pmg-jICA解码跨网络的结构-功能耦合

静息态fMRI网络常被单独降维后与结构影像融合，损失了功能空间的多网络交互信息。pmg-jICA为每个内源性网络保留独立结构-功能映射链路，再经组ICA整合为共享成分，从而在单一框架内同时刻画网络特异性耦合与跨网络协变。应用于AD数据，该方法不仅定位到皮层下、视觉及认知控制区的异常，还进一步揭示了功能网络连接中伴随的结构共变模式。这种“分而治之、联合对齐”的思路，为解析神经退行性疾病中的失耦合机制提供了更贴近脑组织原理的分析工具。

摘要

整合神经影像数据能够加深我们对大脑的理解。结构磁共振成像(sMRI)以高空间分辨率刻画脑的解剖形态，而功能磁共振成像(fMRI)则捕捉动态的血氧水平依赖信号，反映脑的功能组织模式。将这两种模态结合起来可以揭示大脑中重要的结构-功能关系。然而，现有方法通常仅将sMRI与单个fMRI网络关联，忽视了多个网络的空间复杂性，因而遗漏了分布式的结构-功能关系。为了突破这一局限，本研究提出了并行多链路组联合独立成分分析(pmg-jICA)，这是一种数据驱动框架，能够在单一模型中将来自sMRI的灰质图像与多个内源性fMRI网络融合。pmg-jICA可捕捉跨网络的结构-功能耦合，保留被试特异性变异，并支持稳健的组水平统计分析。将该方法应用于阿尔茨海默病(AD)数据集，成功解析了53个脑网络的结构-功能关联成分。结果显示，AD患者表现出皮层下、认知控制和视觉区域的改变。更为重要的是，基于被试载荷进一步计算功能网络连接，揭示了皮层下、视觉和认知控制系统中的其它异常。综上，pmg-jICA克服了现有多模态融合技术的关键瓶颈，为AD中的结构-功能失耦合提供了更深入的见解，并有望为研究其他神经和精神疾病提供一个灵活的框架。

引言

结构磁共振成像(sMRI)通过测量大脑结构的解剖学和形态学特征，提供高分辨率的组织细节，而功能磁共振成像(fMRI)则通过捕捉血氧水平依赖(BOLD)信号，以揭示大脑的功能组织模式。这两种模态之间的关系通常被称为结构-功能耦合，反映了解剖连接或灰质(GM)组织在多大程度上支持并约束跨脑网络的功能活动与通信模式。近期研究表明，整合sMRI与fMRI在检测疾病相关改变和提升诊断性能方面具有明显优势。例如，Park等人(2017)发现，相较于单模态分析，将皮层厚度与默认模式网络的fMRI连接特征相结合可提高诊断准确性。多模态融合方法的综述同样强调，整合sMRI和fMRI能够揭示结构-功能耦合机制，而这一机制无法仅从任一单模态中获得。上述证据为联合模型的开发提供了强有力的动因，本文所提出的并行多链路组联合独立成分分析(pmg-jICA)即旨在识别反映阿尔茨海默病(AD)中共享结构-功能改变的跨模态一致性成分。将sMRI与fMRI整合，本质上是在结构基质与其功能表达之间建立联系，从而揭示任一模态均无法单独捕获的病理生理机制。然而，多模态融合在方法学上仍面临显著挑战，因为它需要整合在尺度、维度和统计特性上各不相同的多类数据。

当前，多模态神经影像研究领域虽已取得显著进展，但在无缝整合多模态数据信息方面仍存在挑战。Luo等人(2020)利用一个包含1500余名个体的数据集，采用分离式两步分析法而非联合方法，对结构-功能关系进行了刻画。类似地，Sendi等人(2020)亦采用分离式多模态分析框架，考察了从正常认知向极轻度AD的转变。相比之下，对同一个体的多种影像数据进行联合分析，已被证明在这一研究背景下具有独特价值。例如，Qi等人(2022)开发了一种三路平行组独立成分分析(ICA)融合方法，在关联不同维度数据的同时，实现了精神分裂症患者与健康对照的有效区分。Duan等人(2020)则提出了一种名为aNy-way ICA的多模态融合方法，该方法无需对信源施加正交性约束，即可灵活检测任意数量模态之间的互连信源。

