0 引言

       阿尔茨海默病（Alzheimer's disease, AD）是全球最常见的神经退行性疾病。2024年，阿尔茨海默病协会（Alzheimer's Association, AA）工作组发布了最新修订的诊断与分期标准，明确重申AD的诊断应基于核心生物标志物[如β-淀粉样蛋白（amyloid-beta, Aβ）和Tau蛋白]异常病理沉积，而非仅仅依赖临床进行诊断。该框架将AD划分为0至6期共7个连续的临床阶段，其中0至1期对应无症状的临床前阶段，2期为主观认知减退（subjective cognitive decline, SCD），3期为轻度认知障碍（mild cognitive impairment, MCI），其后逐步演进至4至6期的轻、中、重度痴呆阶段^[1]。这一生物学分期框架的提出，要求神经影像学不仅要能识别临床中晚期严重脑实质萎缩，更需要在疾病的早期阶段，捕捉到由异常蛋白沉积引发的神经功能紊乱。而相较于结构影像学指标，功能连接（functional connectivity, FC）的异常已被证实早于显著的灰质萎缩出现，且在未出现明显临床症状时即可检测到特征性改变^[2]。

       尽管rs-fMRI在AD领域的研究日益丰富，但现有综述多局限于对FC变化的静态描述。其不足主要体现在三个方面：一是未能充分剖析网络分析算法在应对AD高度异质性脑萎缩时的数理与解剖学局限；二是忽略了宏观脑网络与微观病理过程（如类淋巴系统动力学、神经血管解耦）间的跨尺度联系^[3]；三是针对图论与动态功能网络连接（dynamic functional network connectivity, dFNC）技术在可解释性人工智能（explainable AI, XAI）中的应用，缺乏系统性梳理。

       基于上述背景，本文尝试对现有研究进行更深层次的梳理。在方法学层面，探讨不同算法在处理非对称性脑萎缩与拓扑变形时的适用性；在机制层面，尝试建立宏观脑网络“去分化”与微观类淋巴系统动力学之间的联系。最终，本综述进一步探讨了多中心纵向队列的建设与个体化神经调控干预，旨在为AD临床前精准靶点的识别及可解释性影像学生物标志物的开发提供更为扎实的理论依据。

1 文献检索方法

       本研究系统检索了PubMed和中国知网（CNKI）等数据库，文献检索的时间跨度为各数据库建库至2026年4月，聚焦近5年内的最新技术演进、人工智能模型的突破以及最新国际诊断标准的临床应用。研究对象涵盖依据最新标准诊断的AD谱系患者（SCD、MCI、AD）及健康对照。在具体检索方法上，研究采用了医学主题词（MeSH）与自由词（Free Text）相结合的检索策略，核心检索式构建如下：(“Alzheimer Disease” [Mesh] OR “Cognitive Dysfunction” [Mesh] OR “Mild Cognitive Impairment” OR “Subjective Cognitive Decline”) AND (“Magnetic Resonance Imaging” [Mesh] OR “resting-state fMRI” OR “rs-fMRI”) AND (“Nerve Net” [Mesh] OR “Functional Network Connectivity” OR “Graph Theory” OR “Dynamic Functional Connectivity” OR “Independent Component Analysis”)。同时辅以“Glymphatic System”“Explainable Artificial Intelligence”以及“Spatial Transcriptomics”等扩展检索词。

       在文献纳入与排除方面，本研究剔除了缺乏关键预处理（如严格的头动校正与脑萎缩配准）的低质量队列。为了弥补现有综述在应对AD高度异质性脑萎缩时的机制探讨不足，本研究特别纳入了探讨宏观脑网络与微观病理过程跨尺度联系的前沿文献，重点关注局部神经血管解耦、类淋巴系统动力学以及空间转录组学。此外，针对临床转化路径，本研究系统梳理了多模态影像融合验证模型及XAI在早期精准诊断中的最新应用。

