Cerebral Cortex:从任务态和静息态脑功能连接预测儿童数学技能

认知神经科学的一个关键目标是从神经结构和功能来预测行为，从而为谁可能从临床和/或教育干预中受益提供关键的见解。在整个发育过程中，分布的大脑区域之间功能连接的强度与儿童的数学技能有关。因此，在本研究中，我们使用基于连接体的预测模型来研究数字处理和休息期间的功能连接是否“预测”儿童的数学技能(N = 31, Mage = 9.21岁，14名女性)。总的来说，我们发现功能连通性在符号数比较和休息期间，而非非符号数比较期间，能预测儿童的数学技能。每一项任务都揭示了分布在典型大脑网络和主要脑叶上的一组明显不同的预测性连接。大多数这些预测性联系与儿童的数学技能呈负相关，因此，较弱的连接预示着较好的数学技能。值得注意的是，这些预测性连接在不同的任务状态下很大程度上是不重叠的，这表明儿童的数学能力可能取决于网络隔离和/或区域专门化的状态依赖模式。此外，目前的预测建模方法超越了大脑行为相关性，并朝着建立大脑连接模型的方向发展，最终可能有助于预测未来的数学技能。

1 简介
认知神经科学的一个重要目标是从神经结构和功能来预测行为。一种很有前途的方法是基于连接体的预测模型(CPM)，该方法通过个体的大脑连接模式预测个体的行为。注意任务过程中由脑功能连接性衍生的cpm已被证明在预测儿童注意缺陷多动障碍的严重程度方面很有用。然而，这种预测方法尚未在学术发展领域得到应用。早期预测数学成绩低的风险对于洞察哪些孩子可能从临床和/或教育干预中受益至关重要。因此，在本研究中，我们使用CPM来研究在数值处理和休息时的功能连通性是否能预测儿童的数学能力。

在这里，我们使用CPM测试在符号和非符号数字比较期间以及在休息期间的功能连通性是否预测儿童在扫描仪之外的数学技能。CPM利用leave-one-out交叉验证(LOOCV) 1)选择与感兴趣的行为(即数学技能)相关的所有功能连接，2)训练一个线性模型来拟合连接强度和行为变量的总和，3)利用训练后的线性模型，根据被试的功能连通性值预测其行为。本研究采用CPM方法，超越脑行为相关性，从儿童在不同任务状态和休息状态下的功能连通性来预测儿童的数学能力。

2 方法简述
最后的样本包括31名8- 10岁的孩子(14名女性)。儿童完成了行为检查和神经成像检查。

首先，孩子们完成了一个行为拜访，在这个拜访中，他们完成了几个任务，包括Woodcock Johnson III成就测试(WJ-III)和Kaufman简短智力测试(KBIT)。我们从WJ-III中获得独立的综合数学和阅读分数，从KBIT中获得全面智商分数。

在fMRI扫描过程中，我们让孩子们在完成符号和非符号数字比较任务时一动不动地躺着。我们平衡了所有参与者的符号和非符号数字比较任务。我们要求参与者通过按下左边或右边的按钮框(即使用了两个按钮框)来回答，在同时呈现的两个阿拉伯数字(符号)或一组点(非符号)中，哪一个的大小更大。我们记录了反应时间(RTs)和错误率(ER)来计算一个性能指标，P = RT (1 + 2ER)，该指标通过反应时间和速度/准确性权衡来校正儿童的RTs。因此，P指标越小，性能越好。注意，符号化任务(M = 91.7%， SD = 5.8%)和非符号化任务(M = 86.5%， SD = 9.9%)的准确率都远高于概率。

孩子们在完成两个数字比较任务后完成了静息状态扫描。孩子们被要求一动不动地躺着，眼睛睁着，而屏幕上显示的是一个固定的十字架。

在预处理之后，我们使用协变量回归来纠正扫描仪内的运动，并使用SPM的CONN工具箱删除任务激活效果。

在预处理和干扰回归之后，我们利用CONN工具箱v20从连接衍生的、生物学上可信的脑网络组图谱中210个皮层感兴趣区域(roi)中提取原始信号时间序列。对于每个孩子，我们计算了所有区域时间序列之间的Fisher z变换相关系数，得到了210*210的功能连接矩阵。这些儿童级别的z分数连接矩阵随后提交给后续分析。