总的来说，许多多模态方法通常假设不同模态源于一个共享的数据分布。在实际应用中，高维fMRI数据常被降维为每个被试的单张汇总图，例如低频波动振幅(ALFFs)或某一代表性内源性网络(如默认模式网络)。然而，采用ALFFs这类高度聚合的测量指标可能造成信息损失，难以完整捕获fMRI数据固有的空间复杂性。这种降维可导致详细空间信息的丢失，从而使得与其他本可受益于更精细空间表征的模态进行有效整合变得更加困难。另一个复杂因素在于，来自同一个体的多模态数据集在统计上并非独立或同分布，这进一步加剧了直接整合的方法学难度。

独立成分分析(ICA)在fMRI数据分析中展现出巨大潜力，并得到了广泛应用。在fMRI应用中，ICA能够在适当的假设条件下有效分离空间或时间上独立的信源，表现出良好的性能。ICA的扩展方法，如联合ICA和平行ICA，已被广泛用于fMRI、sMRI和脑电图(EEG)的多模态融合，使多种模态的联合分析成为可能。相较于仅聚焦单一模态的研究，这些方法加深了我们对人脑及其疾病的理解，并提供了更为全面的分析视角。

本研究此前提出的模型——并行多链路联合ICA(pml-jICA)，为同时融合GM图与多个功能网络提供了一种强大的方法，同时允许不同模态具有相异的数据分布。然而，尽管pml-jICA纳入了多个脑网络，但它并未完全捕获网络间交互，也未优化各组关联功能网络与其相应结构模式之间的映射。这种优化之所以重要，是因为不同的功能网络可能在不同个体间对应不同的结构基质。若融合方法未考虑这种网络特异性变异，则可能会模糊重要的结构-功能关系，并降低对细微但具有临床意义的改变的检测敏感性。

为弥补这一不足，本研究将ICA拓展为多模态融合的统一框架，并引入了一种融合组ICA与pml-jICA的新方法，即pmg-jICA。该方法能够将多个功能脑网络及其时间信息与结构信息(sMRI灰质图像)进行融合。通过针对每个网络-结构配对进行定制化融合，pmg-jICA保留了网络特异性的结构-功能关系，从而能够更精确地刻画结构退行性改变如何与功能损伤相关联。

本研究将该方法应用于一个AD数据集。AD是最常见且最具破坏性的神经退行性疾病之一，影响着全球数百万人。其特征是进行性认知衰退以及显著的脑结构和功能改变。由于结构退行性变与功能损伤之间存在复杂的相互作用，对AD的研究构成了神经科学领域的一项关键挑战。本文所提出的pmg-jICA通过估计联合成分，为揭示上述复杂性提供了新的途径。该方法能够实现网络特异性的GM融合、功能网络连接(FNC)的估计，以及网络特异性的结构分解。关键优势在于，它能够基于融合的结构-功能模型进行反向重建，从而获得被试特异性的空间图。这些被试水平的图谱随后可用于检验组间差异，或分析其与临床及行为变量的关联。

方法

pml-jICA

pml-jICA被开发用于联合分解脑结构与功能成像数据，其方法是将一组fMRI网络与GM图像关联到一组共同的独立成分中。在该方法中，每种模态的数据首先通过主成分分析(PCA)进行降维，然后使用Infomax ICA进行联合分析，估计一个跨模态且跨被试共享的单一混合矩阵。该方法假设fMRI与sMRI之间存在跨被试的固定全局线性关系。因此，一旦联合成分被估计，所有被试在fMRI与sMRI之间便共享同一个混合矩阵。由此导致pml-jICA无法显式捕获以下两类信息：(a)网络间的交互作用，以及(b)fMRI与sMRI连接模式中被试特异性的变异。