2 静息态功能磁共振成像全脑网络连接分析的方法论与解剖学挑战

       大脑并非孤立运作的脑区集合，而是一个具备高度集成与分离特征的复杂网络。rs-fMRI通过捕捉受试者在无任务状态下自发的低频血氧水平依赖（blood oxygenation level dependent, BOLD）信号波动，为评估大脑内在的功能组织提供重要方法。近年来，影像学界的研究焦点已从孤立的两个FC，进一步扩展为功能网络连接（functional network connectivity, FNC）乃至宏观的脑功能梯度层面^[4]。相较于局部FC，FNC侧重于研究大规模静息态网络，如默认模式网络（default mode network, DMN）、突显网络（salience network, SN）、额顶控制网络（frontoparietal control network, FPCN/FPN）等内部及网络之间的协同、拮抗与信息整合机制^[5]。

       rs-fMRI网络连接的分析技术也呈现出多维度、深层次的扩展。目前脑网络分析不再局限于静态的、无方向的皮尔逊相关计算，而是逐步拓展至包括“有向/无向连接”、“节点/网络/拓扑/梯度”以及“静态/动态演化”的立体化技术^[4]。每种分析方法在揭示特定病理机制方面具有其独特的数学逻辑与生物学优势，但在AD这一伴随着严重脑结构退化、病理分布不均的疾病背景下，这些方法也面临着挑战。

2.1 基于种子点分析的部分容积效应干扰与多模态校正

       基于种子点或感兴趣区（region of interest, ROI）的分析是最常见的静息态FC分析方法之一。该方法通过选择一个已被验证的“种子”脑区作为兴趣区域，提取该区域的时间序列数据，进而计算全脑其他区域与其时间序列的相关性。

       然而，在AD的神经影像学研究中，ROI分析面临着极其严峻的结构萎缩校正问题；AD病理进程的核心特征之一是不可逆的神经元死亡与突触丢失，这在宏观MRI结构像上表现为显著的灰质萎缩与脑沟、脑室的扩张，尤其在内侧颞叶和海马区域极为明显^[1]。AD患者由于皮层变薄与皮层下核团变性，海马及侧脑室周围等区域萎缩^[6]。如果研究者仍然使用标准的空间模板进行配准，并在个体大脑上提取固定半径的ROI，势必会将大量因萎缩而扩大的脑脊液（cerebrospinal fluid, CSF）搏动信号或临近病变的白质高信号错误地混入灰质的BOLD时间序列中^[7]。这就引发了一个核心解释难题：观测到的连接减弱，究竟是真实的神经突触信号障碍，还是仅仅反映了该区域灰质体积的物理性缩减？AD患者在DMN核心枢纽表现出显著的结构-功能去耦合，这就说明DMN子网络的去分化不仅是解剖萎缩的影响，更表明了深层的突触功能退化与大脑层级网络失代偿机制^[8]。针对这一关键挑战，近年来较先进的技术路径是采用图像层面的部分容积校正算法，利用高分辨率的T1加权结构像对低分辨率的fMRI数据进行体素级别的灰质概率加权与迭代重建^[9]。另一方面在全脑水平统计推断时，进行基于体素的形态学分析（voxel-based morphometry, VBM），将局部灰质体积或皮层厚度矩阵作为体素的协变量纳入一般线性模型中进行回归处理。此外，结合结构-功能耦合的联合建模方法，也是未来去除萎缩混杂因素、获取真实网络特征的重要方向^[10]。

2.2 独立成分分析的先验偏倚与异质性群体模板匹配困境

       独立成分分析（independent component analysis, ICA）通过最大化信号的时间或空间独立性，将全脑混合的BOLD时空信号矩阵分解为多个代表不同固有连接网络（intrinsic connectivity networks, ICNs）的独立成分^[11]。与ROI方法不同，ICA的核心优势在于无需预设主观的种子点，从而避免了先验偏倚；同时，ICA能够有效地将神经活动相关的网络成分与由头动、心跳、呼吸等引发的生理噪声成分分离，提升了数据的纯净度^[12]。但是由于其成分数量选择、分析算法及研究者对成分的解释，决定了其结果的不确定性与主观性^[13]。

       尽管ICA在提取系统级大尺度网络方面具有较高的能力，但将其应用于AD群体研究时，最大的问题在于成分数量的先验选择以及组级向个体级网络模板匹配的可靠性。在实际操作中，由于AD患者之间以及患者与健康对照之间存在巨大的解剖结构差异、脑萎缩变形以及功能网络的拓扑变异，当采用传统的空间模板匹配算法来自动识别特定成分时，极易发生匹配失败^[14]。

