智力的結構及功能磁共振成像研究進展

石大發，任克

智力(int el l igence)由于其在人類社會行為中的突出地位而廣受人們關注，其強烈預測各種重要的人生結局，包括教育成就、職業成就及各種業績及健康狀況等[1]，其神經機制一直受到神經科學和心理科學研究者的關注。隨著磁共振成像技術和磁共振數據處理技術的發展，特別是功能磁共振成像和結構磁共振成像等神經影像技術的應用，為智力的神經機制研究及智力預測提供了解決方案，本文就結構和功能磁共振成像技術在智力研究的進展進行綜述。

1 智力的定義與常用評估量表

目前對智力定義比較認同的觀點是：智力是一個總能力，包括推理、計劃、解決問題、抽象思維、領會復雜觀點、快速學習以及從經驗中學習的能力[2]，其被廣泛地定義為學習、推理和解決問題的能力[1]，是指人認識、理解客觀事物并運用知識、經驗等解決問題的能力，包括記憶、觀察、想象、思考、判斷等。一般認為智力由流體智力和晶體智力兩個部分構成，前者主要是人們對環境的適應及學習新知識和技能的能力，受語言和文化影響較小，后者則是指獲得性的知識和技能。

智力可用各類智力測驗量表來測量，最早Binet及Simon編寫了一套比-西量表用以評估兒童智力，這被認為是世界上第一個科學的智力量表[3]。其后Ter man將他們的工作帶到斯坦福，設計了斯坦福-比奈智力量表，其首次引入比率智商(intel l igence quot ient，IQ)，使量表具備標準化特征。韋氏智力量表是目前世界上使用最廣泛的智力量表，其包含語言和操作兩個分量表，分別用來衡量個體的語言表達能力和空間想象能力，采用離差智商作為智商分數，即通過計算受試者測驗量表分與相應年齡組的量表分均數相差多少個標準差來衡量一個人的智商，因此不會像比率智商一樣受年齡影響，目前大多數智力測量采用離差智商來表示智力水平。瑞文推理測驗是一種非文字智力測驗，因此不受地域、文化程度的限制，主要用以測驗一個人的推理和解決新問題的能力[4]，通常用于測試流體智力。其包括標準型、彩色型和高級型。1989年李丹等人完成了彩色型和標準型合并本聯合型瑞文測驗中國修訂版?？傊f氏智力量表和瑞文推理測驗是目前兩個最常用和通用的智力測量量表。

2 磁共振成像在神經心理學應用方法學概述

隨著影像技術與成像設備的發展及相關后處理技術的開發，包括結構磁共振成像(st ruct ur al magnet ic resonance imaging，sMRI)和功能磁共振成像(f unct ional magnet ic r esonance imaging，f MRI)在內的神經影像技術已發展成為有用的工具，廣泛用于各種神經心理方面的研究，包括智力[5]。為表述方便，本文中f MRI單指狹義功能磁共振成像，即血氧水平依賴(bl ood oxygenat ion l evel dependent，BOLD)成像，其包括靜息態f MRI(r esting-st ate f MRI，rs-f MRI)和任務態f MRI(t ask-stat e f MRI)。rs-f MRI因其不需要受試者執行額外任務而操作方便，同時可避免因受試者執行任務過程中引起的各類偏倚，而被廣泛應用，是目前最常用的f MRI方法，并且其具有多指標，可多角度反映局部腦活動及連接情況；其最常用指標包括局部一致性(r egional homogeneit y，ReHo)[6-7]、低頻振幅(ampl itude of l ow-f requency f l uctuations，ALFF)[8-9]、分 數ALFF (f r act ional ALFF，f ALFF)、功 能 連 接(f unct ional connect ivit y，FC)[10-11]等。

在本文中sMRI技術包括腦結構成像(以T1WI結構像最為常用)[4,12]和腦白質成像[以擴散張量成像(di f f usion t ensor i magi ng，DTI)最常用][13]，前者主要反映腦灰質/皮層改變，如灰質體積、灰質密度、皮層厚度、皮層折疊復雜度等，后者主要反映白質破壞情況，主要由分數各向異性(f ractional anisotropy，FA)和平均擴散率(mean dif f usivity，MD)反映。兩者結合可全面反映腦灰白質結構信息。

