風險決策的動態功能網絡研究

蔣偉雄，譚敬德，胡春光，黃任之，李勇帆，姜華，王維

風險決策是指個體在風險情境下，權衡判斷不同選擇的結果從而做出決策的過程[1]。風險決策是我們生活中經常遇到的決策形式，尤其是青春期個體由于身心發展的不協調，更容易發生與風險決策相關的風險行為，從而危害到他們的身心健康[2]。

近年對風險決策現象開展了一些認知神經機制方面的研究，發現大腦前額葉在風險決策中起著重要作用[3]，青少年前額皮層區的活動強度與其風險行為呈負相關[4]，而內側眶額葉與獎賞加工密切相關，其活動強度與獎賞大小呈正相關[5]。有學者認為由于青少年期前額皮層發展的不成熟，使得認知控制能力不足，從而做出不計后果而冒險的決定[2]。隨著研究的深入，人們開始從腦網絡上對風險決策進行神經機制研究，發現青少年的風險決策行為跟認知控制網絡和情感網絡有關[5]。

目前的腦網絡研究主要是使用了靜態功能連接分析，即默認整個掃描時程內功能連接是固定的[6]。而最近研究發現在靜息態下的功能連接顯示出顯著的振幅波動性[7]，基于這種波動得到的連接稱之為動態功能連接，它為研究人類的行為提供了一些重要的腦活動信息[8]。我們猜想這種動態的相互作用可能與青少年的風險決策行為相關。因此，筆者擬利用動態功能連接對個體的風險決策行為進行腦網絡分析，以實現對風險決策的腦網絡特征探索。

1 材料與方法

1.1 研究對象

本研究從社區召募了50名右利手對象(18～23歲，受教育年限6～9年)，男性，不酗酒，不吸毒，無精神類疾病(比如抑郁癥；焦慮癥，精神分裂癥等)，視力正常或矯正正常，身體健康，智商正常。實驗前向所有被試詳細告知實驗過程，簽署知情同意書。本研究經過中南大學湘雅三醫院倫理委員會同意。

1.2 風險決策的實驗范式

我們使用氣球模擬風險決策任務(balloon analog risk task，BART)進行風險決策能力的評估。實驗時，通過按鍵使電腦屏幕上的氣球吹氣變大，氣球越大屏幕上顯示的收益越多，但氣球爆炸的風險系數也越高，一旦氣球吹爆，則該次收益就降為零或負值。實驗者通過自主決策確定是繼續充氣得到更多的可能收益還是停止充氣得到現有的收益，最終收益總額反映了受試者的風險決策能力。這種風險決策受多種因素調控，包括受試者對實驗風險的敏感度，對實驗結果的學習和反饋能力等[9]。為了保證配合，我們承諾根據其最終總額給予相應的現金獎勵。BART實驗范式接近于現實生活中的風險決策場景，并已成功應用于對風險決策的功能磁共振(functional magnetic resonance imaging，fMRI)研究[10]。

1.3 圖像數據獲取

所有對象的磁共振數據都從中南大學湘雅三醫院的Philips磁共振成像3.0 T系統掃描得到。實驗前，告知被試實驗時放松、閉眼，頭部不要動，不要睡覺，也不要進行特定的思維活動。掃描時平躺在實驗臺上，戴上降噪耳機，掃描序列為梯度平面回波成像序列，參數設置如下：TR 2000 ms，TE 30 ms；掃描層數36，層厚4.0 mm，無間隙；FOV 240 mm×240 mm；反轉角90°；掃描矩陣128×128；掃描時長400 s，共200幅全腦圖像。

1.4 數據預處理

對所有靜息態fMRI數據使用軟件SPM8按照如下步驟進行預處理：首先對所有對象移去前5幅全腦圖像以降低磁場飽和以及被試對環境適應的影響；接著對余下的195幅圖像進行空間校正和頭動校正，去掉頭動平移超過1 mm、旋轉超過1°的1個被試；對校正后的圖像進行空間標準化，使用EPI模板(MNI坐標)進行重采樣(3×3×3的體素大小)；再使用8 mm半高全寬的高斯核函數進行空間平滑，使用Chebyshev帶通濾波器(0.01＜f＜0.1 Hz)進行時間濾波；為了減少潛在的生理噪聲對動態分析的影響，對頭動參數、腦平均信號、白質信號和腦脊液信號等參數進行回歸[8]。

1.5 功能連接的動態性分析

把預處理后的功能圖像按照模板劃分成160個感興趣腦區(region of interest，ROI)[11]，對每個ROI腦區內所有體素的時間序列求平均從而得到基于ROI的時間序列；然后計算在40 s的空間滑動窗口下任意兩個ROI腦區信號的皮爾遜相關系數，從而對每個對象都得到176個對稱的相關系數矩陣(160×160)，它反映了時間序列的動態變化，稱之為動態功能網絡；提取網絡矩陣的下三角元素并使用Fisher's Z-變換進行標準化，從而得到每一個對象每一個窗口的12 720維的相關系數時間序列，即每個對象都有176個相關系數時間序列；此相關系數窗口序列的波動振幅(amplitude of low-frequency fluctuations-functional connections，ALFF-FC)表征了連接在低頻范圍內的信號能量，能很好地度量每一條連接的動態特性[7]。為了計算ALFF-FC，我們首先根據滑動窗大小w對相關系數時間序列進行1/w的低通濾波，以去除由于滑動窗的使用而引入的冗余波動；接著應用快速傅立葉變換，并對系數求和從而得到從0到1/w的動態功能連接頻段內的ALFF-FC值[7，12]。相關系數序列的ALFF-FC值反映了功能連接的動態變化，作為下面預測分析的特征。

