生物行移动版

《传递者》杂志报道了神经科学领域一场关于“病变网络映射”（LNM）方法的激烈辩论。该方法通过脑损伤位置推断受影响的脑网络，但一篇发表在《自然·神经科学》的论文质疑其有效性，认为该方法存在偏差，无论疾病类型如何，结果都会指向几乎相同的大脑网络。该方法的主要使用者正通过压力测试来验证其结果。

当哈佛医学院精神病学副教授Shan Siddiqi在2026年Noosa脑研讨会上发言时，他仍在思考三周前《自然·神经科学》发表的一篇批评LNM的论文。LNM是他大部分工作的基础。但阅读全文后，Siddiqi认为批评是“无力的”，指出了他和同事已知晓并已开发出解决方法的问题。然而，在随后的日子里，批评在社交媒体和新闻文章中持续出现。在会议的第一晚社交活动中，其他与会者询问了他的看法，他决定在第二天的演讲中回应。他向资深神经影像学研究人员表示，他认真对待论文中提出的挑战，并与合著者Michael D. Fox合作，与神经影像学统计学家一起重新分析了数据。他向观众展示了两种竞争的假设——LNM结果是疾病特异性的 vs. LNM存在数学缺陷——并解释了如何使用真实数据测试两者。结果显示LNM似乎是有效的，Siddiqi得出结论，批评基于对方法实施方式的错误假设。他和团队两天后在bioRxiv上发布了他们的重新分析，成为围绕该方法的新一轮讨论浪潮的一部分。一些人同意LNM有局限性，但这些局限性可以通过适当的统计测试克服；另一些人则认为《自然·神经科学》论文的作者夸大了跨疾病网络重叠的程度。自2015年开发以来，LNM已迅速普及，发表了200多篇使用该方法的论文，至少有7项正在进行临床试验。尽管如此，该方法尚未受到真正的挑战，Fox表示“可能时间已经到了”。

辩论双方观点

LNM的批评者、阿姆斯特丹自由大学教授Martijn van den Heuvel及其同事的数学分析表明，使用LNM评估的任何疾病最终都会收敛到几乎相同的网络图，使输出毫无意义。但Siddiqi和他的同事表示，他们通过应用统计测试（包括特异性测试）来解释了这种重叠。伦敦国王学院的高级讲师František Váša认为，van den Heuvel的论文确实提出了对LNM局限性的重要担忧，但没有确凿证明这些图不包含疾病特异性信息。Van den Heuvel不同意特异性测试可以克服根本问题：LNM在数学上被设置为从单个连接组中提取网络。除方法论外，LNM还存在其他问题，例如2020年一项研究发现LNM无法成功预测中风后病变的行为缺陷。圣路易斯华盛顿大学放射学副教授Janine Bijsterbosch表示，原始批评仍然成立，因为网络之间的相似性可能比预期的要多，这需要更多思考。总体而言，讨论是富有成效的，悉尼大学系统神经科学教授Mac Shine认为，这是值得追求的理想状态：当有人批评你的工作时，你不会针对个人，而是尝试以最慷慨的方式理解他们的出发点和担忧。

参考文献

Voyles Askham, A. (2026). ‘Overdue’ debate unfurls over neuroimaging method. The Transmitter. 本文报道了围绕病变网络映射（LNM）方法的学术争议。争议核心源于2026年1月发表在《自然·神经科学》的批评性论文与支持者（如Siddiqi和Fox）的回应及后续预印本。文章引用了多位未直接参与原始辩论的研究者（如František Váša, Marvin Petersen, Janine Bijsterbosch, Mac Shine）的观点，讨论了LNM的局限性、统计检验方法、以及科学辩论的价值。文中提到的关键研究包括2020年关于LNM预测中风后行为缺陷的失败尝试。