智力(intelligence)由于其在人类社会行为中的突出地位而广受人们关注，其强烈预测各种重要的人生结局，包括教育成就、职业成就及各种业绩及健康状况等^[1]，其神经机制一直受到神经科学和心理科学研究者的关注。随着磁共振成像技术和磁共振数据处理技术的发展，特别是功能磁共振成像和结构磁共振成像等神经影像技术的应用，为智力的神经机制研究及智力预测提供了解决方案，本文就结构和功能磁共振成像技术在智力研究的进展进行综述。

1 智力的定义与常用评估量表

       目前对智力定义比较认同的观点是：智力是一个总能力，包括推理、计划、解决问题、抽象思维、领会复杂观点、快速学习以及从经验中学习的能力^[2]，其被广泛地定义为学习、推理和解决问题的能力^[1]，是指人认识、理解客观事物并运用知识、经验等解决问题的能力，包括记忆、观察、想象、思考、判断等。一般认为智力由流体智力和晶体智力两个部分构成，前者主要是人们对环境的适应及学习新知识和技能的能力，受语言和文化影响较小，后者则是指获得性的知识和技能。

       智力可用各类智力测验量表来测量，最早Binet及Simon编写了一套比-西量表用以评估儿童智力，这被认为是世界上第一个科学的智力量表^[3]。其后Terman将他们的工作带到斯坦福，设计了斯坦福-比奈智力量表，其首次引入比率智商(intelligence quotient，IQ)，使量表具备标准化特征。韦氏智力量表是目前世界上使用最广泛的智力量表，其包含语言和操作两个分量表，分别用来衡量个体的语言表达能力和空间想象能力，采用离差智商作为智商分数，即通过计算受试者测验量表分与相应年龄组的量表分均数相差多少个标准差来衡量一个人的智商，因此不会像比率智商一样受年龄影响，目前大多数智力测量采用离差智商来表示智力水平。瑞文推理测验是一种非文字智力测验，因此不受地域、文化程度的限制，主要用以测验一个人的推理和解决新问题的能力^[4]，通常用于测试流体智力。其包括标准型、彩色型和高级型。1989年李丹等人完成了彩色型和标准型合并本联合型瑞文测验中国修订版。总之，韦氏智力量表和瑞文推理测验是目前两个最常用和通用的智力测量量表。

2 磁共振成像在神经心理学应用方法学概述

       随着影像技术与成像设备的发展及相关后处理技术的开发，包括结构磁共振成像(structural magnetic resonance imaging，sMRI)和功能磁共振成像(functional magnetic resonance imaging，fMRI)在内的神经影像技术已发展成为有用的工具，广泛用于各种神经心理方面的研究，包括智力^[5]。为表述方便，本文中fMRI单指狭义功能磁共振成像，即血氧水平依赖(blood oxygenation level dependent，BOLD)成像，其包括静息态fMRI (resting-state fMRI，rs-fMRI)和任务态fMRI (task-state fMRI)。rs-fMRI因其不需要受试者执行额外任务而操作方便，同时可避免因受试者执行任务过程中引起的各类偏倚，而被广泛应用，是目前最常用的fMRI方法，并且其具有多指标，可多角度反映局部脑活动及连接情况；其最常用指标包括局部一致性(regional homogeneity，ReHo)^{[6, 7]}、低频振幅(amplitude of low-frequency fluctuations，ALFF)^{[8, 9]}、分数ALFF (fractional ALFF，fALFF)、功能连接(functional connectivity，FC)^{[10, 11]}等。

       在本文中sMRI技术包括脑结构成像(以T1WI结构像最为常用)^[4,12]和脑白质成像[以扩散张量成像(diffusion tensor imaging，DTI)最常用]^[13]，前者主要反映脑灰质/皮层改变，如灰质体积、灰质密度、皮层厚度、皮层折叠复杂度等，后者主要反映白质破坏情况，主要由分数各向异性(fractional anisotropy，FA)和平均扩散率(mean diffusivity，MD)反映。两者结合可全面反映脑灰白质结构信息。