1.6 對風險決策分數的預測分析

使用多變量模式分析(multivariate pattern analysis，MVPA)的方法對風險決策分數進行預測[13]。首先，進行特征選擇以減少數據的冗余，方法是計算每一條動態功能連接的ALFF-FC值與氣球模擬風險決策分數的皮爾遜相關系數，選擇P＜0.01的連接作為特征；接著使用多項式核函數的支持向量回歸(support vector regression，SVR)方法訓練數據進行擬合，在此使用留一法交叉驗證(leave-one-out cross-validation，LOOCV)方法進行模型建立和樣本預測，即在每輪實驗中，留出一個樣本的數據作為測試樣本，剩下的48個樣本的數據作為訓練集，再對之前留出的那個測試樣本進行預測。所有49輪實驗完成之后，我們計算所有對象的預測值和實際測量值的皮爾遜相關系數來評估動態功能連接對風險決策行為的預測能力。

為了進一步研究與風險決策呈現正相關性和負相關性的特征網絡在對風險決策的預測中所起的作用，我們根據特征選擇(P＜0.01)時皮爾遜相關系數的符號(正或負)建立了正的特征模型和負的特征模型[14]，并分別重復上述迭代過程，通過訓練數據擬合正負兩個方向的回歸，并通過計算正負模型下的預測值和實際測量值的皮爾遜相關系數來評估正負特征網絡的預測能力。

1.7 與風險決策相關的動態功能連接和腦網絡分析

由于在留一法交叉驗證中，每一次迭代所選擇的訓練集對象稍有差異，從而機器學習時得到的功能連接也會有差異，在每一次迭代中均出現的功能連接定義為一致性功能連接[10]，表明對風險決策行為有較強的預測能力。

根據功能網絡模板，即小腦、帶狀蓋網絡、默認網絡、額頂網絡、枕葉網絡和感覺運動網絡[11]，我們利用一致性功能連接進一步研究各個網絡在風險決策中的作用，并使用網絡權重來衡量這個作用，包括網絡內權重和網絡間權重。把動態功能連接與風險決策的相關系數定義為連接權重，則網絡內權重定義為網絡內連接權重的絕對值和，而網絡間權重是把屬于不同網絡但與該網絡相關的連接權重的絕對值加起來，取權重和的一半。

2 結果

2.1 對風險決策的預測結果

由氣球模擬風險決策任務BART我們得到了每一個被試的風險決策實驗分數，其均值是167，標準差是32，最低分91，最高分219。基于風險決策分數我們首先評估了動態功能連接是否能預測風險決策行為。基于特征選擇閾值P＜0.01，預測值和觀察值之間的相關系數是r=0.3612 (P=0.0108；圖1)，可見產生了顯著的預測。

表1 與風險決策顯著性相關的動態功能連接Tab. 1 Dynamic functional connectivity correlated with risky decision making

圖1 預測結果圖Fig. 1 Prediction result.

圖2 與風險決策行為相關的動態功能連接。節點顏色表示所屬網絡:深藍色代表默認網絡，綠色代表帶狀蓋網絡，淡藍色代表額頂網絡，黃色代表感覺運動網絡，紫色代表枕葉網絡，紅色代表小腦；線條顏色表示相關性符號，藍色線條代表與風險決策行為呈正相關，灰色線條代表負相關Fig. 2 Dynamic functional connectivity correlated with risky decision making. The nodes are color-coded according to networks (default, darkblue; cingulo-opercular, green. Fronto-parietal, light-blue. Sensorimotor,yellow. Occipital, purple. Cerebellum, red), the edges are also color-coded accord its symbol, blue presents positive correlation with risky decision making and grey presents negative correlation.

對正的特征模型，基于特征選擇閾值P＜0.01，預測和觀察值之間的相關系數是r=0.4370(P=0.0017)，而負的特征模型沒有產生顯著的預測。

2.2 與風險決策相關的功能連接

圖3 與風險決策行為相關的腦網絡分析。藍色表示總權重，粉紅色表示正相關，綠色表示負相關；Within network：網絡內，Between network：網絡間Fig. 3 Brain network analysis correlated with risky decision making. Blue presents total weight of each network, pink presents positive correlation with risky decision making and green presented negative correlation.

