《Brain and Behavior》：The Neural Blueprint of Novelty: A Meta-Analytic Dissection of Active and Passive Novelty Processing Networks
编辑推荐：
这篇综述通过激活似然估计(ALE)荟萃分析，系统整合了66项功能磁共振成像(fMRI)研究，揭示了主动与被动新奇处理共享一个以双侧内侧颞叶(MTL)、额下回(IFG)和内侧额叶为核心节点的神经网络，但二者在任务需求下存在显著差异：主动处理（如新/旧识别）更强地募集左侧前中央回、IFG等与目标导向评估和反应选择相关的区域；而被动处理（如oddball范式）则更依赖左侧颞上回(STG)、双侧MTL等与自下而上注意重新定向相关的脑区。研究为理解新奇检测的神经架构提供了统一框架。
1 引言
新奇检测——识别和处理新异或意外刺激的能力——是适应性行为的基本组成部分。它使生物体能够通过调动负责快速感觉评估、记忆编码和动机显著性分配的神经系统，来优先处理对生存、学习和决策至关重要的信息。异常的新奇检测与多种精神疾病（如ADHD、精神分裂症）的适应不良行为有关。尽管已有大量研究，但由于实验范式、成像方法和分析方法的差异，新奇检测的神经结构报告仍存在不一致之处。这促使我们需要进行定量综合，以识别在不同任务和背景下稳健支持新奇处理的神经模式。
“新奇”和“惊喜”这两个术语经常互换使用，但它们指的是相关但不同的计算结构。新奇通常定义为刺激或事件先前未被遇到的程度，或者在记忆中缺乏现有表征。相比之下，惊喜反映了对特定情境下可能发生事件的预期违背，通常被形式化为概率模型中的预测误差。在许多实验范式中，新异事件也往往是令人惊喜的，因为它们相对于已建立的语境而言发生概率较低。因此，标准的新奇任务很少能将新奇与惊喜分离开来；相反，它们同时调动了新奇相关和惊喜相关的计算过程。
新奇本身也不是一个单一的概念。理论工作至少区分了两种重要形式：刺激（或绝对）新奇和语境（或关系）新奇。刺激新奇指的是不存在先前记忆痕迹的项目，例如试验中独特的图像或从未见过的伪物体。语境新奇则发生在熟悉的刺激违反基于当前语境或已习得规律的预期时，例如在oddball或失匹配范式中，罕见的偏差刺激出现在标准刺激流中。在实践中，大多数范式在某种程度上结合了这些维度。因此，与这些范式相关的神经反应可能同时反映了新奇、惊喜和失匹配相关过程的混合。在本研究中，我们在实验设计层面使用“新奇检测”作为标签，同时明确承认其潜在的神经信号同时反映了刺激新奇和语境依赖的预期违背。
在这个概念框架内，新奇检测不是一个单一的、整体的过程，而是根据任务需求至少包含两个相互关联的组成部分：一个是评估性的、自上而下的成分（“新奇是什么？”），涉及识别和分类新异刺激；另一个是定向性的、自下而上的成分（“新奇——现在怎么办？”），将注意力引向意外事件。这种区别映射到我们在此称为主动和被动新奇处理的两种广泛模式上。我们使用主动新奇来指代那些对新异或偏差事件的反应是明确任务相关且需要行为判断的范式（例如，明确的新奇决策、新/旧再认），而被动新奇则指那些新异或偏差刺激被呈现时，注意力被引导到别处，或者不需要对偏差事件做出明确反应的范式，如许多oddball任务。重要的是，这些“被动”范式更准确地描述为涉及任务无关的、令人惊讶的偏差事件，而非孤立的刺激新奇。因此，我们当前的方法最好被理解为考察任务需求如何调节对偏差性、新奇/惊喜事件的处理。
早期的神经影像学研究一致表明，内侧颞叶（MTL），特别是海马和海马旁回（PHG），在主动和被动范式中均被激活。这些观察结果催生了“新奇编码假说”，该假说认为大脑对新奇的评估对于决定长时记忆编码的有效性至关重要。支持这一观点的是，海马对新奇的反应似乎是自动的，并且可以独立于明确的编码意图而产生。此外，研究表明新奇处理比刻意编码指令产生更强烈的海马信号。这些发现共同表明，海马和邻近的MTL结构充当比较器或“失匹配检测器”，记录传入信息何时是陌生的或偏离存储的表征，从而发出更新记忆的信号。
电生理学研究也汇聚出相似的图景。事件相关电位（ERP）研究已确定P300波，特别是其P3a子成分，是新奇处理的神经相关物。P3a是一种特征性的定向反应，大约在新异刺激出现后300毫秒达到峰值，并显示出额顶叶的头皮分布。其振幅随着对先前新异刺激的重复暴露而下降，符合习惯化。关键的是，海马损伤患者表现出P3a习惯化受损，表明海马在记录曾经新异的刺激已变得熟悉的过程中起着关键作用，可能是通过与现有记忆痕迹进行比较。前额叶皮层（PFC）损伤患者也观察到类似的新奇P3反应异常，表明存在一个更广泛的支持新奇检测的网络。
