超过200项已发表研究和至少7项正在进行的临床试验依赖于一种可能有缺陷的脑网络映射方法——病灶网络映射。该方法于2015年开发，旨在识别特定神经系统疾病（如强迫症、帕金森病、精神变态）中被破坏的大脑活动模式，为治疗提供清晰的脑网络靶点。然而，一项发表于《自然·神经科学》的新研究揭示，病灶网络映射存在一个数学缺陷：无论什么疾病或条件，该方法都会为任何给定数据集产生几乎相同的网络图。这意味着病灶网络映射的靶点是不可靠的。研究者建议从头开始使用新的网络分析方法，或使用零模型来分离统计学上显著的疾病特异性效应。

一、病灶网络映射方法及其问题

病灶网络映射方法利用健康人的参考连接组，识别特定位置病灶可能破坏的网络；对所有参与者重复此过程，然后组合受影响网络形成疾病图。其目的是解释为什么不同位置的脑损伤能导致相同的神经系统疾病。然而，问题在于每个新加入病灶网络映射图的网络主要源自原始典型连接组，疾病对图的贡献极小。验证实验表明，当应用于随机位置的一组假设病灶时，病灶网络映射产生了本质上相同的图。

二、关键发现

研究发现，精神病的网络与成瘾、抑郁症、创伤后应激障碍、偏头痛、失眠、眩晕等的网络几乎相同，这些网络可能不是生物学上真实的，而是数据处理的结果。病灶网络映射图随着每个新参与者的加入越来越再现典型连接组的基本属性，疾病特异性贡献被稀释。即使没有疾病（随机病灶），也能产生相同的地图，表明该方法产生假阳性和非特异性发现。

三、对已发表研究和临床试验的影响

超过200项已发表研究和至少7项正在进行的临床试验依赖可能有缺陷的病灶网络映射图。这些临床试验测试基于病灶网络映射图的经颅磁刺激或深部脑刺激治疗，但结果混合：一些治疗有效，一些无效——可能因为靶点不可靠。正如研究者所言：“有些时候它们会是正确的，但那是偶然的。大多数时候，你认为是最优靶点的，实际上并不是。”

四、方法学缺陷的本质

病灶网络映射方法本身存在数学问题，导致无论输入什么数据都产生相似输出。网络“很可能不是生物学的——它们只是复杂数据处理过程的后果”。由于问题源于数据分析，“方法本身可能无法挽救”。

五、可能的解决方案

研究者提出几种解决方案：使用新形式的网络分析从头开始；使用零模型隔离统计学上显著的疾病特异性效应；使用共享相同非特异性模式但在症状表达相关元素上不同的良好匹配比较组；以及评估病灶网络映射图在预测独立样本中症状的表现。

六、对临床应用的警示

将新平台和流程转移到诊所时应保持谨慎，在主张方面应有所保留。需要重新思考如何以科学严谨的方式个性化和优化治疗靶点检测。任何脑映射方法的最终测试是它是否能帮助患者——这正在多个临床试验中测试。

七、未来方向

值得以批判的眼光重新审视部分文献，推动研究人员探索绘制神经系统疾病相关脑网络的其他方法。正如研究者所说：“我绝对相信我们会找到不同的方法。我认为这是一线希望。”

八、结论：病灶网络映射需要重新评估

病灶网络映射方法在过去十年中产生了数十个网络，据称是单个条件或特征的基础。然而，这项新研究揭示了一个根本性的数学缺陷：该方法倾向于为任何给定数据集产生几乎相同的网络图，无论是什么疾病或条件。这意味着依赖病灶网络映射图的研究和临床试验可能需要重新评估。

核心信息：

• 病灶网络映射方法存在数学缺陷，产生非特异性发现。
• 超过200项研究和7项临床试验可能依赖于有缺陷的图。
• 该方法可能无法挽救；需要新的网络分析方法。
• 研究者应谨慎进行，使用零模型或独立样本验证。
• 一线希望：这可能推动开发更好的方法来绘制神经系统疾病相关的脑网络。

参考来源：
van den Heuvel, M., Cocchi, L., et al. (2026). Methodological flaw may upend network mapping tool. Nature Neuroscience.