pmg-jICA

为了解决这些局限，本研究将pml-jICA进一步扩展为pmg-jICA。该框架引入了一个网络特异性多链路映射步骤，并将其与组ICA模型相结合。不同于每次仅将单张fMRI图与sMRI进行融合的pml-jICA，pmg-jICA对所有内源性连接网络(ICN)逐一进行融合，从而能够对网络间和网络内关系进行建模。pmg-jICA并非依赖单个fMRI网络，而是利用多个ICN，这些ICN代表一组具有相干静息态活动的空间分布脑区，通常用于刻画核心功能系统(如默认模式网络、视觉网络)。pmg-jICA流程如图1所示，包含四个主要阶段：(a)预处理，(b)数据矩阵设计——该设计允许多个ICN进行交互，(c)基于pml-jICA的联合分解——该步骤用于估计联合独立成分，以及(d)通过双回归(dual regression)进行反向重建——该步骤针对每个ICN计算优化的被试特异性结构-功能成分对。

图1.pmg-jICA流程图。

预处理。该步骤使用原始数据的变换T(.)执行基本预处理，主要包括空间标准化、重切片(确保所有图像具有相同的体素分辨率和方向)以及平滑处理(提高信噪比)。对预处理后的fMRI数据应用空间约束ICA，利用Neuromark_fMRI_1.0模板建立空间先验，为每个被试生成53个内源性连接网络(ICN)。采用NeuroMark模板以确保功能图与已知的、可靠的功能网络对齐，从而有助于对结构-功能关系做出具有临床可解释性的解读。

数据矩阵设计。该步骤包含数据矩阵的构建与降维。该矩阵旨在纳入所有被试的全部ICN，以实现组水平交互，并支持与GM数据的联合融合。对于fMRI模态，来自所有被试的空间图被组织成53个矩阵——分别对应每个NeuroMark ICN。对于每个ICN k，所有被试的空间图被整合为一个统一的数据矩阵：

其中k=[1, 2, …, k]表示ICN的数量。

接下来，使用PCA对每个特定于ICN的数据矩阵Fk进行降维，以捕捉跨被试的网络特异性变异：

其中，Xk是大小为p1×Vf的降维矩阵，p1表示基于累积方差(通常为90%–95%)所保留的前几个主成分(PC)，Vf是ICN k的体素数。本研究中，所有ICN特异性数据矩阵Xk均使用相同数量的主成分p1。该步骤在压缩被试信息、降低网络内冗余的同时，保留了被试水平的细节信息。在进行PCA之前，对每个体素进行跨被试的z标准化，即减去其均值并除以其标准差。相邻体素之间的空间依赖关系保持不变，因为z评分是在每个体素上跨被试独立进行的，并不改变图内空间协方差。

随后，将所有53个ICN的降维数据矩阵Xk进行拼接，并对拼接后的数据矩阵应用第二级PCA，以将其进一步压缩至目标成分数量d。大小为d×Vf的降维矩阵Xf可表示为：

本研究采用两级PCA以减轻直接处理所有被试数据的计算负荷，并识别跨所有被试的各独立ICN的共同空间模式。这种两阶段PCA是组ICA和多模态融合中的标准做法，能够在保证计算效率的同时，有效保留跨被试和跨网络的主导方差结构。

同理，对所有被试的堆叠GM图像进行单次PCA：

其中，Xg是大小为d×Vg的降维数据矩阵，与fMRI数据矩阵Xf保持对齐。Vg表示GM图像中的体素数。Xf和Xg共享一致的体素空间，以确保融合过程中的空间对应。由于GM图像和ICN在融合前均已降维为PCA成分，因此两者之间并不存在基于体素的拼接，从而无需各模态之间具备相同的体素尺寸。

基于pml-jICA的联合分解。在此阶段对Xf和Xg进行联合分解，并估计联合独立成分。由于GM和ICN数据遵循不同的分布，本研究采用了此前提出的pml-jICA算法，该算法执行交替初始化和估计，从而放宽了原始jICA关于跨模态分布相同的假设。这也有助于防止在估计最大独立成分的过程中某一模态主导另一模态。pml-jICA分别对两种模态独立估计其混合矩阵Ag和Af，同时通过联合优化程序强制执行跨模态共享的潜在成分结构。这一设计使得异质性模态能够被恰当地建模，并降低某一模态主导联合分解的风险。

