症状网络与网络精神病学

脑连接组与动态脑网络中的节点是脑区，边来自影像信号。症状网络的节点换成了症状：失眠、情绪低落、疲乏、注意力差……边是症状之间的统计关联。这个看似简单的转换背后，是对“精神疾病是什么”的一种不同理解，被称为网络精神病学（network psychiatry）或网络心理测量学（network psychometrics）。Borsboom 等（2021, Nature Reviews Methods Primers）对这一方法体系做了系统综述：从多元数据中估计变量之间的条件依赖网络，再对网络结构做描述、比较和推断。

本专题按“理论—估计—推断—动态与干预—争议”组织：

• 理论：共同原因模型与网络理论，说明为什么要把症状看成网络，以及“替代稳定态”“滞后”等复杂系统概念如何进入精神病理学；
• 估计：连续/有序数据的偏相关与高斯图模型与正则化估计；二值数据的 Ising 模型；混合类型数据的混合图模型与可预测性；
• 解读与推断：贯穿全专题的横断面统计依赖与因果作用之分；症状中心性、桥中心性与共病；抽样不确定性与稳定性、样本量与估计方法的选择、网络比较；
• 动态与干预：个体动态网络（ESM、mlVAR、GVAR）、面板数据网络（CLPN 与 panel-GVAR）、网络干预分析；
• 应用与争议：临床应用、可重复性与中心性假说之争，以及症状网络模块控制方面的研究。

方法部分用到脑连接组中介绍过的偏相关与精度矩阵、社团结构与社区发现中的社团划分、网络构建与统计验证中的 bootstrap 与置换检验，以及网络可控性与稳定性中的网络控制理论。真实研究中，症状网络通常用 R 语言的 qgraph、bootnet、IsingFit、mgm、mlVAR、psychonetrics、NetworkComparisonTest 等包或图形界面软件 JASP 估计；本专题的代码示例用 numpy 从零实现其中的核心算法（EBICglasso、Ising 逐节点回归、桥中心性、NCT 置换、多被试 VAR、网络干预分析、可预测性），以便看清原理。

Links关联知识

• 网络结构指标与随机图：度、介数、接近中心性的原始定义及其“流动”假设，是理解症状中心性局限的起点。
• 社团结构与社区发现：Louvain 等社团划分方法，用于识别症状模块，是桥中心性与模块控制的前提。
• 网络可控性与稳定性：最小支配集与结构可控性，症状网络模块控制的理论基础。
• 脑连接组：结构与功能连接：偏相关、精度矩阵与正则化在功能连接估计中的同一用法。
• 网络构建与统计验证：从原始测量构建网络、bootstrap 与置换检验的一般原则。
• 动态功能连接与多层脑网络：时间序列上的网络估计、零模型与可重复性问题，与个体动态症状网络方法相通。
• 同步与协同动力学、网络上的传播与免疫：耦合强度与集体状态转变，为症状网络的替代稳定态与滞后提供动力学类比。
• 研究问题、可复现分析与敏感性分析：估计方法与超参数选择的敏感性分析和预注册。

References核心文献

Borsboom 2017：A network theory of mental disorders

• 背景：网络方法在精神病理学中迅速流行，但缺少一个系统的理论表述。
• 核心发现：该文（World Psychiatry，DOI: 10.1002/wps.20375）系统阐述了网络理论：症状之间存在直接因果关系；强连接的症状网络可能具有替代稳定态和滞后效应；外部因素通过“外场”作用于特定症状。文后附有多位学者的评论，代表了支持与批评的不同立场。
• 阅读提示：一定要读评论部分，体会该理论在概念上的争议（例如症状是否能被清楚地界定为独立的“节点”）。早期的综述可读 Borsboom & Cramer 2013（精读）。
• 思考题：如果网络理论正确，治疗应该怎样设计？如果共同原因模型正确，治疗又应怎样设计？二者的预测在什么实验中会出现分歧？