       结构及功能磁共振常见分析方法包括基于体素、基于ROI和基于纤维束追踪空间统计(tract-based spatial statistics，TBSS)^[13]的组间比较，基于功能及结构网络的分析^{[12,14, 15, 16]}、多模态数据分析^[17]、多元模式分析(multivariate pattern analysis，MVPA)^[8]、机器学习(machine learning，ML)^[14,18]、基于连接组的预测模型(connectome-based prediction modelling，CPM)^{[19, 20]}等。

       总之，磁共振成像在神经心理学应用方面有多种成像技术及多样化的分析方法。

3 功能磁共振成像在智力研究的应用

       由于BOLD可以无创测量脑血流动力学变化，使测量局部神经元和突触活动成为可能，同时由于其具有较高的空间分辨率和良好的时间分辨率，因此在临床神经、精神及心理方面的疾病诊断及科研方面得到广泛应用。人们最早采用任务态fMRI研究智力神经机制等。早期根据PET研究发现智力与大脑能量消耗(葡萄糖代谢)呈负相关^[21]，提出智力的神经效率假说，即较聪明的人大脑活动较少。Neubauer等^[22]应用语言和视觉空间任务为上述理论提供证据支持，其研究表明女性在语言任务中神经效率较高，而男性在空间任务中神经效率较高，其与相应较高的语言和空间智商得分相对应，且男女性在激活脑区存在性别差异。Tschernegg等^[23]应用多任务fMRI研究也表明不同智力域相应脑区存在性别差异，女性在语言双重任务中额下回激活增加，而男性在空间任务中楔前叶和邻近视觉脑区激活增加。Schultz等^[24]研究表明在语言、推理和工作记忆3个任务域中表现出色的个体以在静息和任务时功能网络结构更小变化的形式表现出更好的脑连接更新效率，其更新效率与一般智力呈正相关。流体智力表示灵活解决问题和快速调整行为的能力，Schlagenhauf等^[25]研究表明在奖励相关学习过程中，灵活问题解决能力的个体差异与腹侧纹状体的激活有关，与腹侧纹状体多巴胺的合成能力呈反比。Neubauer等^[26]应用fMRI研究经颅交流电刺激(transcranial alternating current stimulation，tACS)对流体智力的影响，发现tACS在处理矩阵测试中的困难项目时提高了流体智力，且左顶叶皮层活动减弱，其研究证实了左顶叶在智力中的作用，同时也支持了神经效率假说。这些研究支持了智力的神经效率假说，且表明男女性智力存在智力域和相关脑区的性别差异。

       Greene等^[27]应用两个独立的数据集采用CPM预测流体智力，表明基于任务的数据构建的预测模型优于基于静息数据构建的模型，而且某些任务始终比其他任务更好地预测流体智力。Jiang等^[28]采用类似的方法构建FC矩阵，利用偏最小二乘回归机器学习方法预测流体智力及其他3个不同认知指标，作者得出一致的结果，同时表明结合多任务功能磁共振成像可以改善预测性能，且模型具有很高的稳定性。这些研究表明机器学习方法可以有效预测智力，且基于任务态的数据可获得更优的模型。

       尽管任务态fMRI有其优势，最近又再次成为研究热点，但如上所述，由于rs-fMRI的用户友好性及易于实施，目前仍是最常用的fMRI方法。

       关于智力的另一个著名理论是额-顶整合理论(parieto-frontal integration theory，P-FIT)，即认为智力的个体差异与额叶和顶叶之间交互作用的完整性相关。Langeslag等^[29]、Li等^[30]及Vakhtin等^[31]利用fMRI数据，采用独立成分分析的方法验证了上述理论。Langeslag等^[29]对115名6～8岁儿童rs-fMRI数据分析表明，较高的非语言智力与右顶叶和右额叶之间以及右顶叶和背侧扣带之间的功能连接增加相关；Li等^[30]发现儿童右额顶网络的右角回和额下回与智商相关，而在青少年中在左额顶网络的左额下回检测到显著相关性，在双侧额极仅检测到轻微显著性相关；Vakhtin等^[31]通过对比rs-fMRI和任务fMRI数据验证了额顶整合理论，同时表明fMRI网络稳定，在静息态和复杂任务中都保持其一般特征。韩建芳等^[32]发现成人右侧额下回、左侧额下回、右侧顶下缘角回、内侧额上回、左侧前扣带回功能连接与总智商呈正相关，没有发现功能连接强度与总智商呈负相关的脑区。Hearne等^[33]采用网络分析的方法展示了默认网络和额顶网络间跨网络交互作用与智力的关系，他们发现在静息状态下更高的连接与更高的智力得分相关，作者认为有必要拓宽智力的额顶理论，以涵盖更复杂和特定情境的网络动力学。Yang等^[34]研究皮层沟回静息态功能活动的时间变异性与流体智力的关联，发现额叶皮层、顶下小叶和视觉皮层与流体智力呈正相关，且主要位于脑回而不是脑沟。熵是衡量系统配置方式的数量，即系统状态的数量，Saxe等^[35]将脑熵引入智力研究中，其定义为给定大脑可以访问的神经状态的数量，作者对892名健康成人的静息态数据研究表明智力与脑熵呈正相关，在双侧前额叶、左颞下叶和双侧小脑最为明显。总之，fMRI的研究支持并扩展了额-顶整合理论，为智力的神经机制提供理论支持。