在pml-jICA中，Xg和Xf的初始表达式如下：

其中，Ag和Af为混合矩阵，Sg和Sf分别为GM和ICN的独立信源图。pml-jICA通过交替执行模态特异性ICA更新和跨模态对齐步骤来估计共享的混合结构。在每次迭代t中：

⇒给定A(t)，依据Infomax自然梯度法则，通过最大化Sm=(A(t))+Xm的非高斯性来更新Ag(t+1)和Af(t+1)，其中m∈{g, f}。

⇒计算基于方差的权重wg和wf，以反映各模态的相对信号功率。权重定义为各模态估计信源图的总方差：wm=trace(cov(Sm))，m∈{g, f}。

⇒融合模态特异性更新，构建加权联合矩阵。

⇒重复直至收敛(∥A(t+1)−A(t)∥ / ∥A(t)∥< 10−6)。

收敛后，联合信源图(S)按如下方式获得：

其中“+”表示Moore–Penrose伪逆矩阵。

基于双回归的反向重建。pml-jICA估计出一组组水平联合信源图(S)，代表联合连接GM和ICN的多模态成分。这些联合成分为所有网络提供了一个共享的共同成分基。为获得网络特异性成分，本研究对每个ICN分别应用了基于双回归的反向重建流程。具体而言，对于每个ICN k，通过将组水平联合成分S投影至ICN特异性数据矩阵X̂k(其中X̂k=[XgXf]k)来重建网络特异性联合成分Sk。在此公式中，重建的Sk表示为组水平联合信源图的线性组合。因此，所有ICN共享相同的组水平联合成分基，但每个ICN通过其网络特异性投影获得了各自的重建空间图。

反向重建通过两个连续的回归步骤完成。首先，将ICN特异性数据投影到组水平联合信源图上，以估计网络特异性被试载荷矩阵Lk：

Lk的每一行代表个体被试在ICN k中联合多模态成分的表达强度。其次，通过将ICN特异性数据(Xk)对估计的被试载荷进行回归，重建相应的网络特异性空间图(Sk)：

其中，εk表示残差噪声。Sk包含模态特异性部分，即GM空间图Sk(g)和fMRI空间图Sk(f)，分别对应于联合信源的结构和功能成分。pmg-jICA模型及示例代码详见(https://github.com/trendscenter/fit)。

pmg-jICA中的数据矩阵设计允许多个ICN进行交互，而基于回归分析的反向重建则能够计算每个ICN的被试特异性结构-功能关系。简言之，pml-jICA将所有ICN视为一个单一的同质特征空间，实际上是将不同的功能子系统平均化为一个联合模型。pmg-jICA通过建模sMRI与每个ICN之间的并行链路，并借助组ICA整合这些多重映射，有效规避了上述问题。pmg-jICA融合了pml-jICA与组ICA的双重优势，并揭示了在既往jICA模型中被模糊化的被试特异性网络间结构-功能耦合。

解读流程

该步骤并非pmg-jICA主流程的一部分，而是旨在阐明如何对结果进行解读。pmg-jICA框架提供三种主要输出：网络特异性被试载荷(Lk，维度：K×N×d)、GM成分(Sk(g)，K×d×V)和fMRI成分(Sk(f)，K×d×V)。其中，被试载荷为时间序列，而GM和fMRI成分在本研究中以空间图的形式呈现。第k个ICN的被试载荷在双回归阶段计算如下：

基于该网络特异性被试载荷，ICN k的GM空间图和fMRI空间图可分别针对各模态进行重建，

以及

其中，Sk(g)和Sk(f)分别表示与ICN k相关联的GM空间图和fMRI空间图。

被试载荷代表成分的表达强度，即某个特定脑模式在单个被试上的显著程度。载荷较高，意味着该被试更强烈地表达该成分模式；载荷较低，则表明该模式的表达较弱。在pmg-jICA中，GM成分的空间图代表基于ICA的跨被试GM强度共变空间模式，而fMRI成分的空间图则代表源自BOLD数据的基于ICN的空间模式。在空间图中，体素权重的正负号指示各区域对该成分的贡献方向，反映该区域与其他区域在跨被试层面的共变关系。这些符号是相对于该成分而言的。相关流程如图2所示。