我们使用单独的cpm从符号数比较、非符号数比较和静息状态(眼睛睁开)期间的连通性来预测儿童的复合数学技能(在扫描仪外测量)。

3 结果
3.1 行为学测度之间的相关性
我们计算Pearson相关性来确定年龄(年)、综合数学成绩、综合阅读成绩、全量表智商和每个任务的运动(平均FD)之间的关系。所有统计数据见表1。更好的数学技能与更好的阅读技能和更高的全面智商相关。更好的阅读技能也与更高的全面智商和在所有三项任务中更少的扫描内运动有关。三项任务的扫描内运动呈正相关。

3.2 基于连接体的预测模型
我们使用CPM来确定在每个任务中单独的功能连接(即符号、非符号和休息)是否预测儿童的复合数学技能(如WJ-III)。为了解释年龄相关的变化和扫描内运动对功能连接的影响，我们在特征选择过程中包括年龄(年)和平均FD作为协变量。需要强调的是，由于每个孩子都是在不同的LOOCV轮中被拉出来的参与者，预测每个孩子复合数学技能的确切联系可能是不同的。换句话说，用于预测孩子A的连接集合的强度与用于预测孩子B的连接集合的强度可能只部分重叠。为了描述在样本中一致预测孩子复合数学技能的功能性连接，在所有LOOCV轮中，我们确定了模型所选择的强度的连接。这导致了每个模型的一组一致的连接。请注意，这些连接是跨每个LOOCV轮标识的连接的子集，选择这些连接是为了进行说明。

3.2.1 符号数比较中的功能连通性预测儿童的数学能力
CPM发现，在符号数比较过程中，14个正向连接和59个负向连接显著预测了儿童的综合数学成绩(图1)。与数学能力呈正相关的最常见连接是视觉网络和默认模式网络(29%)之间的连接。阳性连接数量最多的区域是R后颞上沟(n = 3)、R楔前叶(n = 3)和L楔前叶(n = 3)。图2描述了一致预测的连接及其在网络中的分布。

图1 基于连接体的预测模型拟合每个任务

图2 基于连接体的预测模型从符号数比较任务中的功能连接预测数学技能
3.2.2 非符号数字比较中的功能连通性不能预测儿童的数学技能
在非符号数字比较中，功能连通性不能预测儿童在扫描仪之外的综合数学成绩(图1)。非符号数比较的功能连通性不能预测儿童的综合阅读能力或全量表智商。因此，我们没有发现证据表明，在非符号数字比较过程中，全脑功能连接可以预测儿童的数学能力、阅读能力或智商。

3.2.3 休息期间的功能连接预测儿童的综合数学技能
CPM发现，在静息状态下，6个正向的和38个负向的一致连接显著地预测了儿童的综合数学成绩(图1)。最常见的与儿童数学能力呈正相关的连接是视觉网络和额顶叶网络(33%)。正相关连接数量最多的区域是R MFG (n = 3)。图3描述了一致的预测连接及其在网络中的分布。

与儿童数学能力负相关的最常见连接是在额顶叶网络内(13%)和额顶叶和背侧注意网络之间(13%)。负相关连接的最大数量的区域是R IFG (n = 10), L IFG (n = 6), L MFG(n = 6), RMFG(n = 4), R IPL (n = 5), R脑岛(n = 5), L颞下回(ITG (n = 5), R ITG (n = 4), R PrG (n = 5),和L PrG (n = 4)。

利用同样的方法，我们发现休息期间的功能连通性不能预测儿童的综合阅读技能或全量表智商。

图3 基于连接体的预测模型从休息状态下的功能连接预测数学技能
3.2.4 预测性连接在不同的任务中是不同的
到目前为止，我们已经证明了符号数比较和休息期间的分布功能连接集可以预测儿童的综合数学成绩。然而，在这些任务状态下，相同或不同的联系是否能够预测数学技能，目前尚不清楚。因此，我们发现，在多个任务和/或休息时，儿童的数学技能有一致的负性预测。

