探索自动化语音认知标记的神经关联：基于衰老和阿尔茨海默病风险人群静息态功能连接的研究
摘要
背景 数字化语音评估为检测轻微的认知衰退提供了可扩展的工具。本研究旨在探究数字化衍生的语音认知综合评分及单个语音特征是否与阿尔茨海默病谱系中任务相关脑网络的功能连接（FC）改变存在关联，而这些网络已知能够反映认知表现和疾病相关变化。
方法 本研究分析了德国PROSPECT-AD研究中129名参与者的数据，涵盖从认知健康个体到轻度认知障碍患者。语音认知评分和语音特征通过自动化电话实施的语义词语流畅性（SVF）和言语学习任务（VLT）获得。静息态fMRI用于评估FC，内在连接网络通过独立成分分析和双重回归识别。采用基于置换的体素回归分析关联，并控制人口学和临床协变量。同时进行种子-体素分析以支持网络识别并补充发现。
结果 左侧颞中回的语言网络连接增强与SVF时间聚类切换增加呈正相关（FWE < .05，簇大小=12个体素，平均T=3.86）。探索性分析（未校正p < .01）显示认知综合评分与FC之间无显著关联。然而，单个SVF和VLT语音特征在执行、语言和默认模式网络中表现出网络特异性的关联，提示探索性但空间上不同的连接模式。
结论 数字语音评估在当前阶段对检测风险人群的FC改变可能具有有限的应用价值。需要采用互补方法学、缩短fMRI与语音评估的时间间隔，并在独立队列中进行验证，以确立其监测脑网络变化的可靠性和临床相关性。
关键词 功能MRI，多中心，语音，数字化评估，阿尔茨海默病谱系
背景
随着针对阿尔茨海默病（AD）症状前阶段的预防性和组合治疗策略的发展，轻度认知障碍（MCI）患者以及可能存在AD风险的认知正常个体越来越多地参与临床试验[1]。这一趋势凸显了对易于使用且广泛可得的认知追踪工具的需求，这些工具可用于识别临床护理中的风险，或针对性地纳入临床试验[2]。为此目的开发的数字化认知测试是一种有前景的方法，在AD临床前和前驱期研究中越来越被接受[3,4]。这些远程自动化方法既能提高效率、减少现场负担，同时能够招募更广泛、更多样化的参与者群体[4,5]。
基于言语反应的评估尤其有价值，因为它可以捕捉早期AD中常出现的微妙语言和声学变化[6,7]。语义词语流畅性（SVF）用于测试执行功能和语义检索[8]，而言语学习任务（VLT）用于评估情景记忆[9]，是常用的语音特征提取任务。这两个任务的语音特征能够识别通常被整体认知测量所忽略的细微认知变化[10,11]。此外，将语音特征和任务评分结合后，区分主观认知下降（SCD）与MCI/AD变得更加准确[12,13]。这些特征还与传统的神经心理学评分以及已建立的AD生物标志物（包括β-淀粉样蛋白（Aβ）和磷酸化tau水平）相关[14,15]。值得注意的是，最近的研究表明，完全由这些语音特征计算得到的认知综合评分与标准化的神经心理学结果相关，例如经过验证的语音认知（SB-C）评分[16]。还报道了SB-C评分与认知和脑萎缩的纵向变化相关[17]。但我们尚不确定这些语音衍生的指标是否能指示体积变化之外的脑部病理变化。弥补这一空白有助于阐明语音工具在多大程度上可以作为观察与AD进展相关的更广泛脑功能障碍的窗口。
在各种模态中，功能连接（FC）是一个特别好的研究选择。FC改变已被认为是早期AD诊断的敏感神经影像学标志，甚至可能在临床认知缺陷出现之前就被识别[18,19]。静息态功能MRI（rs-fMRI）不需要受试者在扫描时执行任何任务，因此广泛用于测量FC。相应地，该方法特别适用于涉及认知障碍人群的研究[20,21]。通过rs-fMRI，研究者可以在网络水平上研究整体FC，以了解不同脑区域如何相互作用。AD方面的研究已经考察了多个定义明确的网络，包括默认模式网络（DMN）、执行控制网络（ECN）和语言网络（LAN）[19,22-26]。从所有结果来看，DMN连接性的变化已成为涉及AD和MCI组的研究中最一致的发现之一[23,27,28]。这种DMN的破坏还与记忆问题[23,29,30]和疾病进展风险增加[31]有关。研究还显示，ECN连接性的改变与执行功能障碍相关，表现为前额叶外侧皮层及其与顶叶和皮层下区域连接的异常。在MCI/AD患者与健康人之间已发现显著差异[23,24,26]。LAN中FC的改变也有报道，显示出与语义处理和连贯言语缺陷的联系，证据表明网络特异性连接性的改变可能支持疾病早期的语言表现[25,32]。
