在神經科學和精神病學領域，定位導致神經系統癥狀的腦區和環路一直是基礎與臨床研究的核心目標。傳統上，通過腦損傷與行為結局的關聯研究，結合現代神經影像技術，科學家們試圖揭示腦區與行為之間的映射關系。然而，患者常常表現出高度空間分布異質性的腦異常，這為識別共同的潛在環路帶來了巨大挑戰。病灶網絡映射（Lesion Network Mapping, LNM）框架應運而生，它利用規范功能連接（Functional Connectivity, FC）數據，將異質性腦病灶和其他腦改變鏈接到潛在的腦環路。LNM及其相關方法（如“萎縮網絡映射”、“激活網絡映射”等）已被廣泛應用于多種神經精神和神經系統疾病的研究中，并報告了與癥狀相關的功能網絡。

但一個引人深思的現象是，盡管疾病病因和癥狀學存在顯著異質性，許多由LNM識別出的網絡在不同條件下（如成癮、抑郁、精神分裂癥、癲癇等）卻表現出高度相似性，通常涉及雙側島葉皮質、前扣帶回皮層（Anterior Cingulate Cortex, ACC）以及部分額極皮層、丘腦和小腦。這種意想不到的相似性促使研究人員重新審視LNM方法本身。

為了解決這一問題，研究人員對多篇LNM研究的數據進行了重新審視，并評估了該方法的方法學根源。他們的發現揭示了一個基礎性局限：LNM的核心在于對同一個FC矩陣進行重復采樣。因此，無論輸入的是患者病灶、磁共振成像衍生的改變、合成數據還是隨機數據，LNM都會系統性地將這些局部腦變化映射到所使用FC數據的相同非特異性屬性上，從而在不同條件下產生高度相似的網絡。這一核心局限警示我們，LNM作為研究腦障礙背后不同生物網絡的方法需謹慎使用。

本研究為開展此項分析，主要運用了幾個關鍵技術方法：1) 系統文獻綜述與數據提取：對2015-2025年間201項LNM相關研究（涵蓋102個LNM網絡）進行了系統性回顧，提取已發布的LNM圖、病灶數據集及坐標信息。2) LNM流程的數學形式化與壓縮：將LNM標準流程（病灶映射、基于規范數據集計算病灶FC圖、組分析）表達為線性矩陣乘法（LNM = Σ(M × C)），其中M為病灶矩陣，C為規范組平均功能連接矩陣。該壓縮方法將計算時間從10-12小時大幅縮短至10秒以內，并經驗證與標準工具（如Lead-DBS）結果高度一致（平均 r=0.96）。3) 空間隨機化與零模型分析：采用旋轉檢驗（spin test）、BrainSMASH生成零模型以及連接隨機化等多種策略，評估LNM網絡與隨機病灶、混合病灶或隨機化連接矩陣所得網絡之間的相似性。4) 網絡分析：計算規范連接矩陣C的行求和向量（節點度），并分析其與已發表LNM圖的空間相關性；同時，采用模塊化算法識別靜息態網絡，并構建線性回歸模型，用連接矩陣C的基本屬性（如皮層/皮層下度、模塊化結構、功能梯度）解釋LNM圖的方差。

對已發表LNM網絡的分析顯示，不同疾病（如PTSD與帕金森病認知衰退）的LNM圖之間存在高度空間相關性（例如r=0.73）。更為關鍵的是，即使對病灶進行空間隨機化（旋轉）、使用混合癥狀的病灶集或完全隨機的合成病灶，所產生的LNM圖與原始疾病相關的LNM圖也表現出極高的相似性（r值在0.73-0.95之間）。同樣，對規范連接矩陣C進行連接隨機化（保持節點度）后，LNM結果依然與原始結果高度相似（例如，忽略綜合征LNM圖r=0.66，ASD的LNM圖r=0.94）。對102個LNM網絡的調查發現，雙側島葉、ACC和額極等區域在高達74%的報告中出現，存在廣泛重疊。

