个体指纹与个体差异

传统的组分析把被试当作“同一个大脑的带噪声副本”。近十年的一系列研究表明，个体之间的功能连接差异是稳定而可靠的信号，而不只是噪声。

连接组指纹

Finn 等（2015, Nature Neuroscience）利用人类连接组计划（HCP）的数据提出了连接组指纹识别：

1. 每名被试在两次扫描（session 1、session 2）中各得到一个 FC 矩阵，展开为边向量；
2. 把 session 1 的所有被试作为“数据库”，对 session 2 的每个“目标”被试，计算其边向量与数据库中每个人边向量的相关；
3. 相关最高者若是同一人，则识别成功。

结果显示识别准确率很高，并且在不同扫描日之间、甚至在任务态与静息态之间都能成功，说明个体的连接轮廓是内在的、不依赖于扫描时大脑在做什么。区分个体最有效的是额顶网络；同一批最能区分个体的网络也最能预测流体智力。Amico & Goñi（2018, Scientific Reports）把这一思路量化为差异可识别性

$$I_{\text{diff}}=\overline{r_{\text{self}}}-\overline{r_{\text{others}}},$$

即同一人跨扫描相关的均值减去不同人之间相关的均值，并提出用主成分重建去噪来提高 $I_{\text{diff}}$。配套代码的指纹识别示例用模拟数据展示了识别率如何随个体特异成分的强度、扫描噪声和所用边数变化。

Gratton 等（2018, Neuron）用每人十多次扫描的精密成像数据进一步分解 FC 的变异来源，发现功能网络主要由稳定的群体因素和个体因素决定，而认知任务或日间波动造成的变化相对较小。这与 Gordon 等（2017）关于个体功能系统边界的发现一起，支持“个体化脑网络”的研究方向。

从识别到预测

个体差异稳定，并不等于它与行为相关。把 FC 用于预测个体表型的常见框架是基于连接组的预测建模（connectome-based predictive modeling, CPM; Shen 等, 2017, Nature Protocols）：在训练集中挑出与行为相关的边，把这些边的强度求和作为特征，建立线性模型，在留出的被试上检验预测值与真实值的相关。其要点是特征选择必须在交叉验证的每一折内部完成，否则会因信息泄漏严重高估预测能力。

信度、效度与样本量