結構及功能磁共振常見分析方法包括基于體素、基于ROI和基于纖維束追蹤空間統計(tract-based spatial statistics，TBSS)[13]的組間比較，基于功能及結構網絡的分析[12,14-16]、多模態數據分析[17]、多元模式分析(mul tivariate pattern anal ysis，MVPA)[8]、機器學習(machine l earning，ML)[14,18]、基于連接組的預測模型(connectome-based prediction model l ing，CPM)[19-20]等。

總之，磁共振成像在神經心理學應用方面有多種成像技術及多樣化的分析方法。

3 功能磁共振成像在智力研究的應用

由于BOLD可以無創測量腦血流動力學變化，使測量局部神經元和突觸活動成為可能，同時由于其具有較高的空間分辨率和良好的時間分辨率，因此在臨床神經、精神及心理方面的疾病診斷及科研方面得到廣泛應用。人們最早采用任務態f MRI研究智力神經機制等。早期根據PET研究發現智力與大腦能量消耗(葡萄糖代謝)呈負相關[21]，提出智力的神經效率假說，即較聰明的人大腦活動較少。Neubauer等[22]應用語言和視覺空間任務為上述理論提供證據支持，其研究表明女性在語言任務中神經效率較高，而男性在空間任務中神經效率較高，其與相應較高的語言和空間智商得分相對應，且男女性在激活腦區存在性別差異。Tscher negg等[23]應用多任務f MRI研究也表明不同智力域相應腦區存在性別差異，女性在語言雙重任務中額下回激活增加，而男性在空間任務中楔前葉和鄰近視覺腦區激活增加。Schul t z等[24]研究表明在語言、推理和工作記憶3個任務域中表現出色的個體以在靜息和任務時功能網絡結構更小變化的形式表現出更好的腦連接更新效率，其更新效率與一般智力呈正相關。流體智力表示靈活解決問題和快速調整行為的能力，Schl agenhauf等[25]研究表明在獎勵相關學習過程中，靈活問題解決能力的個體差異與腹側紋狀體的激活有關，與腹側紋狀體多巴胺的合成能力呈反比。Neubauer等[26]應用f MRI研究經顱交流電刺激(t r anscranial al t er nat ing curr ent st imul ation，t ACS)對流體智力的影響，發現t ACS在處理矩陣測試中的困難項目時提高了流體智力，且左頂葉皮層活動減弱，其研究證實了左頂葉在智力中的作用，同時也支持了神經效率假說。這些研究支持了智力的神經效率假說，且表明男女性智力存在智力域和相關腦區的性別差異。

Gr eene等[27]應用兩個獨立的數據集采用CPM預測流體智力，表明基于任務的數據構建的預測模型優于基于靜息數據構建的模型，而且某些任務始終比其他任務更好地預測流體智力。Jiang等[28]采用類似的方法構建FC矩陣，利用偏最小二乘回歸機器學習方法預測流體智力及其他3個不同認知指標，作者得出一致的結果，同時表明結合多任務功能磁共振成像可以改善預測性能，且模型具有很高的穩定性。這些研究表明機器學習方法可以有效預測智力，且基于任務態的數據可獲得更優的模型。

盡管任務態f MRI有其優勢，最近又再次成為研究熱點，但如上所述，由于rs-f MRI的用戶友好性及易于實施，目前仍是最常用的f MRI方法。

關于智力的另一個著名理論是額-頂整合理論(pariet o-f r ont al int egr ation theory，P-FIT)，即認為智力的個體差異與額葉和頂葉之間交互作用的完整性相關。Langesl ag等[29]、Li等[30]及Vakht in等[31]利用f MRI數據，采用獨立成分分析的方法驗證了上述理論。Langesl ag等[29]對115名6～8歲兒童r s-f MRI數據分析表明，較高的非語言智力與右頂葉和右額葉之間以及右頂葉和背側扣帶之間的功能連接增加相關；Li等[30]發現兒童右額頂網絡的右角回和額下回與智商相關，而在青少年中在左額頂網絡的左額下回檢測到顯著相關性，在雙側額極僅檢測到輕微顯著性相關；Vakht in等[31]通過對比r s-f MRI和任務f MRI數據驗證了額頂整合理論，同時表明f MRI網絡穩定，在靜息態和復雜任務中都保持其一般特征。韓建芳等[32]發現成人右側額下回、左側額下回、右側頂下緣角回、內側額上回、左側前扣帶回功能連接與總智商呈正相關，沒有發現功能連接強度與總智商呈負相關的腦區。Hear ne等[33]采用網絡分析的方法展示了默認網絡和額頂網絡間跨網絡交互作用與智力的關系，他們發現在靜息狀態下更高的連接與更高的智力得分相關，作者認為有必要拓寬智力的額頂理論，以涵蓋更復雜和特定情境的網絡動力學。Yang等[34]研究皮層溝回靜息態功能活動的時間變異性與流體智力的關聯，發現額葉皮層、頂下小葉和視覺皮層與流體智力呈正相關，且主要位于腦回而不是腦溝。熵是衡量系統配置方式的數量，即系統狀態的數量，Saxe等[35]將腦熵引入智力研究中，其定義為給定大腦可以訪問的神經狀態的數量，作者對892名健康成人的靜息態數據研究表明智力與腦熵呈正相關，在雙側前額葉、左顳下葉和雙側小腦最為明顯?？傊琭 MRI的研究支持并擴展了額-頂整合理論，為智力的神經機制提供理論支持。

