NeuroImage | 把 ACC 拆成四个亚区后，IGD 回路异常呈现出不同层次

● 认知神经科学前沿文献分享

论文信息：ACC-related functional circuit organisation across static, dynamic and directed connectivity in internet gaming disorder

发表时间：2026-09-24

发表期刊：NeuroImage

为什么要把 ACC 拆开来看？

前扣带皮层（anterior cingulate cortex，ACC）不是一个功能均质的区域，不同亚区分别参与内部思维、显著性处理和认知控制，也可能连接到不同的脑网络。如果把整个 ACC 合并成一个区域计算连接，得到的是这些亚区信号的平均结果，彼此方向不同的变化可能因此被抵消，从而掩盖掉特点的神经功能

Gou 等人依据 Brainnetome Atlas 将 ACC 划分为背侧 ACC（dACC）、前膝 ACC（pgACC）、膝下 ACC（sgACC）和腹侧喙部 ACC（rvACC）四个亚区，分别作为静息态 fMRI（resting-state fMRI，rs-fMRI）的种子区，在 45 名达到至少 5 条 DSM-5 互联网游戏障碍（internet gaming disorder，IGD）标准的参与者和 45 名匹配健康对照之间比较 ACC 相关回路。这样，问题就从“ACC 是否异常”具体化为：哪些亚区与哪些目标区域形成异常回路，这些回路的平均耦合、时间变化、状态分布和方向性关系是否呈现同一种模式？

图 1 将这条分析路线画在了一起：先用四个 ACC 亚区生成种子连接图，再分别进入动态变异性、连接状态和有向影响分析。

四种连接如何描述同一组回路？

**静态功能连接（static functional connectivity，FC）**通常把种子区和目标区的 BOLD 时间序列在整段扫描中进行相关，得到一个平均耦合指标。它适合回答两组被试在整个扫描期间的平均连接是否不同，但不会保留连接变化发生的先后顺序。本文用它定位 ACC 亚区与其他脑区之间的平均连接差异。

滑动窗动态 FC把扫描过程切成连续时间窗，在每个窗口内重新计算连接，再观察同一条连接值如何随时间变化。它刻画一条边在扫描期间的时间变异性，保留平均 FC 会丢失的时间信息。本文据此比较不同 ACC 通路的连接波动是否发生改变。

连接状态分析把一系列窗口化的连接模式归纳为若干反复出现的整体状态，再比较各组在这些状态中停留的时间比例。它描述回路配置在扫描期间如何轮换，也能把状态出现频率与单条连接的平均值区分开来。本文用状态占用率考察 IGD 组是否更常进入由特定网络主导的连接模式。

**谱动态因果模型（spectral dynamic causal modeling，spDCM）及参数经验贝叶斯（parametric empirical Bayes，PEB）**则在给定的神经动力学模型中估计节点之间的有向参数，并在组水平比较这些参数。它可以检验一个节点指向另一个节点的模型化影响是否改变，但结果依赖所选节点、模型结构和先验设定。本文用这一层分析补充静态和动态 FC 无法提供的方向信息。

同一组 ACC 回路呈现不同层次的异常

静态 FC 显示，IGD 组背侧 ACC（dACC）与左侧两个楔前叶簇的平均连接减弱；膝下 ACC（subgenual ACC，sgACC）与一个后内侧距状皮层/楔前叶簇的平均连接也减弱。这些结果反映的是整段静息态 BOLD 时间序列的平均耦合差异。

动态分析把这种平均差异拆成了不同的时间模式。dACC 与左下额回、左内侧额上回之间的连接变异性降低，而 sgACC 与左楔前叶/楔叶之间的连接变异性升高。前额叶控制通路和后内侧通路因此呈现出不同的时间组织变化。

状态分析显示，IGD 组更常处于腹侧注意网络（ventral attention network，VAN）和默认模式网络（default mode network，DMN）占优势的连接状态。这里比较的是不同连接模式在扫描期间所占的时间比例，反映回路状态的分布，不能直接解释为某个网络在整段扫描中的平均激活。

在 spDCM-PEB 分析中，sgACC 指向后内侧节点的参数减弱，后内侧节点指向左下额回的参数也减弱。把四类结果放在同一条回路上看，异常主要围绕 ACC—后内侧区域—前额叶控制轴展开，但在不同分析中表现为平均耦合、时间变异、状态占用和有向参数的不同组合。

这项研究的结论是对回路组织方式的分层描述，不能压缩为笼统的“ACC 连接变弱”。spDCM 给出的是模型条件下的有向影响，不能脱离模型假设直接解释为无条件的神经因果关系。

这套方法带来了什么新的观察角度？

相较于把 ACC 当作单一节点、只报告整段扫描的静态 FC，本文把同一组 ACC 相关回路拆成四个互补层次：平均耦合告诉我们哪些通路整体偏离，动态 FC 显示连接波动如何改变，状态分析显示不同回路配置占据多少扫描时间，spDCM 则在明确模型的前提下提供方向性信息。这样，rs-fMRI 能描述的就不只是“连接强不强”，还包括回路如何随时间组织，以及节点之间的影响关系如何被模型化。

要把这套思路迁移到其他 rs-fMRI 数据，至少需要提前确定三件事：

2. 定义种子和目标节点。明确使用什么图谱划分 ACC 或其他种子区，并说明目标节点的选择依据，避免在结果出现后才决定模型包含哪些区域。

4. 设定动态分析并检查稳定性。预先规定滑动窗、步长、连接变异性指标和状态数，同时检查头动处理、窗口选择和状态数变化是否会改变主要结果。

6. 建立有向模型。进入 DCM 的节点应有独立的理论或实证依据；模型结构、参数设定和 PEB 推断需要与方向性结果一同报告，不能只呈现最终的路径图。

分享人：天天
审核：PsyBrain 脑心前沿编辑部

● 原文信息与获取方式

DOI：10.1016/j.neuroimage.2026.122258

获取原文：

1. 三连后添加小助手：PSY-Brain-Frontier 获取

版权归属作者团队和出版社，本文仅做分享