研究團隊證明，標準的LNM流程可以壓縮為一個簡潔的線性矩陣運算：LNM = Σ(M × C)。其中，M是表征所有患者病灶位置的病灶矩陣，C是規范組平均功能連接矩陣。這一形式化揭示，當病灶集（M）覆蓋大腦足夠多區域（即近似單位矩陣I）時，LNM結果將收斂于矩陣C的行求和向量，即節點的功能連接度（degree）。模擬表明，僅需≥10個空間異質性病灶，LNM圖即開始近似C的度分布（r>0.44）；對于LNM研究中典型的20-25個病灶，相關性更高（r>0.62）。即使對于空間重疊的病灶，LNM圖也主要反映了所選種子區域固有的FC模式或其行誘導子圖（C_m）的求和。對于癥狀網絡映射（sLNM）變體，其計算（sLNM = sv × (M × C)）同樣受限于矩陣C的潛在因子（如主成分PC1，與度重疊|r|=0.82），導致結果仍與C的基本屬性對齊。

實證分析驗證了上述預測。計算所用規范數據集（GSP1000）的組平均連接矩陣C的度圖，并與一系列已報告的LNM網絡進行相關分析。結果顯示，眾多LNM網絡（如成癮、忽略綜合征、意志中斷、精神分裂癥、雙相情感障礙、強迫癥等）與C的度向量均存在強關聯（r值范圍0.50-0.97，均P<0.001）。sLNM衍生的網絡（如成癮緩解、多發性硬化抑郁風險、TMS/DBS靶點網絡）也顯著帶有度的痕跡（P<0.001），并且與C的第一主成分（PC1）高度相關（|r|=0.77-0.89）。即使是小樣本、局灶性病灶（如失語癥、偏頭痛、妄想性誤認）或高度集中的DBS/TMS靶點產生的LNM圖，也顯示出度的顯著影響。回歸模型進一步表明，LNM圖中93%的方差可由C的幾個基本屬性（度、模塊化結構、功能梯度）解釋，sLNM圖也有79%的方差得以解釋，剩余方差 within fMRI和LNM數據的預期噪聲水平內。

研究還討論了LNM中常用的統計檢驗（敏感性檢驗、特異性檢驗、聯合檢驗）的有效性。由于規范數據集龐大，敏感性檢驗（體素水平t檢驗）通常會導致廣泛顯著性。特異性檢驗（與來自其他疾病的隨機病灶比較）由于隨機病灶的LNM也收斂于度分布，實際上重復檢驗了與敏感性檢驗相似的信號，缺乏統計獨立性。聯合檢驗因此容易通過，即使病灶重疊程度很低（Dice系數=0.08時已有10%集合顯著；Dice=0.16時達64%）。

本研究通過系統的數學推導和實證分析，揭示了病灶網絡映射（LNM）框架存在的一個根本性方法學局限：其本質是重復采樣同一規范功能連接矩陣（C），導致其結果系統性收斂于該矩陣的基本屬性（如節點度），而非識別出真正疾病特異性的腦環路。這解釋了為何不同神經精神疾病背景下報告的LNM網絡表現出驚人的相似性。

這一發現具有深遠意義。首先，它對大量基于LNM推導出的疾病網絡和環路的特異性提出了強烈質疑，表明這些網絡可能大部分是非特異性的，并不能準確反映真實的疾病特異性生物網絡。其次，對于日益增多的基于LNM指導經顱磁刺激（TMS）和深部腦刺激（DBS）等治療靶點選擇的研究和實踐提出了警示，因為這些“特異性”靶點可能主要反映的是規范連接數據的平均信號。研究強調，LNM網絡的收斂是數學程序的必然結果，而非其與大腦樞紐或復雜連接架構對應的生物學證據。

盡管LNM存在這些局限，但將腦組織異常與行為結局聯系起來的研究方向本身仍是神經科學的核心。未來的努力應側重于從第一性原理出發，結合真實患者病灶和計算機模擬，修訂網絡映射領域，開發新一代方法，以更可靠地識別腦區及其網絡動力學在神經精神疾病中的作用，最終推動網絡水平方法向臨床應用的轉化。這項工作促使學界重新審視疾病異質性，并強調了在將網絡映射結果轉化為臨床干預前進行嚴格方法學評估的重要性。