视觉语言模型如何组织浅表白质流线？

仅凭空间邻近无法定义浅表白质对应关系

浅表白质位于深部白质与皮层之间，包含密集的短程联络纤维，连接脑回内部和脑回之间。论文指出，其中最显著的 U 形纤维体积约为传统上主导扩散 MRI 纤维束成像研究的长程纤维束的两倍。然而，多数浅表白质聚类研究优先处理较长的纤维束，长度一般在 30 至 85 mm，使更短的连接仍缺乏充分刻画。

障碍不只是成像分辨率。短轨迹紧邻高度可变的皮层折叠，因此解剖上对应的连接在不同个体中可能占据不同的空间位置。主要按几何邻近性对流线分组的方法，可能把解剖上相同的连接合并或拆开。论文直接指出：浅表白质的对应关系不应仅由空间邻近性定义。

FiberGeoText 正是围绕这一主张构建的。它把从亚毫米扩散 MRI 重建出的 6–50 mm 流线组织成群体水平的簇，并把皮层解剖和形状视为必须在聚类之前进入表示的信息，而不是聚类之后再附加的标签。

三类输入融合为一个流线嵌入

对每条流线，该框架编码三类互补属性。一个基于点的神经网络编码三维轨迹。一个预训练大语言模型编码皮层解剖背景，这些背景以文本形式描述每个端点所相交的区域标签。此外还加入两个显式的形状指标：以毫米计的长度，以及 U 比值，后者定义为端点之间的欧氏距离除以流线长度，数值越低表示流线越弯曲、越接近 U 形，接近 1 则表示轨迹更直。

文本路径让异质图谱得以共存。研究使用了三种粒度不同的皮层分区：每半球 34 个区域的 Desikan–Killiany、73 个区域的 Harvard–Oxford 2.0，以及 180 个区域的 HCP 多模态分区。由于每个端点的描述都以文本表达并由语言模型嵌入，这些方案不需要共享命名体系或共同区域边界，就能共同贡献于一个连续表示。

在拼接之前，几何嵌入、解剖嵌入和形状指标都被归一化到 [0, 1] 区间，以控制它们对距离的相对贡献。因此，联合表示同时由流线经过何处、连接哪些皮层区域以及其局部形态共同塑造。

簇成为可迁移到新被试的固定身份

训练流线的联合嵌入用 k-means 划分，研究为最终模型选择了 k = 5,000 个簇。得到的质心被存储为离散的连接身份。推理时，新流线由预训练编码器编码，与其长度和 U 比值组合，再分配到最近的质心。新被试无需重新聚类，这正是簇身份能跨个体保持的原因。

簇数量本身是一种权衡，而非默认值。当 k 从 500 增至 10,000 时，三种图谱的皮层分区一致性都提高，U 比值和长度的变异系数下降，说明簇内形状一致性更紧。几何紧凑性也改善。但簇大小的变异系数从 0.354 升至 0.526，所代表的被试比例从 1.0 降至 0.857。更细的簇内部更一致，但在训练被试中出现的稳定性更低，k = 5,000 正是在这一平衡上选出的。

FiberGeoText 以几何紧凑性换取解剖一致性

与作者此前的深度纤维聚类框架 DFC 以及近期被用于构建浅表白质图谱的无监督方法 FFClust 相比，FiberGeoText 在三种分区上的皮层分区一致性都最高。在 k = 5,000 时，Desikan–Killiany 的一致性约为 96%，Harvard–Oxford 约为 88%，Glasser-MMP 方案约为 44%。它的簇大小变异性也更低，U 比值和长度的变异系数更低，即簇内形状一致性更高，并且所代表的被试比例最高。

这一比较并非全面胜出，论文也明确解释了原因。DFC 在几何紧凑性指标上取得最低值，而 FiberGeoText 更高。作者将此解释为多模态表述的预期权衡：FiberGeoText 允许簇内存在更多空间几何变异，以便在个体间轨迹不完全对齐时，仍能把解剖上对应的流线归为一组。

MMP 的数字也需要同样谨慎看待。论文至少部分地将较低的 44% 归因于该图谱的皮层划分明显更细，使端点一致性成为更严格的检验。论文还报告，基于 MMP 的一致性在单个未见被试内部高于合并的训练数据，提示群体水平上的部分差距反映的是细尺度皮层解剖的个体间变异，而非被试内部组织不佳。

消融实验显示没有单一输入能独立支撑组织

消融实验区分了各项贡献。皮层解剖大幅提高了端点一致性，但单独使用时产生的簇在几何和形状一致性上较差。流线几何提供了明显更高的空间紧凑性。加入长度和 U 比值则显著改善了簇内形态一致性。

论文由此得出的结论是：没有任何单一信息来源足以捕捉浅表白质对应关系的所有方面。这对读者理解主要比较结果很重要：相对 DFC 的提升并非单纯来自更多解剖信息或更多形状信息，而是把轨迹、皮层背景和形态组合进同一个空间。作者还提出，显式形状信息对短浅表白质轨迹尤其有用，因为其形态涵盖从相对笔直的脑回内纤维到更强烈弯曲的 U 形构型这一连续谱。

泛化在两名留出被试上成立，但仍有保留

评估使用 10 名健康成人的 0.76 mm 各向同性扩散 MRI，平均年龄 36 ± 7.5 岁，5 男 5 女。8 名被试各提供 150,000 条流线用于训练，共 1,200,000 条；两名完全留出的被试各提供 1,000,000 条流线用于测试。在这些未见被试中，5,000 个已学习簇平均有 96.7% 在无需重新聚类的情况下被恢复，训练数据与测试数据之间的簇结构高度一致。

这一结果支持所学组织的可迁移性，但样本量小，测试集只有两名被试。论文本身也列出了更多限制。短程浅表白质对应关系没有直接的真值；评估量化的是纤维束成像几何、形状、皮层解剖和跨被试出现情况的一致性，作者呼吁使用解剖剥离、可获得的示踪信息或功能与临床关联进行验证。该框架还继承了纤维束重建和皮层分区两者的不确定性，任一来源的误差都可能影响所学组织。

融合步骤是另一处边界。当前框架在聚类前拼接几何、解剖和形状；作者把可学习的多模态融合或加权策略列为未来工作，同时提到可加入细胞构筑或功能相关的皮层分区等额外解剖信息，并在更大、更多样的高分辨率数据集中进行评估。

有用的阈值是一致性，而非紧凑性

论文最具决策相关性的结果，是对通常标准的一次有意反转。如果目标是建立一种群体水平的浅表白质组织，使簇在不同人之间代表同一连接，那么一个在纯几何紧凑性上胜出的方法仍可能是错误选择。FiberGeoText 在簇内更高的几何变异性，正是它获得皮层分区一致性和形状一致性的机制，作者把这一交换视为要点，而非需要最小化的代价。

实际解读来自论文自身的变量。比较浅表白质聚类方法时，这里信息量较大的指标是不同粒度分区下的皮层分区一致性、簇内形状一致性、簇大小一致性以及跨被试代表性，并需结合产生这些结果的簇数量一起看。k = 5,000 是本研究发现平衡的设置：粒度更细时一致性仍在上升，但跨被试代表性下降。对于短程纤维，论文的证据支持用轨迹、皮层解剖和形状共同构建对应关系，而非仅凭位置构建对应关系。

本文引用的文献