圖論是對大型網絡進行詳細建模和表征的一種計算方法，可用于描述整個大腦網絡以及該網絡內特定節點的連接情況。目前也已用于智力相關研究。Hil ger等[36]利用模塊化分析方法觀察到智力與模塊內和模塊間連接特征間的關聯，特別是在與智力相關的額葉和頂葉區域，他們推測模塊化變化反映更聰明的人分離的模塊內(如額上回、前島葉)特定認知過程的易化及全腦信息的有效整合(如通過顳頂交界區)。Supr ano等[16]應用網絡的方法分析高智商兒童腦網絡組織的拓撲修飾，發現與標準智商兒童相比，高智商兒童中大腦網絡整合和分離特性存在顯著的拓撲差異，且大腦網絡變化與智力評分存在顯著相關性，智力得分越高，整個大腦、左大腦半球連接的大腦組織修飾越大。Hil ger等[37]應用基于r s-f MRI網絡的圖論分析方法研究發現智商與網絡組織的全局效率無關，但高智商與突顯網絡(右前島葉和背側前扣帶回)的高節點效率和左顳頂交接區低節點效率相關。Kruschwit z等[38]應用人類連接組計劃1200數據集的大樣本數據的研究也表明一般、晶體和流體智力與功能性全局網絡效率無關。這些研究表明基于f MRI的圖論分析可用于智力相關研究，可發現智力相關的模塊化及網絡拓撲屬性改變，但智力與不同網絡拓撲屬性指標的相關性需進一步研究。

隨著后處理技術的發展及機器學習、人工智能的流行，MVPA、ML、CPM也開始應用于智力相關研究，探討智力神經基礎及依據神經影像預測智力的可能性。Li等[8]使用MVPA應用靜息態ALFF指標研究成人靜息狀態下流體智力與功能特征模式間的關系，其應用留一交叉驗證及支持向量機回歸算法發現左前扣帶回皮層及右枕中回可有效預測流體智力，其預測智力得分與實際智力得分存在顯著相關性(r=0.325，P=0.031)，作者進一步以此作為種子點進行功能連接分析，發現右側前額葉皮層與左前扣帶回的功能連接與流體智力相關。Dubois等[14]納入人類連接組計劃中的884名受試者，將大腦分為360個節點(每側半球180個)，并以此構建功能連接矩陣，采用ML方法進行數據降維及特征選擇并評估模型性能，其研究結果發現預測的智力得分與實際得分之間存在顯著相關性(r=0.457，P＜0.001)。這些研究表明基于神經影像的機器學習方法可以很好地預測智力得分，并有效識別智力相關腦區。

