编辑推荐：
本研究针对个体在目标导向行为中表现出的努力与奖赏敏感性差异，结合计算建模与全脑弥散磁共振成像，揭示了其背后的白质微结构基础。研究人员发现，辅助运动区（SMA）连接通路是预测努力和奖赏敏感性的关键枢纽，而奖赏敏感性还涉及额顶叶和感觉运动通路。该研究为理解动机障碍（如冷漠和冲动）的神经解剖基础提供了新框架，并展示了利用脑白质特征解码个体行为差异的潜力。
在日常生活中，从决定是打扫房间还是看电视，是做饭还是点外卖，我们无时无刻不在进行着“这笔奖赏是否值得付出努力”的权衡。这种权衡决策驱动着我们的目标导向行为，但个体间对努力成本和奖赏价值的敏感度却存在巨大差异。这种差异有时被称为“计算表型”，异常的努力高敏感可能导致即使潜在奖赏丰厚也缺乏行动的冷漠（Apathy），而异常的奖赏高敏感则可能驱动个体不计代价地行动，助长冲动（Impulsivity）。然而，这种个体差异背后的脑结构基础至今仍不明确。
以往的功能磁共振成像（fMRI）研究揭示了努力与奖赏处理涉及一个核心的前额叶-纹状体网络，其中辅助运动区（SMA）主要追踪努力成本，眶额叶皮层（OFC）主要追踪奖赏价值，而背侧前扣带回皮层（dACC）和伏隔核（NAcc）则整合两者信息形成净价值信号。然而，这些研究主要关注个体内部的神经活动机制，未能解释为何个体间对努力和奖赏的敏感性如此不同。越来越多的证据表明，白质并不仅仅是传递神经信号的“电缆”，它还能主动调制信号，从而塑造行为。鉴于努力和奖赏计算需要多个脑区之间的协调，结构连接性为揭示导致个体对努力和奖赏赋予不同权重的解剖学基础提供了互补性的视角。
为此，研究人员开展了一项发表在《NeuroImage》上的研究。该研究招募了45名健康参与者，让他们完成一项基于努力的决策任务，即选择是否付出不同水平的体力努力（以最大自主收缩力的百分比表示）来获取不同金额的金钱奖赏。通过计算模型对行为数据进行分析，研究者提取了每个个体的努力敏感性（βEffort）和奖赏敏感性（βReward）参数。同时，利用弥散加权成像（DWI）技术，获取了全脑范围的白质微结构指标——各向异性分数（FA）和平均扩散率（MD），后者取其相反数（-MD）以便与FA同向解读（值越高表示微结构完整性越好）。
为开展研究，研究人员主要应用了几项关键技术：1） 基于努力的决策范式计算建模，用于量化个体行为参数（βEffort和βReward）；2） 全脑体素水平的白质微结构分析（FA和-MD），采用聚类方法识别与行为参数显著相关的白质簇；3） 概率性纤维束追踪标记，对显著簇进行解剖学定位；4） 监督式机器学习（采用多种分类器如ExtraTrees、逻辑回归等）结合嵌套交叉验证，评估从白质微结构特征解码个体敏感性的能力。
研究结果
3.1. 努力和奖赏敏感性在健康个体中存在显著的个体间变异
行为数据显示，参与者根据努力和奖赏水平调整接受率的模式存在巨大个体差异。计算模型成功捕获了这种变异，提取出的βEffort和βReward参数在个体间分布广泛，变异系数分别达到65.6%和326.6%，证实了健康人群中存在努力和奖赏敏感性的高度异质性。
3.2. 与关键额叶估值区域相连的白质束微结构与努力敏感性相关
全脑分析发现了5个与努力敏感性（βEffort）显著相关的白质簇，它们全部位于连接主要额叶估值节点（如SMA、dACC、OFC）的纤维束中。
- •
SMA相关的负向关联：最强的关联之一出现在左侧皮质脊髓束的SMA部分。该簇的FA值与βEffort呈负相关，即该区域白质完整性越低，个体对努力越敏感（越不愿意付出高努力）。值得注意的是，同一个簇在奖赏敏感性的分析中也显着相关，表明它可能是努力和奖赏敏感性的共享基质。
- •
胼胝体中前部的负向关联：在连接双侧SMA的胼胝体中前部（运动前区部分），也发现了FA和-MD值与βEffort的负相关。这种关联在双侧半球以及FA和-MD指标上均得到重复，提供了特别强有力的证据，表明努力敏感性与SMA相关半球间通路的完整性受损有关。
- •
前扣带束的正向关联：与上述模式相反，在连接dACC与SMA、内侧OFC的前扣带束中，发现FA值与βEffort呈正相关，即该通路完整性越高，个体努力敏感性越强。
3.3. 与额叶估值区域、额顶叶和感觉运动结构相连的白质微结构与奖赏敏感性相关
分析发现了7个与奖赏敏感性（βReward）显著相关的白质簇，其分布比努力相关的簇更为广泛。
- •
SMA和感觉运动结构的负向关联：与努力敏感性类似，在左侧皮质脊髓束的SMA部分再次发现FA与βReward负相关。此外，在连接皮层与小脑的右小脑中脚/左皮质-脑桥-小脑束中，-MD值与βReward负相关。
- •
额叶估值和额顶叶通路正向关联：多个簇显示正相关。包括连接双侧OFC的额钳（Forceps Minor）、右半球上纵束（额顶叶通路）以及连接双侧初级运动皮层（M1）的胼胝体运动部分。这些通路的微结构完整性越高，个体的奖赏敏感性越强。
3.4. 基于机器学习的敏感性解码
机器学习分析表明，从上述显著簇中提取的FA和-MD值能够可靠地在样本外预测个体的努力和奖赏敏感性水平。对于努力敏感性，最佳分类器的曲线下面积（AUC）达到0.719；对于奖赏敏感性，AUC高达0.837，性能显著高于随机水平。特征重要性分析显示，SMA连接的通路（特别是皮质脊髓束部分）是预测努力和奖赏敏感性的最主要贡献者。对于奖赏敏感性，额顶叶和感觉运动通路也提供了额外的预测信息。递归特征消除分析进一步表明，仅使用四个信息量最大的簇即可达到最佳解码性能。控制分析证实，解码性能特异于研究中识别出的显著白质簇，而非随机的白质变异。
结论与意义
本研究通过数据驱动的方法，首次在全脑范围内系统性地描绘了努力与奖赏敏感性个体差异的白质微结构基础。研究发现了一个分布式的白质基质，其中SMA连接的通路作为核心枢纽，共同调节着个体对努力成本和奖赏价值的敏感性。同时，奖赏敏感性的编码还涉及更广泛的额顶叶和感觉运动网络。
这些发现具有多重重要意义。首先，它们揭示了白质微结构在塑造动机行为中的关键作用，挑战了将白质视为被动通道的传统观点。其次，研究证实了利用无创的弥散MRI指标解码个体动机特质的可行性，为理解诸如冷漠、冲动等动机障碍的神经基础提供了新的解剖学框架。最后，这种预测模型在未来临床应用中具有潜力，例如，在神经外科手术前预测病变或手术干预对患者动机行为可能产生的影响，从而为个性化评估、干预和康复策略的制定提供指导。