       图论是对大型网络进行详细建模和表征的一种计算方法，可用于描述整个大脑网络以及该网络内特定节点的连接情况。目前也已用于智力相关研究。Hilger等^[36]利用模块化分析方法观察到智力与模块内和模块间连接特征间的关联，特别是在与智力相关的额叶和顶叶区域，他们推测模块化变化反映更聪明的人分离的模块内(如额上回、前岛叶)特定认知过程的易化及全脑信息的有效整合(如通过颞顶交界区)。Suprano等^[16]应用网络的方法分析高智商儿童脑网络组织的拓扑修饰，发现与标准智商儿童相比，高智商儿童中大脑网络整合和分离特性存在显著的拓扑差异，且大脑网络变化与智力评分存在显著相关性，智力得分越高，整个大脑、左大脑半球连接的大脑组织修饰越大。Hilger等^[37]应用基于rs-fMRI网络的图论分析方法研究发现智商与网络组织的全局效率无关，但高智商与突显网络(右前岛叶和背侧前扣带回)的高节点效率和左颞顶交接区低节点效率相关。Kruschwitz等^[38]应用人类连接组计划1200数据集的大样本数据的研究也表明一般、晶体和流体智力与功能性全局网络效率无关。这些研究表明基于fMRI的图论分析可用于智力相关研究，可发现智力相关的模块化及网络拓扑属性改变，但智力与不同网络拓扑属性指标的相关性需进一步研究。

       随着后处理技术的发展及机器学习、人工智能的流行，MVPA、ML、CPM也开始应用于智力相关研究，探讨智力神经基础及依据神经影像预测智力的可能性。Li等^[8]使用MVPA应用静息态ALFF指标研究成人静息状态下流体智力与功能特征模式间的关系，其应用留一交叉验证及支持向量机回归算法发现左前扣带回皮层及右枕中回可有效预测流体智力，其预测智力得分与实际智力得分存在显著相关性(r=0.325，P=0.031)，作者进一步以此作为种子点进行功能连接分析，发现右侧前额叶皮层与左前扣带回的功能连接与流体智力相关。Dubois等^[14]纳入人类连接组计划中的884名受试者，将大脑分为360个节点(每侧半球180个)，并以此构建功能连接矩阵，采用ML方法进行数据降维及特征选择并评估模型性能，其研究结果发现预测的智力得分与实际得分之间存在显著相关性(r=0.457，P＜0.001)。这些研究表明基于神经影像的机器学习方法可以很好地预测智力得分，并有效识别智力相关脑区。

