脑连接组：结构与功能连接20 / 20
适用范围与常见误用
- 误区：功能连接强说明两个脑区之间有直接的神经纤维。→ 正解：FC 是统计相关，可由间接路径或共同输入产生；直接解剖通路要看结构连接，因果方向要看有效连接。
- 误区：只要选一个“常用阈值”，结果就具有可比性。→ 正解：指标随密度系统变化，应扫描一段密度范围或使用加权网络，并在分析前确定方案。
- 误区：度最大的脑区就是最重要的枢纽。→ 正解：功能网络中度受模块大小影响，应结合参与系数、介数等多种指标，并检查排序在不同阈值、不同图谱下是否稳定。
- 误区： 证明大脑是“高效的小世界”，并能说明疾病组“小世界性降低”的机制。→ 正解：相关网络天然高聚集，空间嵌入也会产生高聚集； 依赖零模型和密度；组间 差异常受整体 FC 强度和头动驱动，需要控制这些因素。
- 误区：纤维追踪得到的流线数等于纤维数量。→ 正解：流线数受算法、种子策略、纤维长度影响，存在系统性假阳性（Maier-Hein 等, 2017）与敏感度–特异度的内在权衡（Thomas 等, 2014），是“重建证据”而非真实轴突计数。
- 误区：对 fMRI 做格兰杰因果就能得到信息流方向。→ 正解：区域间 HRF 差异和血管结构会产生可重复但非神经的方向（David 等, 2008；Webb 等, 2013）；有向结论需要显式建模血流动力学（如 DCM）或干预证据。
- 误区：用加权网络就不需要考虑阈值和整体连接强度。→ 正解：加权效率随权重整体缩放成比例变化，弱边与负边的处理仍是需要说明的选择。
- 误区：病变网络映射找到的重叠峰就是症状的网络定位。→ 正解：需与对照/随机病灶比较，并排除结果只是规范连接组主成分的再现。
- 误区：个体识别率高说明找到了生物标志物。→ 正解：识别率衡量稳定的个体差异，伪迹也可以稳定可识别；与临床或行为的关系需单独、在独立样本中检验。