基于这一理论基础，本研究调查了SB-C评分和关键语音特征如何在AD风险人群中与相关网络（包括DMN、ECN和LAN）内的FC相关联。我们的假设基于先前将特定认知能力（通过语音任务测量）与不同神经网络联系起来的证据。为此，我们考察了(1) SB-C评分与这三个网络连接模式之间的关联；(2) SVF特征与ECN和LAN连接性之间的关联；(3) VLT延迟回忆特征与DMN连接性之间的关联。这种网络特异性方法旨在加深我们对数字语音标记如何对应神经网络潜在变化的理解，为其作为脑部改变的可能客观代理提供证据，并指导开发灵敏、可扩展的认知衰退风险检测工具。
方法
招募和样本
我们使用了德国PROSPECT-AD研究的数据，这是一项多中心前瞻性项目，旨在验证用于AD早期检测和监测的语音标记[33]。研究设计和方案已有详细描述[33]。PROSPECT-AD将自动语音神经认知评估整合到正在进行的纵向队列中，包括德国的DESCRIBE和DELCODE[34]。
参与者年龄在50岁及以上，从DESCRIBE和DELCODE队列中招募，代表了发展为AD痴呆的连续风险谱。排除标准为不稳定的医学状况、主要精神疾病或药物滥用。在最初纳入的234名参与者中，10人因语音评估不完整而被排除。另外一组参与者因缺乏合格的MRI扫描而被排除，最终样本为132人。该样本包括健康对照（HC）以及SCD或MCI参与者。获得了所有参与者的知情同意，当地伦理委员会批准了相关程序。
现场临床医生根据结构化临床访谈、神经心理学评估和既定的诊断标准确定临床诊断，具体如下：HC组包括无认知主诉或客观损害的个体，以及AD患者的认知健康的一级亲属；SCD定义为持续自我报告认知下降但无客观损害[35]；MCI根据NIA标准诊断[36,37]。
语音特征收集、处理和选择
语音评估通过自动化电话机器人“Mili”（ki:elements GmbH, Germany）远程进行。参与者被要求完成6次电话评估，历时15个月。当前分析聚焦于第一次通话期间收集的数据。每次语音评估大约耗时15分钟，包括以下任务：VLT（15个单词，4次编码试验）、SVF（动物类别，1分钟）、一个1分钟的讲故事任务（描述积极的生活事件）以及最后的VLT延迟回忆。
VLT和SVF任务的语音录音使用ki:elements的专有SIGMA语音分析流程进行处理[38,39]。其中包括针对德语优化的自动语音识别、转录、语音分析和特征提取。基于语音特征，计算出SB-C总体评分和三个领域特异性SB-C子评分（执行功能、学习和记忆、处理速度）（图1）。
除了SB-C总体和子评分外，我们还基于理论相关性选择了一组假设驱动的语音特征，以敏感地检测细微认知变化。对于SVF任务，我们使用正确回答（即正确计数）作为一般测量指标，同时采用词汇-语义聚类/切换特征（包括语义聚类大小和切换次数），这些特征与语义记忆和执行功能有确定的关联[11]。单词频率也被纳入，因为它与早期找词困难和AD中词汇产生变化有关[40]。时间特征，包括时间聚类大小和切换次数，补充了语义特征，测量了开发和探索模式[42]。对于VLT，我们仅关注延迟回忆特征，包括正确回忆计数、基于单词位置的测量（首因、中列、近因）和序列聚类大小。这一关注点基于证据：延迟回忆表现差是情景记忆损害和向AD进展的早期标志之一[55]。在所选择的特征中，序列聚类大小用于捕捉与情景记忆组织相关的顺序回忆模式[43]。此外，延迟回忆中早期列表项目回忆较差（称为首因效应减弱）已被确定为AD中后续认知下降的敏感预测因子[10]。所有选定的特征（首因项目除外）也已被确定为区分SCD与MCI/痴呆的顶级语音识别标记[12,13]。选定特征的完整列表及描述见补充材料（表S1）。
影像获取和处理
影像数据使用所有研究站点9台西门子3.0特斯拉MRI扫描仪（4台Verio、1台Skyra、3台Tim-Trio和1台Prisma系统）以相同的采集参数和协调协议获取。为保持数据质量均匀，在采集阶段实施了半自动化质量控制，并在方案偏离时向站点提供反馈。高分辨率T1加权结构MRI使用矢状磁化准备快速梯度回波（MPRAGE）序列，参数如下：矩阵大小=256×256，层数=192，视野=256×256 mm，各向同性体素大小=1 mm，重复时间=2500 ms，回波时间=4.37 ms，翻转角=7°，并行成像加速因子=2。Rs-fMRI数据使用T2*加权回波平面成像（EPI）序列，参数如下：矩阵大小=64×64，47层轴向（厚度3.5 mm，无间距），隔层采集，视野=224×224×165 mm，各向同性体素大小=3.5 mm，重复时间=2580 ms，回波时间=30 ms，翻转角=80°，并行成像加速因子=2。共采集180个EPI体积，扫描时间为8分钟。
