病变网络映射
经典的病变–症状映射寻找具有相同症状的患者病灶的重叠区域。当症状由多个分散的病灶引起、或由与病灶相连的远隔区域功能障碍引起时，病灶本身可能几乎不重叠，这种方法就失效了。病变网络映射（lesion network mapping, LNM）试图把网络效应纳入病灶定位。
方法
Boes 等（2015, Brain）提出的流程分三步：（1）把每名患者的三维病灶勾画转到标准脑；（2）以病灶为种子，在规范连接组（来自大样本健康人的静息态 fMRI）中计算病灶与全脑每个体素的 FC，得到“病灶网络”；（3）把同一综合征所有患者的病灶网络（通常二值化后）叠加，寻找共同的连接靶区，并与对照病灶组比较以检验特异性。
Boes 等（2015）首先在脚性幻觉（皮层下病灶后出现的视幻觉）中检验了这一方法：23 个病灶位置分散、几乎不重叠，但其中 22 个与纹外视觉皮层呈负相关，这种网络重叠相对于其他皮层下病灶和其他皮层区域都是特异的。他们随后把方法推广到卒中后中枢痛、听幻觉和皮层下失语，在每种综合征中，彼此不重叠的病灶都在与症状表达有关的皮层区域显示出显著的网络重叠。由于不需要对患者做特殊扫描，只用临床常规影像即可，这一方法很快被用于大量神经和精神症状（Fox, 2018, NEJM 综述），并被用来提出神经调控的靶点。
方法学争论
LNM 的核心操作是从同一个规范 FC 矩阵中反复取出若干行（或若干种子区的平均行）再叠加。van den Heuvel 等（2026, Nature Neuroscience）重新分析了多项 LNM 研究的数据，指出许多不同疾病（成瘾、抑郁、精神病、癫痫等）得到的网络高度相似；他们发现，无论输入的是患者病灶、MRI 衍生的改变、合成病灶还是随机病灶，LNM 都会把它们映射到所用 FC 数据的同一组非特异性质上。对此，Pini、Salvalaggio & Corbetta（2026, Nature Neuroscience）等发表了回应，讨论该方法的生物学局限与适用条件；更早，Sperber & Dadashi（2020, Brain）也讨论过样本量与任意统计阈值对 LNM 结果的影响。这一争论仍在进行中。
从网络科学角度看，问题的根源容易理解：FC 矩阵的方差由少数几个主成分（类似全局信号或主梯度）主导，对它的随机行取平均会收敛到这些主成分。配套代码的病变网络映射示例演示了：随机病灶组的平均病灶网络与 FC 第一主成分的相关，和“症状组”一样高；只有与随机或对照病灶组相比较的特异性检验，才能区分真正的共同靶区与连接组本身的主轴。
使用或评价 LNM 结果时，至少要检查：（1）是否与合适的对照病灶组（其他症状的病灶、随机病灶）比较，而不只报告重叠峰；（2）结论对二值化阈值、规范连接组的选择（样本、预处理、是否 GSR）是否稳健；（3）结果是否只是规范 FC 主成分或主梯度的再现；（4）能否用独立的患者样本或干预数据验证。Salvalaggio 等（2020, Brain）在卒中患者中比较了病灶本身、间接结构失连接和间接功能失连接对行为缺陷的预测能力，这类“直接比较不同信息来源”的设计有助于判断网络映射到底增加了多少信息。