自动纤维定量（AFQ）：从“整条白质束平均”到“定位异常发生位置”

自动纤维定量(AFQ)扩散 MRI 能够无创评估活体白质结构但传统分析方法往往将整条白质束简化为一个平均 FA 或 MD 值容易忽略纤维束内部不同位置的结构差异。例如同一条弓状束、钩束或视辐射其不同节段可能具有不同的髓鞘成熟状态、纤维组织特征及疾病累及模式。自动纤维定量Automated Fiber Quantification, AFQ; Yeatman et al., 2012通过沿纤维束长度方向划分多个节点使研究者能够定位白质异常发生的具体位置而不仅仅观察整条纤维束的总体变化。这种方法为揭示白质发育、损伤修复以及临床症状相关的空间特异性改变提供了新的分析框架。一、为什么需要AFQ?一条白质纤维束就像一条长距离高速公路。从整体来看我们可以计算整条高速的平均行驶速度但这个平均值无法反映每个路段的具体情况发生了拥堵还是施工限速。类似地一条白质纤维束内部也并非完全均一不同位置可能经历不同的发育过程具有不同的髓鞘成熟程度或受到不同程度的疾病影响。以弓状束为例靠近额叶、顶叶和颞叶的区段承担的连接功能并不完全相同病变、发育迟缓或训练相关变化也可能只出现在束的局部。整束平均会把局灶变化稀释掉甚至在相反方向变化同时存在时得到一个看似“无差异”的结果。因此仅依靠整条纤维束的平均扩散指标可能会掩盖其中重要的局部变化。利用AFQ研究对象不再是“平均值”而是“曲线图”进而可以比较曲线形态、定位异常节点并把结果映射回解剖通路获得更贴近白质组织结构的解释。二、方法核心白质束识别、清洗与沿束采样AFQ 的第一步是生成候选纤维。从全脑纤维追踪出发使用预定义的ROI感兴趣区对特定的纤维束进行分割将感兴趣的纤维束从全脑纤维束中提取出来例如胼胝体、皮质脊髓束、下额枕束、下纵束、上纵束等。第二步是异常纤维束清理。实际纤维追踪会产生偏离主束走向的假阳性或离群纤维。AFQ 通常根据纤维形状、位置和与束核心的距离去除离群纤维使后续剖面更代表目标通路本身进一步提高纤维束数据的质量。第三步是沿束采样。算法把保留下来的纤维对齐到共同方向并沿纤维束长度划分为多个连续节点在每个节点处汇总扩散指标计算扩散参数 FA、MD、AD、RD也可以扩展到 NODDI、DKI或其他模型输出。图1.AFQ 的计算逻辑全脑纤维追踪提供候选纤维ROI/束定义完成通路分割离群纤维清洗提高束特异性最后沿标准节点计算扩散参数。三、标准流程从扩散数据到节点指标第一步是扩散 MRI 预处理。通常需要完成去噪、运动校正、涡流和 EPI 畸变校正、梯度方向检查、脑掩膜与扩散模型拟合。第二步是纤维追踪与扩散模型构建。研究者需要根据数据质量、b 值设计和研究目的决定使用 DTI、CSD或其他重建方式并生成全脑纤维轨迹。该步骤需要合理设置纤维追踪策略以尽可能获得真实的白质连接同时减少错误纤维的产生。第三步是目标白质束识别。AFQ 根据每条纤维束的解剖走行特征对全脑纤维进行分类和筛选。通过结合标准模板信息和个体空间配准将符合特定解剖路径的纤维归入目标白质束。第四步是异常纤维清理和沿束采样。离群纤维会被剔除保留纤维被重采样到统一节点数然后在每个节点上计算对应的扩散指标如 FA、MD、AD、RD 等最终形成反映整条纤维束空间变化的tract profile沿束指标曲线。第五步是统计分析与可视化。基于沿束节点指标可以进行节点水平的组间比较、临床相关分析或预测模型分析。由于同时比较多个节点需要采用多重比较校正或置换检验控制统计错误。最终把显著节点映射到束的三维形态上。图2.标准 pyAFQ 工作流预处理扩散数据 - 配置束定义与追踪参数 - 分割并清洗白质束 - 输出每个被试、每条束、每个节点的指标表。四、如何解读 AFQ 结果定位白质束的异常发生在哪里AFQ 曲线的横轴不是任意时间序列而是沿白质束排列的解剖节点。因此结果解读需要同时关注两个层面首先判断哪一条白质纤维束存在差异其次观察差异位于纤维束的哪个位置。例如某一段 FA 降低或 RD 升高应尽量结合该段所在的皮层投射、邻近交叉纤维、局部病理和配准质量解释。同时AFQ 结果也不应被过度解释为单一组织机制。FA 下降可能来自髓鞘减少、轴突密度变化、纤维交叉等而MD、RD、AD等指标的变化也需要结合具体研究背景进行解释。对于AFQ结果更准确的表述应该是某条白质通路的特定区域存在微结构指标异常而不是简单认为其代表某一种明确的组织损伤。图3.沿束剖面读法同一白质束的局部节点可能呈现不同方向或不同强度的组间差异曲线能帮助定位具体异常区段。五、应用场景一发育、阅读与认知能力研究AFQ 最早广泛应用于脑发育、语言和认知研究领域。相比将整条白质纤维束简化为单一平均指标AFQ能够进一步揭示纤维束内部的空间差异帮助研究者分析弓状束、下纵束、下额枕束及胼胝体等关键通路中哪些位置的微结构变化与阅读能力、语言表现或认知功能相关。在儿童和青少年发育研究中AFQ尤其适合用于纵向追踪白质成熟过程。由于同一条纤维束不同区段可能具有不同的发展轨迹沿束分析能够发现传统平均指标难以捕捉的局部变化并进一步探索特定白质区域与行为表现、训练效果或临床结局之间的关系。六、应用场景二临床疾病中的局部白质异常在临床疾病研究中AFQ 常用于发现白质纤维束内部的局部异常变化。