由于影像和语音评估均为正在进行的纵向研究的一部分，因此没有系统化的方法来同步两者。为尽量减小时间错配，针对每位受试者选择了最接近语音评估的MRI扫描。
数据处理使用基于MATLAB R2020a（MathWorks, Natick, MA）的DPARSFA 5.3[44]进行。前10个时间点被丢弃以允许磁场稳定和受试者适应。Rs-fMRI数据进行了切片时间校正和相对于平均功能图像的运动校正。在校正过程中，所有功能图像被重采样为各向同性体素大小3×3×3 mm。T1加权解剖图像使用DPARSFA中的分割功能（利用SPM12）分割为灰质、白质和脑脊液。空间标准化到蒙特利尔神经研究所（MNI）空间使用DARTEL生成的变形场[45]。通过计算平均帧位移评估残余头部运动[46]，以0.5 mm作为排除阈值。标准化后，功能数据进行带通滤波（0.01-0.1 Hz）并使用不同半高全宽的高斯核进行平滑（详见“独立成分分析和双重回归”部分）。
独立成分分析和双重回归
我们采用单组独立成分分析（ICA），将所有合格静息态扫描跨诊断组汇总，以推导出反映参与者共有功能架构的内在连接网络。该方法为后续关联分析提供了共同的空间参考，确保语音特征与功能连接之间的关系能够在AD风险谱系的个体间一致映射。静息态FC（rsFC）图使用FSL（Version 5.0.9, FMRIB, Oxford, UK）的melodic工具箱计算，得到组水平ICA图。由于文献中没有关于最优平滑核或ICA维度的标准化标准[47,48]，我们系统地测试了预处理参数组合，包括6、8、10 mm平滑核以及10、20、25、30和40个成分的ICA。基于三个标准选择最优组合：(1) 不同运行间的空间稳定性，(2) 最小的成分间相关性，(3) 与已建立的功能模板的中等至高度空间重叠。在我们测试的各个组合中，8 mm平滑核和40成分ICA的解决方案最符合我们的标准。重要的是重要的是，这种配置使得能够可靠地识别语言网络，而该网络在较低的独立成分分析维度下并不总是可检测到的。
生成的独立成分由两名训练有素的研究人员独立评估，并经专家确认，识别出三个感兴趣的静息态网络，包括默认模式网络、执行控制网络和语言网络。我们使用FSLcc工具测量独立成分与已建立的网络模板之间的相关性[49,50]。此外，还通过目视检查独立成分，选择涵盖每个网络关键区域的成分，包括左侧额下回和左侧后颞上回（用于语言网络）、后扣带回（用于默认模式网络），以及内侧前额叶皮层（用于执行控制网络）。识别的独立成分还跨多个独立成分分析配置进行比较，以评估导出网络的稳定性和一致性。对于显示空间变异性的独立成分，我们进行了敏感性分析，以评估独立成分分析汇总策略是否影响我们的主要结果（补充1）。受试者水平的静息态功能连接z图使用FSL中实现的双重回归进行估计，包括：(1) 将组水平空间图回归到每个受试者的4D数据集中，以提取个体时间过程；(2) 将这些时间过程回归回同一数据集，以获得每个静息态网络的受试者水平空间图[51,52]。然后我们进行了后续分析，检查这些空间图是否在诊断组之间存在统计学差异（补充1，表S5）。总体而言，默认模式网络、执行控制网络和语言网络的空间拓扑在不同诊断组之间没有显著差异，证实这些网络对所有参与者具有代表性。
对于后续的回归分析，通过阈值化和二值化组水平独立成分，为每个感兴趣的静息态网络创建了显式掩膜。默认模式网络和执行控制网络采用前10%的体素强度阈值[23]，而语言网络则使用T值截止值（峰值T > 5.0）以获得更好的空间特异性。
统计分析
统计分析使用R版本4.4.2[53]进行，使用了stats包和FSL中实现的非参数置换工具randomize。人口学变量和语音特征的组间差异使用单因素方差分析（ANOVA）和Tukey诚实显著差异（HSD）事后检验进行评估。对于违反正态性假设的变量，应用Kruskal–Wallis检验，分类变量使用卡方检验。统计显著性设定为p < 0.05。