图2.展示了pmg-jICA结果的解读流程。

在网络特异性重建图谱部分，首先对53对ICN-GM对中每一对的被试载荷进行双样本t检验(本研究中K=53)，以识别健康对照(HC)组与AD组之间的网络特异性改变。采用错误发现率(FDR)方法进行多重比较校正(p<0.05)。该分析能够识别出在AD组与HC组之间显示显著组间差异的GM-fMRI成分对。此外，对于每个显著成分，分别检查两组中的被试载荷。为概括各显著多模态成分在组内的总体强度，本研究计算了该组被试载荷的总和，并在AD组与HC组之间进行比较，以确定相应的多模态模式在AD组中(相较于HC组)是增强还是减弱。

在FNC部分，本研究扩展了这一分析，以考察FNC如何与跨成分的结构组织相关联。对于每个成分d，可以获得大小为53×260的被试载荷矩阵Lk(其中N=260为被试数量)。通过对Lk中每对ICN进行Pearson相关分析，计算了成分特异性(d=10)的FNC矩阵。由于FNC反映的是全脑水平的网络间连接，本研究将来自全部53个ICN的相应GM空间图聚合为单张空间图，以与FNC表征的全局空间范围相匹配。最后，每个FNC矩阵均与其相应的聚合GM图配对，形成了10对FNC-GM对，用以捕捉支撑全局功能连接的共享结构贡献。需要指出的是，该分析并非用于检验组间差异，而是旨在说明pmg-jICA所识别的多模态成分如何将GM组织的变异与跨被试的大规模网络交互联系起来。

HC组与AD组的分类

本研究采用10折交叉验证和袋外(OOF)框架对分类模型进行训练与测试。多模态特征源自pmg-jICA分解结果，包括被试特异性GM载荷以及基于ICN载荷计算的被试特异性FNC矩阵。在构建特征之前，对ICN和GM载荷进行z标准化。对于每个被试，选定的FNC特征与GM载荷拼接形成最终的多模态特征向量。FNC特征计算为每位被试各ICN时间进程之间的成对Pearson相关，并使用仅基于训练集计算的t分数准则，筛选出一个信息性FNC边子集，以识别组间差异最显著的连接。本研究评估了两种分类器：装袋决策树集成(BagTree)和K近邻(KNN)，因为二者在初步分析中均优于其他测试的分类器。在每一折中，90%的被试用于训练，10%用于测试。超参数仅在训练数据上使用内部五折交叉验证循环进行优化。对于KNN分类器，近邻数在候选集K={1, 3, 5, 7, 9, 11, 15, 21}上进行调优，以交叉验证训练准确率最大化为准则选取最优值。BagTree分类器参数(树的数量=600，最小叶大小=10，最大分裂数=150)预先固定，不在内部循环中调优。每个被试贡献一个OOF预测，最终性能指标基于汇总的OOF预测结果计算得出。此外，本研究还评估了仅使用GM或仅使用FNC特征的单模态模型，并与多模态模型进行比较，以评估整合结构信息与功能信息的附加价值。

分类性能使用受试者工作特征曲线下面积(AUC)、准确率、F1分数和Brier分数进行评估。受试者工作特征(ROC)曲线通过绘制不同决策阈值下真阳性率(敏感性)与假阳性率(1-特异性)的关系，提供了一种独立于阈值的分类器性能度量。AUC将ROC曲线概括为取值介于0到1之间的单一指标，值越接近1表示类别区分能力越好，0.5则对应于随机水平的表现。F1分数的取值范围为0到1，通过计算精确率和召回率的调和平均数来平衡这两个指标的权重，值越接近1表明敏感性与精确性之间的平衡越好。Brier分数衡量预测概率与真实类别标签之间的均方差异，值越低表明概率校准越好，整体预测准确性越高。

数据与预处理

本研究数据来源于纵向OASIS-3数据集。该数据集包含1098名参与者的MRI与正电子发射断层扫描(PET)影像数据以及相关临床资料。参与者在睁眼、休息状态下接受了两次6分钟的静息态BOLD序列扫描。数据集共包含2165个T1w加权sMRI扫描session以及1691个静息态BOLD扫描session。本研究的分析主要基于sMRI与静息态BOLD序列。