我们发现只有一个联系，即R CG和R 脑岛之间的联系，在符号数比较和休息中与儿童的数学技能呈负相关。我们发现符号数比较和休息之间没有正相关关系。此外，我们没有发现与儿童数学技能的关系从一个任务转向另一个任务(例如，符号数比较时正相关，而在休息时负相关)。任务之间普遍缺乏预测连接重叠，这表明数学技能可能与不同任务之间不同的皮层连接模式有关。

3.3 总结
总之，我们发现在符号数比较和休息期间而非非符号数比较期间的功能连通性对儿童的数学能力有预测作用。在相同的任务状态下，我们观察到强度与儿童数学技能呈正相关的连接和强度与儿童数学技能负相关的连接。在符号数比较和静息状态下，我们发现与儿童数学能力负相关的联系多于与儿童数学能力正相关的联系。在符号数比较中，我们发现默认模式与视觉网络之间、默认模式与背侧注意网络之间存在着大量的负相关联系。在休息期间，我们发现许多负相关连接存在于额顶叶网络内部以及额顶叶和背侧注意网络之间。值得注意的是，这些预测性连接在不同的任务状态下基本上是不重叠的。

4 讨论
在本研究中，我们利用CPM研究表明，符号数比较和静息状态下的功能连通性可以预测儿童的数学能力。每一项任务都揭示了分布在典型大脑网络和主要脑叶上的一组明显不同的预测性连接。大多数预测连接与儿童的数学技能呈负相关，因此，连接越弱，预测的数学技能越好。通过典型大脑网络的视角，大多数连接涉及符号数处理过程中的默认模式、背侧注意和视觉网络，以及静息状态下的额顶叶和背侧注意网络。通过对单个大脑区域的观察，许多预测连接涉及了通常与高阶认知和数值处理相关的关键区域，包括IFG、MFG、IPL和ITG。

本研究存在一些局限性，需要进一步完善现有的儿童数学能力大脑连接预测模型。首先，我们只提供了内部验证的证据。未来的工作将使用目前建立的模型在一个新的数据集中预测儿童的数学技能，以评估模型的普遍性并提供外部验证。发育数值认知研究的数量有限，缺乏大型数值认知fMRI数据集，限制了进行这种外部验证分析的能力。第二，我们的样本量对于个体差异的建模来说相对较小;然而，以前的预测模型是从小样本中推导出来的，并显示出在样本中一般化的前景。未来的工作应该包括更大的样本(N>100)，以增加效度，并允许更复杂的模型拟合，尽管当然有协调障碍，以收集如此大的样本。未来的大规模神经成像研究，如青少年大脑和认知发展(ABCD)和人类连接组项目发展(HCP-D)研究，应该考虑包括数学和阅读技能的测量。在这些大型研究中包括学术技能的措施也将致力于解决第一个限制，因为大样本可能被分为测试和复制样本，以提供内部和外部有效性。最后，我们的数据是横截面的，只能说明功能连接对儿童并发数学技能的预测能力。如果大脑连接的预测模型要在诊断和识别需要对计算障碍和其他数学相关的发育障碍进行早期干预的儿童方面提供价值，未来的工作必须利用纵向数据，从早期的功能连接预测儿童未来的数学技能。理想情况下是在个体差异出现之前。

5 结论
我们的研究结果表明，分布在整个大脑中的较弱的功能连接，以及与数学相关的关键大脑区域和与一般领域大脑区域之间较弱的连接，预示着儿童的数学技能更好。重要的是，预测连接在不同的任务之间很大程度上是不同的，这表明儿童的数学能力可能依赖于功能连接的状态依赖(而不是特征依赖)模式，这些模式根据任务状态进入不同的规范网络。这些发现提供了一个框架来比较未来的研究结果，并为构建一个可推广的功能连接模型奠定了基础，最终可能有助于预测儿童未来的数学技能。

参考文献：Predicting Children’s Math Skills from Task-Based and Resting-State Functional Brain Connectivity