       CPM是Shen等^[39]提出的方法，因其专注于线性建模和纯数据驱动的方法，易于实现且计算成本不高，且相较其他机器学习方法可以清楚解释结果，自提出就受到大家的欢迎。Finn等^[19]首次将CPM用于流体智力，其研究首次论证了CPM在预测智力的可行性，表明功能连接组可以作为“指纹”准确识别被试，且表明额顶网络具有最佳预测性能。Dryburgh等^[11]应用CPM方法根据自闭症谱系障碍患者的rs-fMRI连接组数据预测全智力和语言智力，其研究表明CPM法可以很好预测这两种智力评分，全智力主要与额叶和顶叶连接增加有关，同时表明小脑对智力也很重要，与Finn等^[19]研究一致。既往研究^{[22, 23]}已表明，智力存在性别差异。Jiang等^[17]利用166名男性和160名女性的静息态功能连接、皮质厚度数据，使用CPM方法来预测智商得分及探索男女性智力的不同神经生物学相关性，其研究表明静息态功能连接和灰质皮层厚度都可以准确预测智商，且两者结合可以整合功能和结构信息进一步提高准确度(男性r=0.45，女性r=0.45，P均＜0.001)，男性智商与左顶下小叶皮层厚度、左侧海马和默认网络以及涉及到空间认知和逻辑思维脑区的功能连接具有强的相关性，而女性智商与右顶下小叶的皮质厚度、壳核与小脑网络以及涉及言语学习和项目记忆的区域中的功能连接强相关。其结果表明男女性的智力产生可能依赖于相反的大脑单侧化关键脑区以及与各自认知领域的优势相一致的不同的功能网络。作者进一步利用3个独立数据集(680个被试)和两个智力测量(智商和流体智力)，使用静息态功能连接及CPM分析方法，其结果与其之前研究结果^[17]相似，同时识别的FC模式仅能唯一预测同一性别的多个与智商相关的指标得分，而不能预测异性或与智商无关的指标(如气质特征)^[20]。这些研究表明CPM方法可以很好预测智力得分，识别智力相关脑区，并可有效探讨男女性智力性别差异神经机制。目前该技术提出时间较短，相关研究较少，后续更多相关研究将为智力预测及智力神经基础研究提供补充。

4 结构磁共振成像在智力研究中的应用

       结构磁共振成像是神经影像研究的另一个方向，其可表征灰白质属性，包括灰白质体积、皮层厚度、表面积及折叠情况、白质完整性及结构网络等，为神经心理疾病诊断、神经机制研究提供支持，已展示了其在智力研究中的重要意义。

       眶额内侧皮层(medial orbitofrontal cortex，mOFC)和前额扣带回皮层(rostral anterior cingulate cortex，rACC)在一般智力和执行功能中起着重要作用。Ohtani等^[5]研究表明较高的智力与mOFC和rACC的更大灰质体积以及左后mOFC-rACC连接的FA增加有关，且将灰白质结构信息结合起来可更好地解释智力差异(解释方差的50%)。Yang等^[4]测量370名健康成人联合瑞文智力测试评分，采用基于形态学测量方法研究男女流体智力性别特异性神经基础，其研究发现男女性智力评分无差异性，但在男性中，评分与背外侧前额叶皮层(与视觉空间能力相关)灰质体积的相关性显著大于女性，而额叶下部(与言语推理能力有关)和内侧额叶皮层(信息整合)女性的相关性更大，其表明男女性以不同的方式使用不同结构的大脑脑区，以达到类似水平的总体推理能力。Bajaj等^[40]研究一般智力与皮层结构的关系，作者发现后额叶和顶叶上方区域皮层厚度与所有3个IQ变量(感知推理IQ、语言理解IQ和全IQ)之间存在显著正相关；颞叶和后额叶灰质体积和感知推理及全IQ之间显著正相关，但没有观察到智商与皮层表面积或皮质回旋之间的统计学显著性关系，表明在智力能力研究中，皮层厚度和体积可能比皮层表面积或皮层回旋更有用。这些研究表明智力与额顶智力相关脑区的皮质体积、形态存在相关，从皮层结构方面支持了智力的神经机制相关理论。

       利用灰质结构信息也可以构建结构网络，即结构协变网络(structural covariance networks，SCN)。Khundrakpam等^[12]利用586例MRI扫描数据构建SCN，采用图论分析方法计算网络拓扑属性，研究其是否可提供语言与操作智力相关的皮质区之间解剖耦合模式差异信息及拓扑结构差异，研究发现高、低语言智商者间存在广泛分布的皮层脑区间解剖学耦合差异、存在全局及局部拓扑属性差异，但高低操作智力者间无SCN和全局拓扑属性差异，因此作者认为较高语言智力者较较低语言智力者大脑结构差异不仅在局部皮层脑区，也广泛分布于皮层脑区解剖耦合模式上的差异。Yoon等^[15]应用相同的方法构架SCN，其研究表明小脑-顶叶和额叶网络与智力显著相关，顶叶和额叶分别通过与小脑和颞叶保持结构性网络而与智力显著相关。其进一步支持了P-FIT理论。这些研究表明SCN方法可以很好地应用于智力相关研究，表明智力神经基础不仅涉及智力相关脑区皮层结构，还涉及皮层结构间的解剖耦合。