       为了提升ICA在AD网络中的匹配可靠性，最新研究引入了模板ICA算法。该方法依托层次经验贝叶斯框架，通过大量的神经影像数据库中的网络空间均值与协方差，将其构建为高价值的总体先验，在个体观测数据与总体先验之间进行动态加权。ICA方法能够允许个体保留其特异性的病理变异模式，并且为在AD等高噪声临床数据条件下进行个体化影像靶点定位与预测提供了关键的技术支撑^[15]。

2.3 基于体素的镜像同伦连接的空间对称假设与非对称性脑萎缩的冲突

       基于体素的镜像同伦连接（voxel-mirrored homotopic connectivity, VMHC）是一种专门用于量化大脑左右两半球功能协调性的特殊功能网络分析方法。它通过计算一侧半球的每个体素与其在对侧半球镜像位置上的对应体素之间BOLD信号的时间同步性，来直接评估大脑跨半球信息交互的效率^[16]。然而，VMHC方法建立在一个极其严苛的解剖学假设之上：即人类大脑在结构形态和功能分区上是高度左右对称的。但在真实的AD病理演进中，脑萎缩与病理蛋白的沉积往往呈现出高度的非对称性特征。多项神经病理学和影像学研究证实，早发型AD或表现为特定语言变异型、视觉空间变异型的不典型AD患者，其一侧半球（如左侧外侧裂周围的语言中枢，或右侧顶枕叶的视空间中枢）的神经元变性、脑沟变宽和Tau蛋白沉积会显著重于对侧半球^[17]。当这种显著的结构非对称性存在时，fMRI数据在预处理阶段进行空间标准化和创建对称脑模板配准的过程中，必然会导致镜像体素在真实解剖和功能同源上的严重错位。因此，目前更严谨的研究设计强调必须在计算VMHC之前，应用个体化的高度非线性对称配准算法建立特定的结构对称空间，提取结构层面的非对称性萎缩指数，并在后续的体素水平的功能统计分析中，将其作为局部协变量予以严格排除。

2.4 图论分析与复杂网络拓扑属性

       为了克服上述方法仅仅关注局部连接强度或单一网络模块的局限，图论分析作为复杂网络科学在医学影像中的衍生，已成为当前全面解析AD大脑结构-功能全局性重组的核心工具。图论将人脑抽象为一个包含“节点”和“边”的复杂拓扑矩阵^[18]。健康的人类大脑在漫长的进化中形成了“小世界”网络架构，这种架构兼具了高聚类系数与短特征路径长度^[19]。在AD的宏观连接组学研究中，图论分析一致性地揭示了健康大脑标志性的“小世界”网络属性遭到严重破坏。表现为：表征局部信息处理效率的聚集系数降低，而反映全局信息长距离传输成本的最短路径长度显著增加^[20]。近期一项囊括809名多中心受试者的大规模rs-fMRI研究首次引入了一种整合局部与全局连通性的新型多维中心度指标——DomiRank。该拓扑度量在检测网络脆弱性方面展现出优于传统指标的敏感度，捕捉到AD患者扣带回、楔前叶及基底神经节等控制中枢在“支配性网络层级”地位的衰退，且这种拓扑变化的斜率与临床简易精神状态检查（Mini-Mental State Examination, MMSE）及蒙特利尔认知评估量表（Montreal Cognitive Assessment, MoCA）的衰退轨迹吻合^[21]。此外，由于图论能够同时在全频段及亚频段捕捉海量、多尺度的拓扑特征，将这些特征输入机器学习分类器[如支持向量机（support vector machine, SVM），或深度图卷积神经网络（graph convolutional network, GCN）]后，人工智能模型多类别分类可达到94.5%，准确界定AD的病理阶段^[22]。

2.5 常见静息态功能磁共振成像网络分析方法对比

       综合上述针对不同网络分析算法的理论剖析与病理学应对策略，我们系统总结了这些主流静息态功能网络连接分析方法的核心原理、在AD研究中的主要局限性与挑战、最佳适用场景以及近年来的前沿优化方向（表1）。