使用一般线性模型（5,000次置换）进行体素水平多重回归。语音特征和语音认知评分被回归到假设相关的静息态功能连接z图上。SVF单词频率被建模为与静息态功能连接负相关，而所有其他语音特征则建模为正相关。协变量包括年龄、性别、教育程度、诊断、扫描站点以及语音评估与磁共振成像采集之间的时间间隔，以控制潜在的时间错配。
为了检验语音衍生指标与功能连接之间关联的潜在组间差异，我们额外拟合了包括语音特征×诊断交互项的模型，并纳入初级独立成分分析框架。采用补充的种子-体素方法进行敏感性分析，以验证独立成分分析导出的网络定义，并重复跨组关联结果（详见补充2）。
统计显著性使用阈值自由簇增强（TFCE）和族系误差（FWE）校正，设定为p < 0.05 [54]。当没有簇通过校正时，应用更宽松的描述性阈值：未校正p < 0.01，且最小簇大小为20个体素。为确保识别效应反映网络水平的连接模式，将显著的体素结果映射到我们预先定义的、独立成分分析导出的组水平静息态网络掩膜上，并使用MRIcroGL进行可视化。使用R中的circlize包生成和弦图，展示语音特征与静息态网络区域之间显著体素的数量和关联强度（T值）。
结果
人口学和语音特征
在排除3名头部运动过度的参与者后，最终样本包括129人（32名健康对照，72名主观认知下降，25名轻度认知障碍；平均年龄=73岁；55%为女性；平均教育年限=15年；语音评估与磁共振成像采集的平均时间间隔=1.4年）。诊断组在年龄、教育程度或语音评估与磁共振成像的时间间隔上没有显著差异，但在性别分布上有差异（χ²=7.12, p=0.03）。语音认知评分及其子域评分在组间存在显著差异，事后检验显示轻度认知障碍组表现较低。多个语音特征，包括SVF正确计数、语义聚类大小和VLT延迟回忆，也存在显著的组间差异（表1）。
组水平独立成分分析导出的静息态网络
我们的独立成分分析导出的静息态网络与Shirer等人的网络模板[49]显示出中等至强空间相关性：默认模式网络为0.77，执行控制网络为0.53，语言网络为0.48。所有选定的成分与其各自网络的关键区域有较大重叠。
组水平独立成分分析导出的默认模式网络由双侧区域组成，空间图基本对称（图2A）。关键区域包括楔前叶、额上回、后眶额皮层和腹外侧丘脑。在左半球，小脑（小叶9和Crus II）和额下回也观察到簇（表S2）。执行控制网络在左侧顶下小叶和颞下回显示出强连接，另外在右侧额中回和丘脑也有簇（表S2，图2B）。语言网络主要呈左侧偏侧化，最大的簇位于左侧颞中回。其他簇见于左侧楔前叶和小脑（小叶8），以及右侧小脑（小叶9）（表S2，图2C）。
跨多个独立成分分析配置的敏感性分析表明，默认模式网络和执行控制网络高度稳定。组水平成分捕获了来自各组的绝大多数体素，并且跨配置具有强空间一致性（默认模式网络Dice 0.74±0.07，执行控制网络Dice 0.75±0.05；默认模式网络空间相关性0.90±0.06，执行控制网络0.88±0.13；表S3）。语言网络变异性较大（Dice 0.45±0.07，空间相关性0.35±0.22；表S3），但其核心区域如左额下回和左后颞上回始终被识别（图S1）。
网络特异性静息态连接与语音认知表现及语音特征的关联
在所有考察的关联中，经校正后唯一统计上显著的发现是语言网络连接性与SVF时间聚类切换之间的正相关。该效应位于左侧颞中回（12个体素，平均T=3.86，峰值T=4.08；峰值MNI坐标：-57, -51, 12）。使用替代独立成分分析配置的敏感性分析证实，该关联以及下文报道的其他语言网络-语音关联在不同独立成分分析模板策略下保持一致（表S4）。作为辅助解释，我们也报告了使用宽松阈值（未校正p<0.01，簇大小≥20个体素）的探索性结果（图3，表2）。所有分析均限制在组水平静息态网络掩膜内。
认知综合评分与默认模式网络、执行控制网络和语言网络连接性的关联语音认知评分（无论是总体评分还是领域特异性评分）与三个静息态网络中任何一个的连接性均未观察到显著关联。
SVF特征与执行控制网络和语言网络连接性的关联在未校正阈值下，SVF正确计数与语言网络连接性在左侧颞下回存在关联（图3，表2）。SVF语义聚类大小显示与执行控制网络连接性存在广泛关联，涉及双侧额中回、左侧颞中回、小脑区域、右侧额下回和中央前回区域、双侧楔前叶，以及右侧上额叶和中央后额叶皮层（图3，表2）。在语言网络内部，语义聚类大小与左侧颞下回和颞中回、双侧额下回、右侧岛叶和左侧楔前叶的连接性相关（图3，表2）。SVF期间的时间聚类切换与右侧小脑（Crus 2）、左侧颞中回、右侧颞中极、右侧额下回（三角部）和右侧岛叶区域（位于语言网络内）的连接性相关（图3，表2），以及与执行控制网络内的右侧小脑小叶VI相关（图3，表2）。