本研究采用了每个参与者的影像数据、人口统计学信息及临床痴呆评定量表(CDR)评分。在质量控制环节，GM图像被随机分组，并将与组平均图像空间相关性低于0.95的扫描图像予以标记剔除。经此质量控制流程优化后，数据集从最初的1098名被试减少至784名，其中包括648名HC与136名AD个体。在优化后的数据集中，从HC组与AD组中各随机选取130名参与者，共计260名，构成最终的分析子集。该选择策略确保了两组样本量均衡。HC定义为认知功能正常且CDR评分为0的个体，AD被试则归类为AD痴呆且CDR≥0.5。

fMRI数据在SPM12中进行预处理。首先进行头动校正，随后进行时间层校正。接下来，采用全宽半高(FWHM)为6mm的高斯核进行空间平滑处理。与此同时，sMRI数据采用SPM进行分割与空间标准化，随后同样以FWHM为6mm的高斯核进行平滑处理。fMRI与sMRI数据均被标准化至蒙特利尔神经病学研究所(MNI)标准空间，并重采样为3mm×3mm×3mm的各向同性体素。这种对齐确保了相应体素在各模态间代表相同的解剖位置，这对于联合分析中的逐体素对应至关重要。

结果

本研究将提出的pmg-jICA方法应用于260名被试的GM与ICN，并对53个ICN逐一估计了10个独立联合成分。成分的数量基于信息论方法的实证结果进行选择。具体而言，在ICA框架下应用最小描述长度(MDL)准则后发现，当成分数超过10时，额外成分主要捕获噪声而非具有生理意义的脑信号。

网络特异性重建图谱

53张重建联合图谱的集合被称为“53 combinations”(com-1至com-53)。每个组合对应一个ICN。对于每个ICN，pmg-jICA模型估计出10个联合独立成分，每个成分代表一个独特的GM-fMRI对。因此，每个组合(Com-1至Com-53)包含10对GM-fMRI成分对，每对包含一张GM空间图与一张fMRI空间图，共同捕获该ICN特异的结构-功能耦合。图3A展示了经FDR校正后的双样本t检验结果，显示53个组合中有11个达到显著水平(p<0.001)。在这11个显著组合中，本研究进一步识别出显著的GM-fMRI成分对，记为C-1至C-10。其中，9个组合(com：1、2、3、4、20、23、25、51、53)显示AD组的绝对被试载荷参数相比HC组降低，而其他组合(com：28和42)则显示AD组的载荷相比HC组增加，如图3B所示。

图3.(A)展示了网络特异性显著成分。(B)显著成分的平均被试载荷参数值。

此外，本研究评估了这些显著成分的空间图，以揭示其结构-功能耦合模式。此处，耦合是指同一成分内不同脑区的共现关系，即某一区域的变化(例如GM中的区域A)与另一区域的变化(例如fMRI中的区域B)存在系统性关联。例如，GM图中的区域A可能在结构上支撑或促成fMRI图中区域B的神经激活；或者在某些情况下，同一区域A可能同时表现出结构性和功能性调制。与单模态分析不同，pmg-jICA能够在单一成分内捕获上述两个或多个区域，从而揭示这些区域之间的相关、关联或耦合关系。相较于HC组，在组合1的成分2中(图4)，GM空间图显示听觉(AU)区域颞中回的空间表达在AD组中增强。相应的fMRI空间图则突出显示了尾状核(皮层下[SC]域)和认知控制(CC)域的空间表达。其中，SC域在AD组中(相比HC组)显示出空间表达减弱，而CC域则同时表现出增强和减弱的空间表达，反映了功能改变的复杂模式。相较于HC组，在组合2的成分4中，GM空间图显示AD组的脑岛、额下回(CC)以及颞上回(AU)的空间表达减弱。相应的fMRI空间图则显示AD组中丘脑(SC)和舌回(视觉[VS])的空间表达减弱，但CC中靠近海马的部分区域在AD组中(相比HC组)表现为功能性增强。所有显著成分的结构-功能耦合列于表1。耦合关系揭示了GM和fMRI中的共变区域，空间表达的组间差异通过比较AD组与HC组的被试载荷进行评估。本方法的一个优势在于，它能够将空间上重叠的区域分离至不同的独立成分中。