点击查看表格

表1  静息态功能磁共振成像功能网络连接分析方法在AD研究中的对比
Tab. 1  Comparison of resting-state functional MRI functional network connectivity analysis methods in AD research

2.6 关键混杂因素：神经血管解耦、空间分辨率与场强及生理噪声

       在综合运用上述功能网络分析方法时，研究者必须注意rs-fMRI固有的混杂因素。首要的便是神经血管解耦问题，由于AD患者常伴有慢性缺血与微血管病变，BOLD信号幅度的降低可能部分源于局部血管反应性下降，而非纯粹的神经活动减弱^[25]。近期的跨组学与多模态成像研究进一步证实，脑实质缺血与白质病变会破坏神经血管单元的完整性，导致低频振幅（amplitude of low-frequency fluctuations, ALFF）与脑血流发生显著解耦，这种失调是驱动宏观认知衰退的关键中介因素^[26]。此外，基于定量磁化率成像的队列数据提示，伴有微血管病变的个体在MCI发生前，左侧脑岛等关键脑区就已出现了加速的神经血管代谢解耦^[27]。为剥离这一非神经源性干扰，未来的研究可以联合动脉自旋标记（arterial spin labeling, ASL）灌注成像，或引入高浓度二氧化碳吸入范式来精确校准血流动力学基线^[28]。

       同时，扫描时间的长短以及老年认知障碍群体极易出现的头部不自主运动、呼吸节律和心跳搏动等生理噪声，易在分析中产生虚假的网络拓扑结构^[29]。为了确保结论的鲁棒性与多中心泛化能力，未来的标准化预处理需引入严格的数据标准化流程。

3 功能网络拓扑在AD病理级联反应中的时空演变轨迹

3.1 DMN子网络去分化与病理改变

       在众多脑网络中，DMN在AD病理研究中占据着特殊的核心地位。早期的概念往往将DMN视为一个整体，但当前的精细化网络分析已明确指出，DMN由多个功能不同子网络构成，代表性的包括：主要为内侧前额叶的前DMN，以楔前叶和后扣带回（posterior cingulate gyrus, PCC）为核心枢纽的后DMN，包括内侧颞叶系统与海马的腹侧DMN，以及涉及顶叶的背侧DMN^[30]。这些子网络在情景记忆、自我感知、未来规划等高级认知功能中扮演着不同的角色，且在AD的病理演进中表现出高度异质性的易损性与去分化改变。

       在AD的早期甚至临床前阶段，DMN内部便开始了被称为去分化或解偶联的病理过程。表现为前侧DMN（内侧前额叶）与后侧DMN（楔前叶/PCC）之间的连通性发生断裂^[31]；同时，异常的病理蛋白在不同子网络的沉积呈现出空间特异性。大量的多模态正电子发射断层扫描（positron emission tomography, PET）-fMRI联合研究证实：Aβ斑块的早期沉积高度集中于后部DMN（因为这些区域具有全脑最高的基线葡萄糖代谢率和有氧糖酵解需求）^[32]，导致该区域的短程连接异常增加而后向外投射减弱；而异常磷酸化的Tau蛋白（p-Tau）的扩散，则与腹侧DMN的FC减弱具有紧密的病理因果关系^[33]。随着疾病从SCD向MCI阶段发展，DMN内部的协同性被打破，其与负责外部目标的背侧注意网络（dorsal attention network, DAN）以及负责冲突监测的SN之间原本存在的拮抗关系也逐渐减弱^[34]。这种高级认知网络边界的模糊化与去分化，标志着大脑正在丧失在内部反思与外部环境感知状态之间切换的能力，直接表现为患者在早期临床表现出的注意力分配困难、工作记忆受损以及情景记忆的提取障碍。