VLT延迟回忆特征与默认模式网络连接性的关联在默认模式网络内，VLT延迟回忆的正确计数和近因项目与左侧小脑Crus II的连接性相关（图3，表2）。序列聚类大小和中列项目与左侧中央后皮层的连接性相关（图3，表2）。
语音-功能连接关联的补充分析
包含语音特征×诊断交互项的模型显示，组特异性关联的证据有限。尽管一些体素水平的交互项通过了TFCE校正（主要出现在语言网络相关区域），但这些显著体素大多位于我们预定义的独立成分网络掩膜之外。仅有一个交互效应位于我们的静息态网络内部，局限于执行控制网络中的3个体素。这些发现表明，语音衍生指标与功能连接之间的关联在网络水平上并未在不同诊断组之间呈现实质性差异（表S6）。
种子-体素分析作为独立成分分析网络发现的补充，见补充材料。种子定义的静息态网络的空间模式与独立成分基本一致，支持了跨方法网络识别的一致性（图S2）。然而，与数字语音指标之间的关联表现出部分重叠，表明回归灵敏度的方法学依赖性变异。重要的是，这些基于种子的关联是探索性的，使用未校正阈值识别（p<0.01，簇大小≥20个体素，表S7，图S2）。
讨论
本研究调查了德国PROSPECT-AD研究中129名个体（从认知健康到轻度认知障碍）的数字语音衍生认知综合评分、任务特异性语音特征与默认模式网络、执行控制网络和语言网络内静息态功能连接之间的关联。我们假设语音认知评分和语音特征对风险人群中的微妙网络特异性功能连接改变都是敏感的。
主要发现：时间聚类切换与语言网络功能连接
显著的结果是，更强的语言网络连接性与SVF期间更大的时间聚类切换相关（TFCE基础FWE p<0.05），表明更动态的词汇访问。该关联主要在左侧颞中回观察到，该区域被认为参与目标导向和自动语义过程，以及受控语义检索[55]。这些认知过程与时间切换特征所捕捉的内容一致：言语反应随时间如何组织以及任务中使用的灵活检索策略。先前结合时间和语义特征的分析表明，这些言语模式在MCI和AD个体中趋于下降，即使语义知识相对保留[41]。我们的结果与这一理论关系一致，表明在未来的研究中，时间语音动态应被优先考虑作为早期语言网络变化的有希望的语音指标。然而，效应量较小且空间范围有限，需要谨慎解释。在独立样本中的重复对于确认时间聚类切换能否在AD风险人群中可靠追踪语言网络完整性至关重要。
语音认知评分关联的缺失
我们的独立成分分析基础静息态功能连接分析未发现与语音认知总体评分或领域特异性评分有任何显著关联。综合认知测量通常比单个测试分数在特定认知领域具有更高的可靠性和敏感性，因此推荐用于识别风险人群中的细微认知变化[56,57]。此外，常见的综合指标如认知功能复合评分受练习效应的影响较小，使其适用于纵向研究或临床试验中的终点指标[2,57]。尽管有这些理论优势，这一阴性发现与先前将认知综合指标与MCI的静息态功能连接联系起来的研究[30,58]以及我们先前PROSPECT-AD的发现（显示语音认知评分与临床测量和全诊断组脑萎缩的关联）形成对比[16,17]。
一个可能的解释是语音认知评分的预期目的。语音认知评分旨在评估跨执行功能、记忆和处理速度的一般认知表现[39]。尽管我们的目标是考察语音认知评分的更广泛临床潜力，将其与潜在的脑功能连接改变联系起来，但这种包容性可能从根本上限制了它们对网络特异性功能连接改变的敏感性，突显了使用综合评分检测细微神经病理学的一般性挑战。一个现实世界的例子是临床前阿尔茨海默病认知综合评分（PACC）。尽管PACC被广泛用于追踪临床前AD的认知下降[59]，研究显示其在检测基线Aβ状态方面的可靠性程度不一[60,61]。这一观察强调了一般综合评分在某些情境下的局限性。此外，在AD非常早期阶段，网络功能连接改变的微妙性可能超出广泛综合测量的检测阈值。这表明综合认知测量可能需要补充性方法来更敏感地捕捉网络特异性的脑部改变。
与其仅仅依赖跨认知领域汇总的综合评分，未来研究可以采用数据驱动技术如语音特征的主成分分析，以应用更多聚焦于言语-功能连接关系的分析策略。通过利用领域级评分的临床可解释性和无监督方法的发现潜力，这种双重策略可能揭示与潜在功能连接模式更紧密相关的语音特征。
方法学考虑：独立成分分析方法与网络识别
