qū)域(72個(gè)ROI- ROI連接+ 20個(gè)主要纖維束)中提取FA值，并將其設(shè)置為模型中的獨(dú)立特征。然后使用留一交叉驗(yàn)證，預(yù)測的行為指標(biāo)是ER40_CR或ER40_CRT。然后，作者對這些特征進(jìn)行了篩選，篩選方法如下，首先將所有同模態(tài)的特征輸入預(yù)測模型，然后開始每次去除一個(gè)特征，然后將該模型的RMSE（均方根誤差，預(yù)測值與真實(shí)值差距的總離差平方和開根，越大說明模型效果越不好）記錄并排序，對每個(gè)特征都這樣做（不包括無法顯著預(yù)測的模型），然后對通過對這些RMSE的排序來看哪些被去除的特征是最重要的，篩選出這些特征后，再進(jìn)行進(jìn)一步篩選。方法是首先將這些特征再全部輸入，然后每次剔除一個(gè)特征，直至模型無法再顯著預(yù)測行為學(xué)變量為止。通過以上方法，作者留下了功能激活網(wǎng)絡(luò)（即taskFC）和白質(zhì)連接網(wǎng)絡(luò)（即SC）最能夠顯著預(yù)測行為學(xué)變量的特征（圖6c）。

結(jié)果顯示六個(gè)ROI的子集(left AMG, right OFA,right EVC, right IFG, right STS and right ATL)的激活網(wǎng)絡(luò)和皮下的白質(zhì)纖維路徑(left EVC–STS, left IFOF, right AF, right OFA–IFG and right STS–ATL)分布是最有預(yù)測力的任務(wù)態(tài)激活網(wǎng)絡(luò)特征和SC網(wǎng)絡(luò)特征。值得注意的是，SC的SVR模型(均方根誤差(r.m.s.e.) = 0.982)對行為的預(yù)測優(yōu)于激活網(wǎng)絡(luò)的SVR模型(r.m.s.e. = 1.035)。

圖6 基于白質(zhì)和激活網(wǎng)絡(luò)的SVR模型

半球偏側(cè)化分析

作者最后的分析是基于網(wǎng)絡(luò)偏側(cè)化的分析，分析方法在方法部分已經(jīng)具體介紹。這里主要看結(jié)果。重復(fù)測量方差分析(方差分析)揭示了在面孔識別網(wǎng)絡(luò)中ROI重要的神經(jīng)反應(yīng)的半球不對稱性(F1,666 = 238.64, P < 0.001,偏η2 = 0.264;平均差= 0.617,90% CI 0.683 = 0.551),白質(zhì)連接概率的半球不對稱性(F1,666 = 9.25, P = 0.002,偏η2 = 0.014;平均差= 0.002,90% CI 0.002 = 0.001),和rsFC的半球不對稱性 (F1,666 = 17.63, P < 0.001,偏η2 = 0.026;平均差= 0.008,90% CI = 0.005 - 0.011)。事后分析發(fā)現(xiàn)9個(gè)面部區(qū)域中有7個(gè)在右半球表現(xiàn)出更強(qiáng)的反應(yīng);不包括的兩個(gè)ROI為EVC和OFC，沒有發(fā)現(xiàn)半球間的顯著差異。總結(jié)一下就是，在所有水平的面部網(wǎng)絡(luò)中，表現(xiàn)出顯著右半球化，大腦半球不對稱的有力證據(jù)通常表現(xiàn)為增強(qiáng)的神經(jīng)反應(yīng)和更強(qiáng)的SC和FC連接。 

總結(jié)：

在本次研究中，作者使用大規(guī)模的多模態(tài)神經(jīng)成像數(shù)據(jù)來研究面孔識別網(wǎng)絡(luò)的解剖學(xué)和功能連接體。功能定義ROI利用概率追蹤得到的白質(zhì)束描繪出一個(gè)組織良好的解剖結(jié)構(gòu)，有三個(gè)核心通道用于不同類型的信息處理。纖維成分分析顯示，解剖連接體主要由短程纖維構(gòu)成，而不是主要的長通道白質(zhì)束。FC和EC分析發(fā)現(xiàn)了一個(gè)面部區(qū)域的子網(wǎng)絡(luò)，這些子網(wǎng)絡(luò)在不同的情境中保持同步，并且它們在面部感知過程中表現(xiàn)出跨半球的差異神經(jīng)動(dòng)力學(xué)(前饋和周期性交互)。此外，SC和FC在face network中高度相關(guān)，而network communicability在core pathways中介導(dǎo)了這種密切的相關(guān)。

此外，面部技能的個(gè)體差異（即行為得分）可以通過連接體特征的分布模式來預(yù)測，特別是白質(zhì)完整性具有很好的預(yù)測能力。最后，大腦半球內(nèi)和半球間連接的不平衡模式可能是面部網(wǎng)絡(luò)半球不對稱的連接水平基礎(chǔ)。

本文是一篇質(zhì)量非常高的多模態(tài)研究，作者使用了大樣本量數(shù)據(jù)來提供強(qiáng)有力的數(shù)據(jù)基礎(chǔ)，同時(shí)在對rsFC、task-FC和SC(結(jié)構(gòu)連接）的分析中既有基于自身模態(tài)的網(wǎng)絡(luò)分析又進(jìn)行了強(qiáng)力的聯(lián)合分析，表現(xiàn)出了功能網(wǎng)絡(luò)和結(jié)構(gòu)網(wǎng)絡(luò)之間在一定程度上的統(tǒng)一性，并且在對那些不顯著的數(shù)據(jù)使用貝葉斯方法進(jìn)一步測試了原假設(shè)，使得統(tǒng)計(jì)內(nèi)容更加完整，結(jié)果推斷更有說服力。除此以外，作者的機(jī)器學(xué)習(xí)方法的使用和特征的選擇也是可以參照的典范方法?？傊档眉?xì)細(xì)品讀。
原文：Multimodal mapping of the face connectome

微信掃碼或者長按選擇識別關(guān)注思影