       波动不对称性是衡量物种间发育不稳定性的指标。脑的不对称性不容易解释，因为某些功能专用于两个半球中的某一侧，导致某些半球不对称性与特定的认知能力呈正相关。已经有研究利用波动不对称性研究智力。Yeo等^[41]报告了皮层表面积不对称性与一般智力之间的关系，在244名健康年轻人中，作者计算了33对皮层区表面积的波动不对称性，发现总皮层表面积不对称性与一般智力呈负相关(r=－0.149，P=0.02)，且P-FIT区波动不对称性可显著预测一般智力(F=7.46，P=0.007)，但非P-FIT区不能。Moodie等^[42]研究老年人灰白质(皮层体积、表面积、厚度及白质分数各向异性)波动不对称性与一般智力关系，发现当局部测量对波动脑不对称性评分的贡献相同时，皮层厚度不对称 与一般智力呈负相关(β=－0.18)，但一般智力与皮质表面积、皮质体积或白质分数各向异性波动不对称性之间没有关联；在P-FIT和非P-FIT区域之间，智力-皮质不对称关联没有差异；这些发现与Yeo等^[41]结果不同。总之，波动不对称性可用于智力研究，发现脑结构波动不对称性与智力的相关性。

       白质结构MRI也广泛用于智力相关研究。Tamnes等^[43]发现不论年龄和性别，语言能力和操作能力都与FA呈正相关，而与MD和RD呈负相关；双侧丘脑前辐射、皮质脊髓束及右上纵束FA和RD与语言表达能力相关。Malpas等^[44]及Yuan等^[45]利用TBSS方法得出相似的结果，即一般智力与FA呈正相关，而与MD和RD呈负相关，但与AD无相关性，且智力测试与扩散指标存在稳固关系。

       神经突方向分散度和密度成像(neurite orientation dispersion and density imaging，NODDI)技术是一种分析组织微观结构的扩散加权数据的新方法^[46]。它具有三室模型，可区分神经突内、神经突外和脑脊液环境，其指标密切反映其组织学变化。Genç等^[47]首次将其应用于智力研究，发现皮层内的神经突密度和神经突取向分散都与智力呈负相关，而此两标记物都与突触连接的数量密切相关，因此其支持了神经效率假说。

       白质也可以像rs-fMRI及灰质成像一样构建网络，利用网络相关分析方法。Kim等^[48]利用基于白质网络的图论分析方法发现更高的智力与更高的网络整合相关，且更高的智力与富人俱乐部(rich-club)属性连接增强相关。Kenett等^[49]利用DTI构建白质网络，应用网络控制理论分析方法，发现智力与右侧顶下小叶驱动的大脑系统易于到达神经状态能力和压后皮层较低整合能力相关。Kocevar等^[50]采用图论的方法表明高智力得分与大脑网络同质性(高密度和低模块性)之间存在密切关系，其主要位于颞叶和顶叶。此外，定量的白质纤维束分析发现主要白质纤维束中轴突密度增加与智力表现提高有关。

       上述研究表明扩散加权成像技术可以很好地应用于智力相关研究。扩散加权成像还有很多其他技术，包括扩散峰度成像、高角度分辨扩散成像和扩散谱成像等，其已应用于很多神经心理相关研究^{[51, 52, 53]}，目前尚未见这些技术应用于智力相关研究。且目前基于sMRI的机器学习用于智力相关研究也较少^[17]。未来可进行更多、更全面的基于扩散加权成像技术的智力相关研究，从白质结构和网络层面为智力的神经机制解释提供可能。

       综上所述，fMRI和sMRI可提供脑功能及结构信息，从神经影像方面解释智力神经机制，同时两者结合可提供更全面的信息，随着大数据及机器学习技术的发展，神经影像可精确预测个体智力水平，但基于sMRI的研究相关较少，特别是多模态(联合fMRI和sMRI)机器学习技术。相信在不久的将来，sMRI及多模态机器学习技术在智力个体化预测及神经机制的研究会更加深入和成熟。