       近年来的研究进一步揭示了DMN网络演变的深层动态机制。在疾病早期，静息态网络常出现局部的超连接，过去普遍认为，这是大脑为了维持认知功能而产生的保护性代偿机制^[35]。然而，最新的多模态纵向研究对此提出不一样的见解，这种由Aβ病理诱发的早期异常活跃，实际上构筑了病理蛋白传播的通道，直接加速了Tau蛋白向腹侧DMN等脆弱网络的蔓延，这种短暂的异常活跃最终会转变为低连接状态^[36]。此外，动态功能连接dFC与功能梯度的分析表明，AD患者的大脑不仅在结构上受损，在动态调节上也失去了灵活性，高级认知中枢的DMN与底层的初级感觉运动网络之间的边界变得模糊，大脑原本宏观层级分工出现严重的去分化现象^[4]。

       综上，DMN在AD进程中并非整体性衰退，而是经历了从内部子网络解耦、充当病理传播通道，到宏观时空动态变化的过程。未来的研究有望聚焦于将这些早期的动态异常特征转化为可靠的多模态影像学生物标志物，从而为AD的精准临床前分期与早期靶向神经调控干预提供新的突破口。

3.2 核心枢纽：从初级边缘系统向深部皮层下的失代偿性演变

       在AD谱系研究中，海马^[37]或后扣带回^[38]的连接衰退早已被证实是情景记忆受损的核心，且这种连接减弱与Aβ42水平下降和磷酸化Tau蛋白水平升高等核心AD病理生物标志物显著相关^[39]。在预测模型构建中，ZHU等^[40]直接以双侧海马为种子点提取全脑FC特征，并利用该特征向量构建机器学习模型，在AD、MCI与正常对照的二分类诊断中均达到了81%以上的准确率。

       然而，仅仅关注海马等皮层或边缘系统节点，尚不足以解释病理在全脑的改变与复杂的非认知症状。因此，近期的前沿研究将ROI靶点扩展到了皮层下网络，如丘脑及其亚区和基底前脑^[41]。研究表明，作为主要胆碱能神经元胞体所在地的基底前脑Meynert核，其在MCI阶段便与DMN出现显著断连，这种早期的结构-功能解耦导致胆碱能神经效能下降，进而减弱皮层兴奋性及全局网络整合能力^{[42, 43]}。随着病理级联反应的不断演进，Aβ斑块和Tau缠结沿着神经解剖轴突通路向外蔓延，网络损伤的核心焦点也从海马等初级记忆编码中枢，逐渐转移至负责多模态信息中继与感觉整合的皮层下网络，其中丘脑的作用尤为关键^{[44, 45]}。丘脑并非单一的核团，其不同的亚区在维持大脑觉醒状态和传递不同模态信息中扮演着各异的角色。研究发现，在AD中晚期，丘脑腹侧核等高级感觉中枢与前额叶执行网络的特异性连接减弱，这种丘脑-皮质回路的阻断，可能是导致AD患者在疾病进展中出现严重的感觉减退、觉醒度异常、注意力无法持续集中以及精神行为症状的关键病理生理基础^[46]。值得注意的是，在病理改变的早期，海马、基底核乃至丘脑部分亚区往往不会表现出连接降低，反而会出现一过性的过度连接或局部节点活跃度的异常增高^{[44, 47]}。这表明神经网络初期会通过调动额外资源或增加局部兴奋性来代偿维持正常的认知表现；但随着病理负荷跨越临界阈值，这种脆弱的平衡被打破，过度兴奋转为兴奋性毒性，最终走向不可逆的网络崩溃与失代偿。AD的网络退化是一个从海马等边缘系统向丘脑等深层皮层下核团蔓延，并经历代偿的动态时空演变过程。未来的预测模型与干预研究，有望突破单一脑区的局限，通过整合这种皮层-皮层下联合受损的途径，为AD及其复杂精神神经症状提供更精准的早期预警与神经调控靶点。