例如在抑郁症、神经退行性疾病或发育障碍研究中AFQ 可用于刻画额叶相关通路、扣带束或长程联合纤维的局部结构变化以及这些变化随年龄或疾病进展的空间分布特征。AFQ 的价值不仅在于发现白质差异更重要的是提升影像结果的解释精度。许多临床症状并非由整条纤维束均匀受损导致而可能与特定脑网络中的关键连接区域异常相关。当 AFQ 能够将异常定位到特定通路或区段时研究者可以进一步探索这些白质改变与执行功能、情绪调节、记忆、阅读能力或视觉功能等临床表现之间的关系。图4.临床 AFQ 结果组织方式基于不同白质纤维束比较组间差异如streamline数量并定位特定纤维束如后部弓状束的结构异常而非仅依赖整条纤维束的平均指标。七、基于matlab的AFQ与pyAFQ从纤维束分析到可复现工作流早期 AFQ 主要基于 MATLAB 环境实现为白质纤维束定量分析提供了标准化方法包括纤维束识别、异常纤维清理以及沿束扩散指标提取等核心功能。随着神经影像数据规模不断扩大研究流程逐渐从“单机脚本分析”转向更加规范化、自动化和可复现的数据处理模式。pyAFQ 在继承 AFQ 核心思想的基础上将 tractometry 融入 Python 神经影像生态支持更灵活的数据组织、参数配置和流程扩展。对于实际科研项目而言pyAFQ 的优势不仅在于编程语言的变化更在于它将复杂的白质分析流程进一步标准化。通过配置文件管理分析参数、结合规范化数据结构组织输入输出并生成统一格式的结果文件研究团队可以更容易地追踪分析过程、复现研究结果并在不同队列或多中心数据中应用相同的分析流程。八、方法展望AFQ 可以进一步与多模态影像、机器学习和个体化预测模型结合。一方面结合功能连接、皮层结构以及基因表达等信息可以从“白质哪里发生变化”进一步探索“为什么发生变化”。另一方面基于沿束特征建立的预测模型有望用于疾病分型、疗效预测和个体化干预评估。同时随着标准化数据格式和自动化工具的发展AFQ 有望在大样本、多中心研究中发挥更大的作用推动白质影像分析从群体差异描述逐渐走向精准神经影像学应用。结语AFQ为白质纤维束绘制“路况地图”AFQ 的核心价值在于它没有把白质通路简化成一个平均数而是保留了沿束空间结构。对发育研究它能指出成熟或能力相关变化发生在哪里对临床研究它能把异常从“某束受损”细化到“某束某段异常”对方法学研究它提供了标准化、可复现的 tractometry 单元。因此可以把 AFQ/pyAFQ 理解为一种白质束剖面语言它不只问哪条通路重要还问这条通路的哪一段、哪个指标、在什么质量控制和统计假设下发生变化。只有结合合理的预处理、准确的束定义、严格的统计校正和谨慎的结果解释AFQ 才能真正帮助研究者从“发现白质异常”走向“理解白质异常”。参考文献1. Yeatman JD, Dougherty RF, Myall NJ, Wandell BA, Feldman HM. Tract Profiles of White Matter Properties: Automating Fiber-Tract Quantification. PLoS ONE. 2012;7(11):e49790.2. Kruper J, Yeatman JD, Richie-Halford A, Bloom D, Grotheer M, Caffarra S, et al. Evaluating the Reliability of Human Brain White Matter Tractometry. Aperture Neuro. 2021;2021(1).3. Huber E, Donnelly PM, Rokem A, Yeatman JD. Rapid and widespread white matter plasticity during an intensive reading intervention. Nature Communications. 2018;9(1):2260.4. Velioglu, H. A., Gomez, T., Gallego, J. A., Lencz, T., Malhotra, A. K., Rokem, A., Cao, H. Microstructural Alterations of the Cerebellum-Ventral Tegmental Area Pathways in First-Episode Psychosis. Biological Psychiatry: Cognitive Neuroscience and Neuroimaging. (2026).5. Trettenbrein, P., Klein, C. C., Zaccarella, E., Friederici, A. D. (2025). White-matter alterations in right-hemispheric language pathways in deaf signers. PsyArXiv.6.Luo, A.C., Meisler, S.L., Sydnor, V.J. et al. Two axes of white matter development. Nat Commun 17, 1957 (2026).扫下方二维码免费获取自动纤维定量AFQ专题文献及资料汇总