初步分析（未校正p<0.01）提示了SVF特征与执行控制网络/语言网络连接性以及VLT延迟回忆特征与默认模式网络连接性之间的额外联系。因此，我们系统地评估了我们的独立成分分析方法是否引入了可能解释静息态功能连接与语音认知评分之间缺乏显著关联以及静息态功能连接-语音发现主要呈探索性的偏差。我们提出这一关切，因为自动化静息态网络推导的异质性仍然是一个公认的方法学挑战，分析参数的变化可能显著改变网络拓扑和定位[47,48]。默认模式网络和执行控制网络的空间图在所有独立成分分析汇总配置下高度一致，各诊断组的贡献平衡。这排除了我们以SCD为主的样本（占56%的参与者）带来的有意义偏差。相比之下，语言网络的识别更具挑战性。在所有配置中，需要40个成分才能分离出一个覆盖所有关键语言相关区域的单一网络，并且没有明确的半球细分。这与先前使用更大样本的工作形成对比，后者仅应用20个成分就识别出左、右侧偏侧化的语言相关网络[50]。我们识别的语言网络在不同独立成分分析配置下也表现出更大的空间变异性。
这种模式与先前报道的AD谱系中异质性语言网络改变相一致，包括轻度AD中语义控制网络连接性降低[32]和MCI中语言网络激活增加[62]。然而，当我们检查个体空间功能连接图时，没有发现诊断组间的显著差异。这可能反映了我们的样本所代表的痴呆前期阶段语言网络改变的早期表达。这一解释与先前DELCODE的发现一致，其中语言网络在SCD和MCI中仅表现出机会水平的分类性能，组间差异仅在宽松阈值下出现[23,26]。
当我们使用不同的语言网络模板重新进行分析时，语言网络静息态功能连接-语音关联保持高度一致，表明独立成分分析汇总策略并未实质性影响我们的结果。相反，这一模式更可能归因于异质性早期AD人群中静息态功能连接-语音关联的特征性小效应量，这与大规模全脑关联研究显示复杂行为表型与功能连接之间的关系比先前假设的弱得多，需要数千样本量才能可靠检测[63]一致。考虑到我们当前的样本量，统计功效不足而非方法学偏差或脑-行为缺失关系可能是观察结果的原因。
补充性种子分析
我们进行了种子分析以补充独立成分分析结果。独立成分分析导出的静息态网络表征的可靠性得到了两种方法间网络识别一致性的支持。种子分析也在探索性水平上揭示了语音特征与功能连接之间的关联。然而，我们不推荐主要依赖种子方法或将其作为排他性分析策略。荟萃分析表明，即使在默认模式网络内对种子选择的微小变化也可能导致结果的大幅变异，引发了对此类方法可靠性的质疑[64]。因此，采用多种分析策略可能产生补充性见解。在独立人群中重复，加上对分析方法替代实现的测试，可能使未来研究能够得出可信且可推广的结果，同时避免虚假关联。
研究优势与局限性
虽然大多数远程认知评估研究集中于群体分类、认知关联或淀粉样蛋白负荷相关性，我们通过探索语音认知评分、语音特征与脑功能连接之间的联系，扩展了对其神经相关性的理解。这项假说生成性研究为未来研究提供了重要的方法学和概念性见解，但也存在局限性。
rs-fMRI与语音评估之间平均一年的间隔是一个关键限制。尽管在统计上进行了控制，但仍可能增加限制精确性的变异性。这一局限在当前数据集中无法解决，因为数据采集已经完成。不过，这将在未来关注功能连接与语音随时间变化关联的纵向分析中进行探讨。我们研究的另一个局限性在于，聚焦于全局功能连接的方法学可能遗漏了局部连接。因此，我们的发现可能可以通过使用局部连接指标如低频波动振幅（ALFF）或局部一致性（ReHo）来补充。
结论
本研究提供了概念验证，表明特定的语音特征，尤其是SVF期间的时间动态，与语言网络的功能连接存在可检测的关联，即使在认知健康个体到MCI这类早期阶段人群中也是如此。然而，效应量较小，空间范围有限，在临床应用前需要重复。值得注意的是，在我们的队列中，语音认知评分未能显示出足够的敏感性来捕捉网络特异性的脑功能连接变化，尽管它们对于追踪脑体积变化和一般认知下降仍然有用。
未来研究应采用纵向设计追踪rsFC-语音关联随时间的变化，显著增大样本量以达到足够的统计功效，协调各研究站点的数据采集程序，并在不同临床阶段和社会人口学背景的多样化队列中验证发现，以推进基于语音的数字工具的发展，用于识别和监测AD风险人群的脑功能变化。
缩写
