HCP数据集图像与行为数据采集
获取用于识别阶段分析的高分辨率结构和认知数据。
采集HCP受试者3T T1加权MRI及神经心理学数据，认知测量包括gf（PMAT24_A_CR）和gc（NIH Toolbox晶体认知复合分数）。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
皮层厚度、表面积和脑回化对流体智力和晶体智力的差异性贡献
Differential Contribution of Cortical Thickness, Surface Area, and Gyrification to Fluid and Crystallized Intelligence
实验完整度
中研究基于HCP和INDI两个队列MRI数据，进行了顶点水平形态学与gf/gc的关联分析及重叠分析，并进行了部分重复验证，但无功能验证或机制验证实验。
主要模型
HCP健康年轻受试者（n=740） INDI健康受试者（n=253）
重点核对
HCP样本量n=740，年龄范围21–35岁 INDI样本量n=253，年龄范围21–45岁 认知测量工具：HCP测gf用PMAT24_A_CR（0-9），测gc用NIH Toolbox晶体认知复合分数；INDI测gf和gc用WASI（词汇、相似性、积木设计、矩阵推理） MRI参数：HCP使用3T Connectome Skyra，MPRAGE TR=2400 ms，TE=2.14 ms，TI=1000 ms，体素0.7 mm各向同性；INDI使用3T Siemens MAGNETOM TrioTim，MPRAGE TR=1900 ms，TE=2.52 ms，TI=900 ms，体素1 mm各向同性 统计分析控制变量：年龄、性别、总脑体积（TBV），并进行了控制gf/gc及教育年限（≥13年）的敏感性分析 形态学分析：顶点水平线性回归后聚类校正（顶点阈值0.01，聚类P值0.05），10折交叉验证，重复10次
摘要
人类智力可以宽泛地分为流体智力（gf）和晶体智力（gc），二者涉及不同的认知能力。尽管智力的神经解剖学关联此前已有研究，但皮层形态对gf和gc的差异性贡献尚未被充分阐明。在本研究中，我们试图在一个大型健康年轻受试者样本（n=740，Human Connectome Project）中，利用高分辨率MRI，并结合在一个独立数据集中的重复验证（该数据集使用不同的认知测量指标来索引gf和gc），来区分皮层厚度、皮层表面积和皮层脑回化对gf和gc的贡献。我们发现，分布皮层区域的脑回化与gf和gc均呈正相关，而表面积和厚度则显示出更多的区域性关联。具体而言，gf的较高表现与工作记忆、注意力和视空间处理相关区域的皮层扩张有关，而gc则与语言相关网络中更薄的皮层以及更高的皮层表面积有关。我们在一个框架中讨论这些结果，即“水平”皮层扩张能够实现更高的资源分配、计算能力和功能特异性，这些与gf和gc相关；而较低的皮层厚度可能反映了皮层修剪，促进了与gc最相关的知识型任务中的“垂直”柱内效率。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 皮层厚度、皮层表面积和皮层脑回化对流体智力（gf）和晶体智力（gc）的贡献是否存在差异，以及这些结构关联是否对应特定的功能网络？
- 核心机制
- 文献提出一个框架：由皮层表面积索引的“水平”皮层扩张能够增加皮层柱数量，从而提升资源分配和计算能力，与gf和gc相关；而较低的皮层厚度可能反映了皮层修剪过程，促进知识型任务中的“垂直”柱内效率，主要与gc相关。
- 主要证据
- 在HCP样本（n=740）中发现：脑回化在分布区域与gf和gc正相关；gf与部分区域表面积正相关，与厚度无显著关联；gc与部分区域厚度负相关、表面积正相关。结构关联与静息态网络（如DAN、DMN、FPN）存在重叠。在INDI数据集（n=253）中，gf相关表面积和脑回化关联得到部分重复，gc关联重复较少。
- 研究意义
- 研究结果支持将皮层表面积和厚度作为独立实体来研究智力神经基础，并为人类智力的网络中心理论提供了结构证据，提示皮层形态与功能网络之间的对应关系。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
皮层形态学指标提取
从结构MRI中量化皮层厚度、表面积和脑回化。
使用FreeSurfer v6.0处理T1加权MRI，重建皮层表面，计算顶点水平的皮层厚度、皮层表面积和皮层脑回化指数，并平滑。
识别阶段：顶点水平关联分析
识别与gf和gc相关的皮层形态学区域。
将数据分为10折，每次留出1折，在9折上对每个顶点进行线性回归，控制年龄、性别和TBV，检验皮层形态与gf/gc的关联，然后进行聚类校正，重复10次并合并结果。
与静息态fMRI网络重叠分析
测试结构关联与已知功能网络的对应关系。
使用Yeo等人（2011）的7个静息态网络，计算与gf和gc相关皮层形态区域的Dice系数。
INDI数据集重复验证
测试HCP识别出的结构关联在独立数据集中的可重复性。
在INDI数据集（n=253）中，使用WASI测量gf和gc，进行顶点水平分析，并单独检验HCP识别阶段在至少7次迭代中出现的聚类与对应认知测量的关联。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| MRI数据采集 | Connectome Skyra扫描仪 | -- | -- |
| Siemens MAGNETOM TrioTim | Siemens | -- | |
| 图像处理 | FreeSurfer v6.0 | -- | -- |
| FreeSurfer v5.3-HCP | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| HCP样本与认知测量 | 样本量n=740，年龄范围21–35岁，右利手标准>40；gf测量工具PMAT24_A_CR（0-9分）；gc测量工具NIH Toolbox晶体认知复合分数。 阅读提示：Methods中Identification Data Set和Behavioral Measures小节 |
| MRI采集参数 | HCP：3T Connectome Skyra，MPRAGE TR=2400 ms，TE=2.14 ms，TI=1000 ms，翻转角8度，FOV 224×224 mm，体素0.7 mm各向同性；INDI：3T Siemens MAGNETOM TrioTim，MPRAGE TR=1900 ms，TE=2.52 ms，TI=900 ms，翻转角9度，FOV 250×250 mm，体素1 mm各向同性。 阅读提示：Methods中MRI Data Acquisition和Replication Data Set小节 |
| 顶点水平关联分析 | 10折交叉验证，每折74人，训练集666人；线性回归控制年龄、性别、TBV；顶点阈值0.01，聚类P值0.05；重复10次合并聚类；敏感性分析使用顶点阈值0.001，不控制TBV，仅教育年限≥13年，控制gf/gc。 阅读提示：Methods中Image Processing and Statistical Analyses小节 |
| 静息态网络重叠分析 | 使用Yeo等人（2011）的7个静息态网络，基于1000名受试者组水平分析；计算Dice系数。 阅读提示：Methods中Overlap with Resting-State fMRI Networks小节 |
| INDI重复验证 | 样本量n=253，年龄范围21–45岁；gf和gc测量使用WASI（词汇、相似性、积木设计、矩阵推理）；顶点水平分析控制年龄、性别、TBV；检验HCP识别阶段至少7次迭代的聚类。 阅读提示：Methods中Replication Data Set小节 |