4 跨尺度多模态融合与认知计算的前沿展望

4.1 大脑类淋巴系统与神经代谢废物的空间清除障碍

       类淋巴系统是近年来神经科学领域的重大发现，其主要功能为大脑脑液对流交换，这是清除可溶性Aβ及Tau等代谢废物的关键机制^[48]。而AD病程中这种清除障碍源于“神经-血管-流体”耦合机制的崩塌。AD早期DMN等网络连通性的改变，破坏了深度睡眠期的慢波振荡节律，导致驱动脑脊液洗脱的动力衰竭。流体动力的丧失反过来加剧毒性蛋白在脑区的沉积，形成恶性闭环^{[49, 50]}。尽管宏观机制相对明确，但类淋巴系统核心流体驱动力的来源仍存争议。部分基于计算流体力学的研究强调，伴随衰老的微血管退化从物理层面直接削弱了流体压强^[51]。另有学者提出了不同看法：大脑在睡眠时产生的神经电活动，才是真正推动脑内液体流动并清理代谢废物的动力^[52]。这种分歧出现的主要原因为现有的无创影像学指标只能提供间接且宏观的线索^[53]，无法同时捕捉到微观层面的脑液流体力学与全脑网络活动的实时交互，因此很难取得统一的意见。未来的研究需结合宏观脑网络与微观流体动力学，诊断评估可尝试7 T高场强磁共振等技术以精准测量血管周围间隙的液体阻力^[54]。在临床干预方面，特定频率的声光刺激或无创神经调控技术正展现出潜力^[55]，通过外源性刺激纠正患者紊乱的慢波节律，恢复类淋巴系统对代谢废物的清除能力。

4.2 视觉大模型与可解释性人工智能

       面对AD早期筛查中rs-fMRI数据的异质性，传统的先验特征提取方式已难以满足精准诊断的需求。深度学习算法的引入，使得从复杂脑网络信号中自主提取非线性的微观病理特征成为可能。近年来，Transformer架构已拓展至神经影像领域，例如2023年提出的OViTAD模型，其基于全局自注意力机制解析多模态rs-fMRI数据，在压缩约30%参数量的同时，实现了97%的分类准确率^[56]。进一步地，时空图神经网络突破了静态结构的局限，实现了对大脑网络拓扑结构与血氧信号时序演变轨迹的联合建模；该类算法在预测MCI转化风险方面的准确率已接近83%^[57]。针对深度学习模型的不可解释性及其带来的临床应用瓶颈，XAI的整合提供了破局路径。2024至2025年的多项多中心研究通过结合SHAP、积分梯度及 Grad-CAM等归因算法构建了全新的诊断框架，在保障高识别精度的前提下，实现了模型决策关键特征的可视化溯源^[58]。此类技术通过客观映射出与经典神经病理学吻合的脑区连接异常，弥补了算法预测与临床循证之间的距离，不仅提升了医学决策的可信度，也为未来 AD 个体化神经调控干预提供了精确的解剖学靶点。

4.3 未来展望：三维空间转录组学

       三维空间转录组学（spatial transcriptomics, ST）在保留组织原生三维空间坐标的前提下，实现基因表达的高通量检测^[59]。该技术克服了传统单细胞测序在组织解离时丢失空间拓扑信息的缺陷，也为解析Aβ斑块周围复杂的细胞微环境提供不同的视角^[60]。过去Aβ斑块和Tau蛋白神经纤维缠结被视为单纯的毒性沉积物^[61]。但高分辨率ST图谱颠覆了这一认知，证实斑块实际上是一个高度活跃且结构分明的病理生态位^[62]。此外，大脑微观病理过程（如类淋巴系统的脑脊液引流机制）与毒性蛋白在特定脑网络（如DMN）中的跨区播散均具有三维空间属性^[63]。传统的二维ST切片容易造成Z轴距离与细胞通讯网络的丢失，因此，向三维ST跨越成为构建转录后调控立体网络、解释神经元异质性受损的必然要求，这也为未来分子图谱与宏观三维神经影像的跨尺度融合奠定了基础^[64]。然而，在尝试将ST的微观分子坐标与宏观神经影像进行融合时，仍面临显著的客观限制。ST技术目前高度依赖于死后离体冰冻脑组织的切片测序，而rs-fMRI反映的是活体大脑高度动态的血流动力学响应。两者在时间维度与生物物理状态上存在本质差异。因此，现阶段将微观分子数据与宏观活体影像进行直接的“跨尺度空间配准”在技术落地上仍具挑战。在目前的探讨中，三维ST可作为一种前瞻性的底层参照，用于回顾性的解释和验证宏观脑网络连接脆弱性的分子与基因学基础。