在LOOCV中，由于在每輪實驗中進行特征選擇時其訓練樣本集略有不同，從而所選擇的動態功能連接也略有差異。在本研究中，當P＜0.01時，出現在每一輪交叉驗證里的一致性功能連接一共有17條(圖2，表1)，可見這17條動態功能連接具有較強的預測能力，其中10條動態功能連接與風險決策行為呈正相關(圖2藍色線條，表1)，7條動態功能連接與風險決策行為呈負相關(圖2灰色線條，表1)。我們進一步計算了每一條一致性連接與風險決策實驗分數的Pearson相關性，其相關系數r值和顯著性P值均列于表1中。

2.3 與風險決策相關的腦網絡特征

對網絡的總權重大小進行分析，發現默認網絡權重最大，表明默認網絡在風險決策中起了較大的作用；然后是額頂網絡和帶狀蓋網絡，表明控制網絡對風險決策有重要影響；其他網絡也都有一定的作用。按照正負相關的進一步分析發現在正相關中默認網絡、枕葉網絡以及帶狀蓋網絡對風險決策的預測能力較強，而負相關中默認網絡、額頂網絡以及感覺運動網絡有較強的預測能力(圖3)。

對連接是處于網絡內還是網絡間進行分析，發現除了默認網絡內有兩條連接，其他的連接全部位于網絡之間(圖3)，表明風險決策主要與網絡間的動態連接有關。

2.4 與風險決策相關的腦區

根據一致性功能連接對腦區進行了分析，發現與風險決策相關的腦區如下(圖2，表1)：在默認網絡中主要是扣帶后回(post_cingulate)，前額葉前部和上部(aPFC，sup_frontal)，楔前葉(precuneus)，梭狀回(fusiform)等腦區；在帶狀蓋網絡中主要是顳葉(temporal)，前額葉腹部(vFC)，基底節(basal_ganglia)，丘腦(thalamus)等；在額頂網絡中主要包括前額葉背側、背外側和前部(dFC，dlPFC，vent_aPFC)，頂下小葉(IPL)和頂內溝；而在感覺運動網絡則主要是頂葉(parietal)和中央前回(precentral_gyrus)；小腦的相關區域則主要在小腦中部(med_cerebellum)。

3 討論

越來越多的證據表明在靜息態下大腦的連接模式不是靜態的而是呈現出復雜的時空動態性[14]，低頻振蕩振幅在某種程度上很好地反映了動態的神經活動[15]。筆者利用功能連接的動態性較好地預測了風險決策行為，它提供了與決策認知相關的一些有意義的腦網絡信息。

3.1 功能連接對風險決策的影響

對動態網絡模式的分析中我們發現與風險決策相關的17條連接除了2條位于默認網絡內部，其他全部位于網絡之間，可見風險決策行為主要跟網絡之間的信息傳遞有關，高風險行為的個體出現的原因可能是網絡之間的信息傳遞出現了異常。同時分析發現默認網絡對風險決策行為具有重要影響，然后是兩個控制網絡即額控制網絡和帶狀蓋控制網絡。默認網絡執行著一些與風險決策相關的重要功能，如自我的監測[16]、情感的調整[17]。在我們的研究中，隨著風險行為的增加，默認網絡和跟外界連接降低可能反映了在自我監測和自適應調整上出現了困難。額頂網絡和帶狀蓋網絡是兩個分工合作的控制網絡，都執行著重要的高級認知控制功能，對人類的各種行為起著保持、調整和控制的作用[18]。本研究結果顯示隨著風險的增加，這兩個網絡間的連接發生了改變，一些連接變強，一些連接變弱，跟其他網絡間的連接也是如此。可能正是由于這些網絡之間的連接出現了問題，從而導致了個體更多風險行為的發生。

3.2 腦區對風險決策的影響

在本研究中，我們也發現與風險性決策相關的腦區，主要是背外側前額葉(dIPFC)和前額葉其他區域(dFC，vent_aPFC，vFC，aPFC，sup_frontal)，扣帶后回(post_cingulate)，楔前葉(precuneus)，梭狀回(fusiform)，顳葉(temporal)，基底節(basal_gangli)和丘腦(thalamus)，這些主要的腦區與之前的風險決策研究一致。本研究中出現的前額葉皮層、扣帶回和楔前葉是大腦默認網絡的重要腦區，在風險行為的自我監測和情感調整中發揮著重要作用[15-16]。dIPFC在沖突選擇，獎賞和認知控制中起了重要作用，對風險決策的任務態fMRI激活研究也發現dIPFC在風險決策時激活增加[19]。而額中回和扣帶回可能與避免風險的潛在機制有關，對風險決策的任務態fMRI研究發現額中回和扣帶回激活降低[20]。最近一個使用BART實驗對青少年的研究發現在從事風險決策時，額葉激活增加，丘腦激活下降，表明這些腦區在風險決策中都起了重要作用[21]。可能正是由于上述腦區與其他腦區連接的不成熟導致了青少年更多風險行為的發生。

此研究不僅表明使用動態功能連接能較好地預測風險決策行為，而且從腦網絡上闡明了風險決策行為的特征，這對風險決策行為的預測具有潛在的應用價值。在以后的工作中將擴大樣本量，并利用基于任務態的fMRI對風險決策進行進一步研究。