CPM是Shen等[39]提出的方法，因其專注于線性建模和純數據驅動的方法，易于實現且計算成本不高，且相較其他機器學習方法可以清楚解釋結果，自提出就受到大家的歡迎。Finn等[19]首次將CPM用于流體智力，其研究首次論證了CPM在預測智力的可行性，表明功能連接組可以作為“指紋”準確識別被試，且表明額頂網絡具有最佳預測性能。Dr ybur gh等[11]應用CPM方法根據自閉癥譜系障礙患者的r s-f MRI連接組數據預測全智力和語言智力，其研究表明CPM法可以很好預測這兩種智力評分，全智力主要與額葉和頂葉連接增加有關，同時表明小腦對智力也很重要，與Finn等[19]研究一致。既往研究[22-23]已表明，智力存在性別差異。Jiang等[17]利用166名男性和160名女性的靜息態功能連接、皮質厚度數據，使用CPM方法來預測智商得分及探索男女性智力的不同神經生物學相關性，其研究表明靜息態功能連接和灰質皮層厚度都可以準確預測智商，且兩者結合可以整合功能和結構信息進一步提高準確度(男性r=0.45，女性r=0.45，P均＜0.001)，男性智商與左頂下小葉皮層厚度、左側海馬和默認網絡以及涉及到空間認知和邏輯思維腦區的功能連接具有強的相關性，而女性智商與右頂下小葉的皮質厚度、殼核與小腦網絡以及涉及言語學習和項目記憶的區域中的功能連接強相關。其結果表明男女性的智力產生可能依賴于相反的大腦單側化關鍵腦區以及與各自認知領域的優勢相一致的不同的功能網絡。作者進一步利用3個獨立數據集(680個被試)和兩個智力測量(智商和流體智力)，使用靜息態功能連接及CPM分析方法，其結果與其之前研究結果[17]相似，同時識別的FC模式僅能唯一預測同一性別的多個與智商相關的指標得分，而不能預測異性或與智商無關的指標(如氣質特征)[20]。這些研究表明CPM方法可以很好預測智力得分，識別智力相關腦區，并可有效探討男女性智力性別差異神經機制。目前該技術提出時間較短，相關研究較少，后續更多相關研究將為智力預測及智力神經基礎研究提供補充。

4 結構磁共振成像在智力研究中的應用

結構磁共振成像是神經影像研究的另一個方向，其可表征灰白質屬性，包括灰白質體積、皮層厚度、表面積及折疊情況、白質完整性及結構網絡等，為神經心理疾病診斷、神經機制研究提供支持，已展示了其在智力研究中的重要意義。

眶額內側皮層(medial orbitof rontal cortex，mOFC)和前額扣帶回皮層(r ost r al ant er ior cingul at e cor t ex，r ACC)在一般智力和執行功能中起著重要作用。Ohtani等[5]研究表明較高的智力與mOFC和r ACC的更大灰質體積以及左后mOFC-r ACC連接的FA增加有關，且將灰白質結構信息結合起來可更好地解釋智力差異(解釋方差的50%)。Yang等[4]測量370名健康成人聯合瑞文智力測試評分，采用基于形態學測量方法研究男女流體智力性別特異性神經基礎，其研究發現男女性智力評分無差異性，但在男性中，評分與背外側前額葉皮層(與視覺空間能力相關)灰質體積的相關性顯著大于女性，而額葉下部(與言語推理能力有關)和內側額葉皮層(信息整合)女性的相關性更大，其表明男女性以不同的方式使用不同結構的大腦腦區，以達到類似水平的總體推理能力。Baj aj等[40]研究一般智力與皮層結構的關系，作者發現后額葉和頂葉上方區域皮層厚度與所有3個IQ變量(感知推理IQ、語言理解IQ和全IQ)之間存在顯著正相關；顳葉和后額葉灰質體積和感知推理及全IQ之間顯著正相關，但沒有觀察到智商與皮層表面積或皮質回旋之間的統計學顯著性關系，表明在智力能力研究中，皮層厚度和體積可能比皮層表面積或皮層回旋更有用。這些研究表明智力與額頂智力相關腦區的皮質體積、形態存在相關，從皮層結構方面支持了智力的神經機制相關理論。

利用灰質結構信息也可以構建結構網絡，即結構協變網絡(st ruct ur al covariance networ ks，SCN)。Khundrakpam等[12]利用586例MRI掃描數據構建SCN，采用圖論分析方法計算網絡拓撲屬性，研究其是否可提供語言與操作智力相關的皮質區之間解剖耦合模式差異信息及拓撲結構差異，研究發現高、低語言智商者間存在廣泛分布的皮層腦區間解剖學耦合差異、存在全局及局部拓撲屬性差異，但高低操作智力者間無SCN和全局拓撲屬性差異，因此作者認為較高語言智力者較較低語言智力者大腦結構差異不僅在局部皮層腦區，也廣泛分布于皮層腦區解剖耦合模式上的差異。Yoon等[15]應用相同的方法構架SCN，其研究表明小腦-頂葉和額葉網絡與智力顯著相關，頂葉和額葉分別通過與小腦和顳葉保持結構性網絡而與智力顯著相關。其進一步支持了P-FIT理論。這些研究表明SCN方法可以很好地應用于智力相關研究，表明智力神經基礎不僅涉及智力相關腦區皮層結構，還涉及皮層結構間的解剖耦合。