AD: 阿尔茨海默病; MCI: 轻度认知障碍; SVF: 语义词语流畅性; VLT: 言语学习任务; SCD: 主观认知下降; Aβ: β-淀粉样蛋白; SB-C score: 语音认知评分; FC: 功能连接; rs-fMRI: 静息态功能磁共振成像; DMN: 默认模式网络; ECN: 执行控制网络; LAN: 语言网络; HC: 健康对照; rsFC: 静息态功能连接; ICA: 独立成分分析; IC: 独立成分; RSN: 静息态网络; TFCE: 阈值自由簇增强; FWE: 族系误差。
补充信息
在线版本包含补充材料，可在 doi.org/10.1186/s13195-026-01993-x 获取。
补充材料1。
致谢
我们感谢欧盟HORIZON-MSCA博士网络对青年研究人员的支持以及阿尔茨海默病药物发现基金会对本研究的资助。我们感谢ki:elements在基于AI的软件开发和语音数据收集方面的努力。衷心感谢DZNE和所有PROSPECT-AD站点，以及DELCODE和DESCRIBE团队，感谢他们在参与者招募和临床评估、神经认知和磁共振成像数据采集以及质量控制方面的贡献。感谢罗斯托克大学医学中心和DZNE罗斯托克站点的临床和行政团队的支持。我们感谢本研究的合著者在研究设计、项目协调、数据整理和稿件撰写方面的工作。最重要的是，我们感谢研究参与者在PROSPECT-AD研究中付出的时间和努力。
作者贡献
Qingyue Li（概念化；方法学；正式分析；可视化；初稿撰写；审阅与修订），Zampeta-Sofia Alexopoulou（正式分析；审阅与修订），Martin Dyrba（方法学；审阅与修订），Elisa Mallick（软件；方法学；调查；数据整理），Johannes Tröger（软件；审阅与修订），Eike Spruth（数据整理；调查；审阅与修订），Slawek Altenstein（数据整理；调查；审阅与修订），Claudia Bartels（数据整理；调查；审阅与修订），Wenzel Glanz（数据整理；调查；审阅与修订），Enise I. Incesoy（数据整理；调查；审阅与修订），Michaela Butryn（数据整理；调查；审阅与修订），Ingo Kilimann（数据整理；调查；审阅与修订），Sebastian Sodenkamp（数据整理；调查；审阅与修订），Franziska Maier（数据整理；调查；审阅与修订），Ayda Rostamzadeh（数据整理；调查；审阅与修订），Antje Osterrath（数据整理；调查；审阅与修订），Josef Priller（数据整理；调查；审阅与修订），Anja Schneider（数据整理；调查；审阅与修订），Jens Wiltfang（数据整理；调查；审阅与修订），Christoph Laske（数据整理；调查；审阅与修订），Björn Falkenburger（数据整理；调查；审阅与修订），Michael Wagner（数据整理；调查；审阅与修订），Emrah Duezel（数据整理；调查；审阅与修订），Annika Spottke（数据整理；调查；审阅与修订），Gabor C. Petzold（数据整理；调查；审阅与修订），Frank Jessen（数据整理；审阅与修订），Alexandra König（软件；概念化；审阅与修订），Stefanie Köhler（项目管理；数据整理；审阅与修订），Stefan Teipel（概念化；监督；调查；方法学；审阅与修订）。
资金
开放获取资金由Projekt DEAL提供和组织。Qingyue Li和Zampeta-Sofia Alexopoulou获得欧盟HORIZON-MSCA博士网络2021项目资助，资助协议号101071485。PROSPECT-AD研究部分由阿尔茨海默病药物发现基金会诊断加速器项目（ADDF）资助。本研究的资助者在研究设计、数据收集、数据分析、数据解释或撰写报告中未发挥作用。
数据可用性
支持本文结论的数据集因机构政策不公开，但可应合理要求从通讯作者处获取。
声明
伦理批准与知情同意 所有数据收集遵循涉及人类参与者的医学研究伦理标准，符合赫尔辛基宣言和欧盟通用数据保护条例。德国PROSPECT-AD研究获得了当地机构审查委员会的批准：波恩大学医院（291/22）、德累斯顿工业大学伦理委员会（BO-EK-263062022）、哥廷根大学医学中心（27/9/22）、科隆大学医学院（22-1284）、马格德堡大学医院医学院（80/22）、罗斯托克大学医学中心（A2021-0256）和图宾根大学医院（551/2022BO2）。柏林夏里特医科大学无需单独批准，因其依赖于罗斯托克作为主导站点。所有参与者均提供了语音数据收集的书面知情同意书。
