曦嘉医疗脑图谱:人类的过去、现在和未来

　　l曦嘉医疗脑图谱:人类的过去、现在和未来

　　脑图谱是一门针对大脑结构和功能的研究。

　　l 脑图谱绘制技术已经有 100 多年历史，但学术界和临床医生仍然无法对其进行全面的了解。

　　l 现在，在连接组学和机器学习技术赋能下，我们可以更好地理解每个人独特大脑的复杂性。

　　就像绘制出最错综复杂的世界海岸线的制图师一样，神经科学家长期以来一直致力于将人类大脑皮层划分为不同的神经生物学分区。

　　虽然从历史上看，这一直是一个难以在技术、一致性和实践上应用的领域，但今天随着医学成像和数据处理的进步，越来越多的学者和医生将这些脑绘图纳入到他们对患者的常规脑检查中。

　　就像绘制出最错综复杂的世界海岸线的制图师一样，神经科学家长期以来一直致力于将人类大脑皮层划分为不同的神经生物学分区。

　　01.绘制大脑皮层图谱

　　为了进一步了解大脑不同部分在人类生存中所起的作用，脑图谱和基于图谱的方法领域应运而生。将大脑划分为预定义的区域，并在确认其“脑分区”的过程中作为单独的部分进行研究。

　　现代脑图谱绘制的吸引力在于其特异性，它提供了定义大脑皮层分区的方法，使得研究人员和医生可对其标准化。如果每个研究大脑的人都使用一个共同的图谱和区域命名系统，那么在解释相关发现时就能够减少定义上的混乱， 从而弥补了学术研究和临床适用性之间的差距，推动更准确、更实用的脑图谱的发展。

　　虽然脑图谱可用于研究单独的大脑区域，但也可根据我们先前的理论知识用于研究多个脑区，基于这些脑区在作为更大规模脑网络的一部分促进其功能的发挥。2011 年，Yeo 及其同事提出七大构成人类大脑皮层的脑网络：感觉运动网络、视觉网络、边缘网络、中央执行网络、默认模式网络、突显网络和背侧注意网络。

　　虽然这些主要脑网络在整个神经科学领域中具有基本的一致性，但现在出现了更多的方法来绘制组成这些脑网络的各个子区。本文介绍了最著名和受到公认的人类脑图谱，以及现代科技和技术如何迅速发展这些方法，让脑图谱越来越精准并应用于临床。

　　虽然从历史上看，这一直是一个难以在技术、一致性和实践上应用的领域，但今天随着医学成像和数据处理的进步，越来越多的学者和医生将这些脑绘图纳入到他们对患者的常规脑检查中。

　　中央执行网络 (CEN) 和子区，颞区 1 (TE1m) 的内侧。

　　02从头开始：大脑的细胞结构

　　在现代成像技术发明之前，绘制人类脑图谱的唯一方法是通过直接组织研究——即通过其外观、细胞核的组成、分层和厚度。

　　1909 年，德国解剖学家 Korbinian Brodmann 发表了世界上第一个人类大脑图谱，假设 52 个功能区域组成了人类皮层，并且这些功能区可以通过它们的细胞结构组织来定义。1925 年，Constantin von Ecomo 和 George Koskinas 出版了一份精细的、但大体相似的布罗德曼脑图谱。尽管完整的皮质组织相对简单，布罗德曼的脑图谱仍然在整个神经科学中备受推崇。此外，他定义的一些区域，如主要运动皮质和体感觉皮质以及扣带回的子区，在他最初定义的后续图谱中得到了很好的保存。

　　布罗德曼的原始 52 区域细胞结构图谱。

　　03大数据方法：人类连接组计划 (HCP) 图谱

　　随着磁共振成像 (MRI) 技术的出现，我们对人类大脑的理解能力呈指数级增长，研究人员能够在世纪初的工作基础上，通过测量特定任务或休息时大脑活动的变化。

　　2016年，Glasser及其同事发表了一份具有里程碑意义的出版物，推出了“人类连接组计划”(HCP) 图谱，这是第一个人类大脑多模态图谱（不仅基于大脑物理结构作出分析，还结合了其拓扑结构和功能）。MRI的另一个优势是它允许研究人员在体内研究大脑结构。也就是说，不需要物理组织，这样就允许 HCP 在 1000 多名受试者中验证他们的图谱。完整的 HCP 图谱提出，大脑皮层存在 360 个独立区域，每个半球有 180 个，这些区域可以被单独绘制、命名和功能定义。

　　人类连接组计划 (HCP) 的 360 个区域多模式脑图谱。

　　04共同作用：基于当下连接性的图谱

　　尽管自 Brodmann、van Ecomo 和 Koskinas 的最初工作以来，脑图谱绘制领域已经取得了重大进展，但利用基于脑图谱方法的一个明显的概念问题仍有待解决。也就是说，如何将通用图谱应用于大脑皮层存在物理扭曲的个体？

　　虽然大多数图像处理流程能够解释颅内体积大等异常情况，但以前的图谱技术无法解释由于肿瘤或发育障碍而导致皮层移位的时间。解决方案来自于这样的发现，即在几乎所有大脑存在解剖结构扭曲的情况下，白质束基本上都得到了保留。

　　例如，肿瘤的生长可能会将周围的灰质推向其肿块效应的方向，但它很少会切断两个不同灰质区域之间的任何连接。通过利用扩散加权图像 (DWI) 来绘制解剖学扭曲的大脑中的白质，可以生成大致的“结构连接”。然后通过将这些白质束的起点和终点与健康的大脑进行比较，可以将灰质的体积（白质束的起点或终点）分配至可能性最高的大脑区域。这一过程的必然结果是，在手术切除该肿瘤的情况下，留下的空腔将正确地保持不被分配划分为任何大脑区域的一部分——因为它占据的体积将不包含任何神经组织。

　　与 HCP 图谱确定的 360 个区域的命名和分布一致，曦嘉医疗的“结构连接图谱”(SCA) 包括了额外的19个皮层下区域，共379个独特的大脑区域。它采用了全自动化的机器学习方法，通过获取更多的数据来训练、测试和改进模型，其准确性和可靠性也在不断提高。

　　曦嘉 379 区域结构连接性图谱 (SCA)，展示了其对肿瘤曾经存在的坏死组织的敏感性。

　　05但我们为什么要不断创建新的脑图谱呢？

　　一般来说，以脑图谱为基础的方法旨在提供准确性和清晰度，所以必须将与大脑结构和功能相关的研究发现纳入考量。更重要的是，它们提供的“确定性”是受所使用图谱的特殊性限制的，因此，这些令人兴奋的新技术无疑将在提高我们对大脑的理解和生成更准确的大脑图谱方面发挥作用。在我们最近的一篇文章《大脑网络连接:使我们拥有人类的特质》中可以找到更多关于大脑连接对推动脑图谱研究的内容，以及在这篇文章中讨论的扩散加权成像和大脑网络的补充文章。