波動不對稱性是衡量物種間發育不穩定性的指標。腦的不對稱性不容易解釋，因為某些功能專用于兩個半球中的某一側，導致某些半球不對稱性與特定的認知能力呈正相關。已經有研究利用波動不對稱性研究智力。Yeo等[41]報告了皮層表面積不對稱性與一般智力之間的關系，在244名健康年輕人中，作者計算了33對皮層區表面積的波動不對稱性，發現總皮層表面積不對稱性與一般智力呈負相關(r=－0.149，P=0.02)，且P-FIT區波動不對稱性可顯著預測一般智力(F=7.46，P=0.007)，但非P-FIT區不能。Moodie等[42]研究老年人灰白質(皮層體積、表面積、厚度及白質分數各向異性)波動不對稱性與一般智力關系，發現當局部測量對波動腦不對稱性評分的貢獻相同時，皮層厚度不對稱與一般智力呈負相關(β=－0.18)，但一般智力與皮質表面積、皮質體積或白質分數各向異性波動不對稱性之間沒有關聯；在P-FIT和非P-FIT區域之間，智力-皮質不對稱關聯沒有差異；這些發現與Yeo等[41]結果不同?？傊▌硬粚ΨQ性可用于智力研究，發現腦結構波動不對稱性與智力的相關性。

白質結構MRI也廣泛用于智力相關研究。Tamnes等[43]發現不論年齡和性別，語言能力和操作能力都與FA呈正相關，而與MD和RD呈負相關；雙側丘腦前輻射、皮質脊髓束及右上縱束FA和RD與語言表達能力相關。Mal pas等[44]及Yuan等[45]利用TBSS方法得出相似的結果，即一般智力與FA呈正相關，而與MD和RD呈負相關，但與AD無相關性，且智力測試與擴散指標存在穩固關系。

神經突方向分散度和密度成像(neur it e or ient at ion disper sion and densit y imaging，NODDI)技術是一種分析組織微觀結構的擴散加權數據的新方法[46]。它具有三室模型，可區分神經突內、神經突外和腦脊液環境，其指標密切反映其組織學變化。Gen?等[47]首次將其應用于智力研究，發現皮層內的神經突密度和神經突取向分散都與智力呈負相關，而此兩標記物都與突觸連接的數量密切相關，因此其支持了神經效率假說。

白質也可以像r s-f MRI及灰質成像一樣構建網絡，利用網絡相關分析方法。Kim等[48]利用基于白質網絡的圖論分析方法發現更高的智力與更高的網絡整合相關，且更高的智力與富人俱樂部(rich-cl ub)屬性連接增強相關。Kenet t等[49]利用DTI構建白質網絡，應用網絡控制理論分析方法，發現智力與右側頂下小葉驅動的大腦系統易于到達神經狀態能力和壓后皮層較低整合能力相關。Kocevar等[50]采用圖論的方法表明高智力得分與大腦網絡同質性(高密度和低模塊性)之間存在密切關系，其主要位于顳葉和頂葉。此外，定量的白質纖維束分析發現主要白質纖維束中軸突密度增加與智力表現提高有關。

上述研究表明擴散加權成像技術可以很好地應用于智力相關研究。擴散加權成像還有很多其他技術，包括擴散峰度成像、高角度分辨擴散成像和擴散譜成像等，其已應用于很多神經心理相關研究[51-53]，目前尚未見這些技術應用于智力相關研究。且目前基于sMRI的機器學習用于智力相關研究也較少[17]。未來可進行更多、更全面的基于擴散加權成像技術的智力相關研究，從白質結構和網絡層面為智力的神經機制解釋提供可能。

綜上所述，f MRI和sMRI可提供腦功能及結構信息，從神經影像方面解釋智力神經機制，同時兩者結合可提供更全面的信息，隨著大數據及機器學習技術的發展，神經影像可精確預測個體智力水平，但基于sMRI的研究相關較少，特別是多模態(聯合f MRI和sMRI)機器學習技術。相信在不久的將來，sMRI及多模態機器學習技術在智力個體化預測及神經機制的研究會更加深入和成熟。

作者利益沖突聲明：全體作者均聲明無利益沖突。