脑连接组：结构与功能连接16 / 20
从 fMRI 到结论：分析流程与选择
前面各页逐一讨论了构建与分析的单个步骤。本页把它们串成一条完整的流程，以静息态 fMRI 功能网络为例（结构网络的对应步骤见结构连接）。表中每一行都是一个分叉点；Botvinik-Nezer 等（2020, Nature）请 70 个独立团队用同一份任务 fMRI 数据检验同样 9 个预先给定的假设，没有两个团队选择完全相同的流程，假设检验的结论也有可观的差异——即使在中间阶段统计图高度相关的团队之间也是如此。
| 步骤 | 常见选择 | 对结果的影响 | 推荐做法 |
|---|---|---|---|
| 1. 数据与采集 | 扫描时长、TR、多回波、睁眼/闭眼；公开数据（HCP、UK Biobank、ABIDE 等） | 扫描越长，个体 FC 越可靠；状态（睁眼/闭眼、困倦）改变 FC | 尽量 ≥10 分钟或多次扫描；记录状态与觉醒 |
| 2. 最小预处理 | 层间时间校正、头动校正、畸变校正、配准到标准空间或表面 | 配准质量决定节点信号的纯度；体积与表面流程结果不同 | 使用成熟流程（如 HCP 最小预处理、fMRIPrep）并报告版本 |
| 3. 去噪 | 24 参数头动回归、aCompCor、ICA 去噪、scrubbing、带通滤波、是否 GSR | 头动产生距离依赖的伪相关；GSR 改变负相关和组间差异（Power 等, 2012；Ciric 等, 2017） | 预先确定策略；报告残余的 FD–FC 关联；GSR 与否都报告 |
| 4. 节点定义 | 解剖图谱、功能图谱（Schaefer、Power）、多模态图谱（Glasser）、个体化分区 | 节点数和边界改变所有指标；功能不准确的 ROI 严重损害估计（Smith 等, 2011；Zalesky 等, 2010） | 主分析用与问题匹配的图谱，至少用一个其他图谱复核 |
| 5. 边的估计 | 相关、偏相关、正则化逆协方差、切空间；有效连接模型 | 相关混合直接与间接关联；偏相关噪声大；滞后方法在 fMRI 上不可靠 | 根据问题选择；Fisher 变换后做统计 |
| 6. 负权与稀疏化 | 保留正权、取绝对值、正负分析；绝对/比例阈值；统计阈值；MST | 密度驱动几乎所有指标；比例阈值在整体 FC 偏弱时引入噪声边 | 密度扫描 + 加权分析；把整体 FC 强度作为协变量 |
| 7. 网络指标 | 二值或加权；全局、节点或边层面 | 加权效率随整体权重缩放；度受模块大小影响 | 选择少数预先假设的指标，避免“指标钓鱼” |
| 8. 零模型与归一化 | ER、度保持重连、保持强度、保持空间几何、随机相关矩阵 | 零模型保留什么，结论就只能超出什么 | 报告零模型类型；对空间嵌入网络使用空间零模型 |
| 9. 统计推断 | 组间 GLM、NBS、置换检验；多重比较校正；预测模型交叉验证 | 未校正的多重比较和信息泄漏是假阳性的主要来源 | 预注册；置换检验；嵌套交叉验证 |
| 10. 验证与报告 | 独立样本复现、跨图谱/去噪/阈值的多宇宙分析、公开代码 | 小样本效应量膨胀；分析灵活性导致不可重复（Marek 等, 2022） | 多宇宙分析或规格曲线；公开代码与连接矩阵 |
多宇宙分析（multiverse analysis）：把流程中每个有合理理由的选择都列出来，组合成所有可能的“分析宇宙”，对每个宇宙都执行一次分析，然后报告结论在这些宇宙中的分布，而不只报告其中一个。它把分析灵活性从隐藏的风险变成可报告的结果（另见研究问题、可复现分析与敏感性分析）。
公开数据：人类连接组计划
许多脑网络方法是在人类连接组计划（HCP）的数据上发展和检验的。WU-Minn HCP（Van Essen 等, 2013, NeuroImage）采集了约 1200 名健康青年成人的多模态数据，包括结构像、高分辨率弥散成像、静息态与多种任务态 fMRI，部分被试还有 MEG 与 7T 数据，并提供大量行为与人口学变量以及双生子/家系结构。其静息态 fMRI 采用多波段快速采集，每人共四段、每段约 15 分钟（Smith 等, 2013, NeuroImage）；数据随“最小预处理流程”一起发布（Glasser 等, 2013, NeuroImage），便于不同研究在相同的起点上比较方法。使用 HCP 或其他公开数据时，应遵守数据使用协议（部分敏感变量需单独申请），并在报告中写明具体的数据版本与被试筛选。