图4.展示了11对显著GM-fMRI成分对的联合空间图。

表1.通过pmg-jICA识别出的、具有统计显著性的GM-fMRI成分对中的活跃区域。

FNC

本研究分别计算了10个联合成分的53×53的FNC矩阵，并将其与相应的聚合GM图配对。联合成分4(C-4)的FNC矩阵如图5A所示。在FNC矩阵中，可观察到默认模式(DM)、小脑(CB)、SC和CC网络内部的正向功能网络间连接，感觉运动(SM)和VS网络亦有部分参与。这表明上述网络之间存在正相关关系。图5C中的连接图进一步揭示了CC的海马与SM网络中央后回之间的正连接。此外，本研究还识别出DM网络的楔前叶与CC的额下回之间的正连接，以及VS网络中的枕下回与CC的顶下小叶之间的正连接。图5B中相应的聚合GM图显示，CB和VS区域具有正体素权重，表明这些区域对GM成分具有正向贡献，且与静息态下相应网络内部更强的功能连接共变。综上所述，这些发现突显了不同领域之间存在着紧密的结构-功能耦合。

图5.联合成分4：(A)从被试载荷导出的53×53 FNC矩阵，显示了ICN之间的成对相关。(B)与成分4相关的、跨所有网络组合的平均GM空间成分图，突出显示了来自VS和SC区域的主要贡献。这些空间模式反映了该成分内部的结构协变。(C)在脑网络层面汇总具有显著FNC模式的连接图，展示了DM、CC、SC和VS之间的协同交互。

分类

图6汇总了基于pmg-jICA框架提取的单模态与多模态特征的分类性能。图6A展示了BagTree和KNN两种分类器在使用组合多模态特征集时的ROC曲线，两者的AUC均为0.72，表明跨分类器的泛化性能稳定且一致。ROC曲线的高度相似性表明，观测到的分类性能主要归因于底层多模态特征的判别能力，而非特定分类器的选择。图6B展示了分类准确率、F1分数和Brier分数。两种分类器均达到了相似的分类准确率(约70%–71%)和F1分数，且Brier分数较低，表明概率校准良好。图6C进一步比较了多模态与单模态特征集的分类性能，结果显示组合多模态特征(GM载荷+基于ICN的FNC)始终优于两种单模态特征方案。

图6.基于pmg-jICA导出的单模态与多模态特征的分类性能。

结论

本研究提出的pmg-jICA，为多模态MRI数据的联合分析提供了一种全新的方法论路径，实现了结构信息与功能信息的有效融合。通过突破不同影像模态在尺度、维度和统计特性上的整合瓶颈，该方法将多源数据统一纳入联合分解框架，同时最大限度地保留了各模态信息的丰富性，从而显著深化了对AD脑改变机制的系统理解。对健康对照与AD患者脑结构与功能改变的联合考察，揭示了AU、VS、SC、CC以及小脑等区域中稳健且网络特异性的异常模式。通过与组ICA进行联合分析，pmg-jICA能够全面捕获结构连接与特定功能网络之间的个体化变异，使我们得以充分利用多模态影像数据的联合分布信息，最终提升区分健康与疾病的判别能力。所识别的连接性与结构改变，为阐明AD对核心脑功能与行为的影响提供了新的机制性见解。更重要的是，这些发现有力地证明了多模态融合方法在揭示单模态研究难以触及的复杂关系方面具有不可替代的价值。本研究的贡献不限于AD本身，更为多种神经影像数据的联合分析提供了方法学上的重要推进，有望从更整合的视角加深我们对脑疾病结构-功能失联结机制的理解。

参考文献：K. M. Ibrahim Khalilullah, Souvik Phadikar, Oktay Agcaoglu, Jing Sui, Marlena Duda, Tülay Adali, Vince D. Calhoun; Parallel multilink group joint ICA (pmg-jICA): Fusion of 3D structural and 4D functional data across multiple resting fMRI networks. Network Neuroscience 2026; doi: https://doi.org/10.1162/NETN.a.575