Borsboom 等 2021：Network analysis of multivariate data in psychological science

• 背景：网络方法从精神病理学扩展到人格、态度、认知等领域，需要一份系统的方法学综述。
• 核心内容：该文（Nature Reviews Methods Primers，DOI: 10.1038/s43586-021-00055-w）覆盖数据类型与研究设计、截面网络（GGM、Ising、混合图模型）与时间序列网络的估计、中心性与可预测性、稳定性与可重复性、报告与数据共享、方法局限与发展方向。
• 阅读提示：可作为本专题估计方法部分的总纲；对照本专题各知识页面，看每一种估计方法对应的数据假设。

Epskamp & Fried 2018：A tutorial on regularized partial correlation networks

• 背景：EBICglasso 被广泛使用，但许多使用者不清楚正则化的假设和后果。
• 核心内容：该文（Psychological Methods，DOI: 10.1037/met0000167）系统讲解偏相关网络、glasso 与 EBIC 选择、有序数据的处理，并用模拟说明不同样本量下的估计表现与常见误读。
• 阅读提示：对照正则化估计与样本量与估计方法的选择阅读。

Epskamp, Borsboom & Fried 2018：Estimating psychological networks and their accuracy: A tutorial paper

• 背景：大量症状网络研究只报告一个网络图和中心性排序，缺少对估计不确定性的检验。
• 核心发现：该文（Behavior Research Methods，DOI: 10.3758/s13428-017-0862-1）提出了边权 bootstrap 置信区间、病例删除 bootstrap 与 CS 系数、差异检验等一整套方法，实现于 R 包 bootnet，并用一个 PTSD 数据集完整演示。
• 阅读提示：对照抽样不确定性：边权准确性与中心性稳定性，把文中每一张图与它要回答的问题对应起来；注意作者对 CS 系数阈值的表述是经验性的建议。
• 思考题：如果一项研究的强度中心性 CS 系数为 0.13，作者却在讨论部分大篇幅解释“最中心症状”的临床意义，你作为审稿人会提出什么意见？
• 精读：Epskamp 2018

Bringmann 等 2019：What do centrality measures measure in psychological networks?

• 背景：中心性指标来自社会网络和信息流动研究，被直接搬到症状网络中。
• 核心发现：该文（Journal of Abnormal Psychology，DOI: 10.1037/abn0000446）分析了中心性指标背后的假设，指出接近中心性和介数中心性的假设在症状网络中难以满足，强度的解释也需谨慎，并用实证数据展示了这些指标的不稳定性。
• 阅读提示：结合网络结构指标与随机图中中心性的定义，思考“流动”的假设在社交网络、脑网络和症状网络中各自是否成立。
• 思考题：你能否设计一个中心性指标，使其假设与症状网络的生成机制相匹配？它需要什么样的数据？

Epskamp, Waldorp, Mõttus & Borsboom 2018：The Gaussian graphical model in cross-sectional and time-series data

• 背景：ESM 数据同时含有个体内与个体间变异，单一网络无法区分。
• 核心内容：该文（Multivariate Behavioral Research，DOI: 10.1080/00273171.2018.1454823）把 GGM 推广到时间序列，提出时间网络、同期网络与个体间网络三者的区分，并给出多被试的估计方法（mlVAR）。
• 阅读提示：对照个体动态网络与代码中的模拟，理解三种网络为什么可能符号不同。

其他方法文献

Further延伸资源

Open questions开放问题

1. 选择一种你熟悉的疾病（可以是精神疾病，也可以是慢性病，如糖尿病、慢性疼痛、帕金森病的非运动症状），列出 8–12 个可测量的症状或指标。用网络视角提出一个可检验的假说，并说明你需要什么样的数据（截面、ESM、面板还是干预）来检验它，以及应选择 GGM、Ising 还是混合图模型。
2. Pan 等（2024）的模块控制研究发现非情绪模块（如睡眠、压力相关条目）对情绪模块有更强的控制作用。如果要把这一发现推进到临床应用，你认为下一步应做什么研究？请说明研究设计（例如能否用网络干预分析检验）、主要结局指标以及可能的混杂因素。
3. 一项研究用两次随访的横截滞后网络发现“失眠预测后续情绪低落，而不是相反”。在接受这一结论之前，你还需要看到哪些证据或敏感性分析？
4. 两组样本的 NCT 结果是全局强度显著不同，但网络结构不变性检验不显著。这种组合可能在什么情况下出现？应如何解读？