5 临床转化路径

5.1 多中心纵向队列建设与标准化影像获取协议

       当前，基于rs-fMRI分析的AD诊断模型虽在单中心数据集内达到较高准确率，但其跨中心泛化能力依然存在局限。不同研究中心在设备场强（如1.5 T、3 T、7 T引起的信噪比差异）及脉冲序列参数上的设定差异，不可避免地引入了“扫描仪间异质性”^[65]。这种由不同仪器扫描得到数据的差异性，可能会影响并且掩盖早期所发生的细微神经生物学信号改变。

       解决该问题需依托如AD神经影像学计划（Alzheimer's Disease Neuroimaging Initiative, ADNI）级别的大型多中心纵向队列。在数据采集时，建立并推广标准化的脑功能影像获取协议是降低设备参数区别的基础^[66]。在数据预处理与分析环节，需引入针对生理噪声的严格去噪策略，并结合机器学习算法，实现数据的校正。通过确立跨设备的标准化数理规范，基于rs-fMRI提取的高阶网络拓扑特征才具备作为可靠影像学生物标志物的条件，进而有望被纳入疾病治疗临床试验评估体系。

5.2 个体化神经调控靶点选择与精确物理干预

       在精准医学背景下，rs-fMRI的应用不应局限于提供疾病预警，更应成为指导临床物理干预的个体化工具。传统的非侵入性脑刺激疗法在AD临床试验中疗效存在显著的异质性。重要原因在于传统方法多依赖群体平均的固定解剖坐标，而未充分考虑AD患者个体间显著的网络拓扑变异及复杂的脑区代偿差异^[67]。若刺激电磁脉冲偏离患者真实的网络枢纽，干预效果必然受限。

       神经调控的优化路径可进一步依托图论与ICA，提取个体化的网络中心度指标。通过对患者特异性全脑连接矩阵的拓扑解析，可精确定位具有代偿潜力的高度连接枢纽或处于失代偿边缘的枢纽^[68]。将上述动态的个性化脑区作为TMS或脑深部电刺激（deep brain stimulation, DBS）的解剖学靶点，施加特定频率的脉冲干预，不仅可靶向纠正异常的慢波节律、恢复大尺度网络同步性，亦可能通过调节神经血管耦合，促进大脑类淋巴系统对Aβ等病理蛋白的对流清除^[69]。此类基于影像学特征引导的个体化靶向干预，将是推动该领域完成从影像评估到临床治疗闭环的关键途径。

6 小结与展望

       综上所述，AD的病理演进不仅表现为局部脑实质萎缩，更伴随大尺度脑网络拓扑特征的退化。rs-fMRI作为在体评估脑FC的关键技术，揭示了以DMN为核心的子网络去分化现象，以及功能受损由边缘系统向皮层下延伸的演变规律。尽管不同的网络分析方法在AD影像学生物标志物挖掘中各有侧重，但目前多数发现仍停留在横断面观察层面，向临床转化的证据链尚不完整。

       未来围绕rs-fMRI在AD中的研究可从以下几个方向进一步拓展：（1）影像采集与分析流程标准化。针对AD特征性的非对称脑萎缩导致的部分容积效应，未来需依托大规模多中心纵向队列，建立统一的数据采集序列与严格的数据预处理流程，以控制扫描仪间异质性，提升网络特征跨中心的可复现性。（2）宏微观病理机制的跨尺度验证。宏观脑网络异常与微观病理生理过程间的因果联系仍需明确。后续研究可结合高场强成像，评估神经血管解耦与类淋巴系统功能障碍在网络退化中的作用；并探索三维空间转录组学在解析网络脆弱性分子机制中的参照价值。（3）多模态数据与可解释性算法联合建模。单一模态的信息存在局限，未来应加强rs-fMRI与结构、灌注及分子影像的融合。在引入神经网络等深度学习算法提升分类效能同时结合特征归因技术（如SHAP）减轻算法的不可解释性，增强诊断模型的临床可信度。（4）个体化神经调控靶点转化。rs-fMRI提取的网络拓扑参数可为物理干预提供功能解剖学依据。利用个体特异性的动态网络特征指导TMS或DBS的靶点精确定位，有望推动该领域从单纯的影像学评估向精准神经调控干预转化。