同意发表 不适用。
利益冲突 Martin Dyrba从德国研究基金会获得研究经费，并从欧洲远程大学汉堡有限公司获得讲课费。Alexandra König、Elisa Mallick和Johannes Tröger受雇于开发自动电话评估应用并计算语音生物标志物的ki:elements公司。Claudia Bartels从德国阿尔茨海默病协会获得资助，并从Lilly、Boehringer Ingelheim、Novo Nordisk和Eisai获得讲课费。Michaela Butryn从Neuraxpharm获得讲课费。Ingo Kilimann从德国Lilly公司获得无限制研究资助。Franziska Maier参加了Lilly和Johnson & Johnson的科学顾问委员会，并从Novo Nordisk获得讲课费。Ayda Rostamzadeh从Eisai和Lilly获得讲课费。Jens Wiltfang从BMBF获得资助，从Immunogenetics、Noselab、Roboscreen获得咨询费，并从北京亿佰科技有限公司、Gloryren、Janssen Cilag、Pfizer、Med Update GmbH、Roche Pharma和Lilly获得讲课费。Jens Wiltfang参与了Biogen、Abbott、Boehringer Ingelheim、Lilly、MSD Sharp & Dohme和Roche的数据安全监测委员会或顾问委员会。Björn Falkenburger从AbbVie、Bial获得咨询和顾问费，并且是AbbVie、Bial、Biogen、CHDI、Denali、DFG、MJFF、Takeda、Teva和UCB资助研究的研究者。Stefanie Köhler从阿尔茨海默病药物发现基金会和Lilly Deutschland GmbH获得资助，以及Eisai的讲课费。Stefan Teipel参与了Roche Pharma AG、Biogen、Lilly和Eisai的科学顾问委员会，并从Lilly和Eisai获得讲课费。其他作者声明在研究、作者身份和/或文章发表方面没有潜在的利益冲突。
作者详情
- 心身医学系，罗斯托克大学医学中心，Gehlsheimer Str. 20, 罗斯托克 18147, 德国
- 认知-行为-技术实验室（CoBtek），蔚蓝海岸大学，尼斯，法国
- 德国神经退行性疾病中心（DZNE），罗斯托克，德国
- ki:Elements GmbH，萨尔布吕肯，德国
- 德国神经退行性疾病中心（DZNE），柏林，德国
- 精神病学与心理治疗系，柏林夏里特医科大学，柏林，德国
- 精神病学与心理治疗系，哥廷根大学医学中心，哥廷根大学，哥廷根，德国
- 德国神经退行性疾病中心（DZNE），马格德堡，德国
- 认知神经学和痴呆症研究所（IKND），奥托·冯·格里克大学，马格德堡，德国
- 德国神经退行性疾病中心（DZNE），图宾根，德国
- 精神病学与心理治疗系，图宾根大学，图宾根，德国
- 精神病学系，医学院，科隆大学，科隆，德国
- 德国神经退行性疾病中心（DZNE），德累斯顿，德国
- 神经病学系，卡尔·古斯塔夫·卡鲁斯，德累斯顿工业大学大学医院，德累斯顿，德国
- 爱丁堡大学和英国痴呆症研究所，爱丁堡，英国
- 精神病学与心理治疗系，医学院和健康学院，慕尼黑工业大学，以及德国心理健康中心（DZPG），慕尼黑，德国
- 德国神经退行性疾病中心（DZNE），波恩，德国
- 老年精神病学和认知障碍诊所，波恩大学医院和波恩大学，波恩，德国
- 德国神经退行性疾病中心（DZNE），哥廷根，德国
- 医学科学系，神经科学和信号研究组，生物医学研究所（iBiMED），阿威罗大学，阿威罗，葡萄牙
- 帕金森病、睡眠和运动障碍诊所，神经病学中心，波恩大学医院，波恩，德国
- 血管神经病学系，波恩大学医院，波恩，德国
- 衰老相关疾病细胞应激反应卓越集群（CECAD），科隆大学，科隆，德国
- 大学医院，老年脑与运动临床，记忆资源与研究中心，蔚蓝海岸大学，尼斯，法国
收稿日期：2025年10月20日 / 接受日期：2026年2月15日
【全文结束】