在主动新奇检测任务中，例如明确的记忆再认测试，大脑会调动记忆和控制区域网络来区分新异和熟悉的刺激。一项对48项fMRI研究进行的荟萃分析比较了“新”与“旧”再认事件，确定MTL是最一致参与的区域。此外，额顶叶认知控制区域，包括背外侧和背内侧PFC以及顶内沟（IPS），在再认过程中可靠地参与，反映了记忆搜索和决策所涉及的认知努力。然而，这些区域往往对新异和熟悉刺激都有激活，表明它们在检索努力中扮演一般性角色，而非新奇特异性处理。因此，主动新奇检测似乎依赖于海马MTL系统来编码和区分新项目，同时依赖额顶叶网络来支持评估过程和决策制定。
相比之下，被动新奇检测任务如oddball范式，并不要求参与者明确识别新异刺激；然而，新异刺激仍然会引发强烈的神经反应。一项对75项oddball fMRI研究的大型荟萃分析表明，新异或意外刺激一致性地招募腹侧额顶叶注意网络，通常与显著性网络相关。关键区域包括颞顶联合区（TPJ）、双侧IFG/脑岛和背侧前扣带皮层（dACC）。这些区域在听觉和视觉模态中均被偏差刺激激活，表明存在一个用于意外事件的超模态警报系统。重要的是，当oddball刺激与任务相关时，激活更为一致，这与自下而上的显著性检测和自上而下的注意目标之间的相互作用一致。IFG也参与背侧注意和控制网络，在oddball任务中显示出可靠的收敛性，与其在任务集更新和注意重新定向中的作用一致。
除了额顶叶网络，主动和被动新奇任务都涉及感觉和皮层下结构。新异刺激通常会增强模态特异性感觉皮层的活动，反映了对偏差的早期处理。例如，听觉oddball刺激会引起听觉皮层的激活增加，这与放大偏差信号的预注意机制一致。皮层下区域，包括丘脑和基底节，也做出重要贡献。丘脑被认为在皮质丘脑环路中介导感觉门控，调节新异信息的流动。纹状体，特别是腹侧纹状体，有助于动机显著性的分配和强化学习，并涉及确定新异刺激是否具有行为相关性。在健康个体中进行的早期fMRI研究表明，新异oddball激活了一个广泛的新奇网络，包括双侧TPJ、脑岛、颞上回皮层、感觉运动皮层、外侧PFC、dACC、丘脑和纹状体，这强调了被动新奇处理的整合性 nature。
综上所述，现有工作表明，主动和被动形式的新奇处理存在部分重叠但又 distinct 的神经回路。内侧颞叶区域似乎在各种范式中都被激活，这与它们在比较传入输入和存储表征方面的作用一致。同时，需要明确新奇判断或记忆决策的任务会额外招募与受控检索和反应选择相关的执行和运动区域。相反，那些新异或偏差事件与任务无关的范式则更强烈地 engagement 支持刺激驱动定向的注意网络。然而，目前缺乏的是在一个单一框架内对这两种新奇处理模式的共同和 distinct 神经基础进行全面的定量评估。
本研究通过使用基于坐标的荟萃分析和元分析连接建模（MACM）来弥补这一空白，以表征任务需求如何在广泛的范式范围内塑造新奇处理的神经结构。通过直接对比主动和被动条件，我们旨在识别（1）一组在新奇任务中 consistently 被调用的核心区域，以及（2）任务依赖的特化，这些特化将 deliberate、目标导向的评估与更自动的、刺激驱动的处理区分开来。通过这样做，我们汇集了先前关于明确的、任务相关的新奇评估（例如，再认和目标检测任务）和关于新异及偏差事件的更偶然或任务无关的处理（例如，oddball、适应和被动观看范式）的独立文献，并为支持人脑新奇处理的神经系统提供了一个更综合的解释。
2 方法
2.1 文献检索、筛选与提取
本系统评价遵循系统评价和荟萃分析首选报告项目（PRISMA）指南进行，方案已在PROSPERO预注册（注册号CRD42024620192）以确保方法学透明度。在PubMed和Scopus数据库中进行了全面的文献检索，时间从建库至2024年11月28日，使用检索词：(Novelty OR “novel stimuli” OR “novelty detection” OR “novelty processing” OR “novel decision” OR “novelty perception”) AND (“fMRI” OR “functional magnetic resonance imaging”)。未限制发表年份或地理位置，但仅考虑以英文发表的同行评议文章。
用于定性综合的纳入研究满足以下标准：（1）针对无神经系统或精神疾病史的健康成年参与者进行的研究；（2）调查新奇检测的实证研究，明确对比新奇条件与基线或对照条件；（3）使用功能磁共振成像（fMRI）检查大脑活动的研究；（4）报告全脑体素水平激活结果而非局限于感兴趣区域（ROI）分析的研究；（5）提供立体定位坐标系（Talairach或Montreal Neurological Institute (MNI)三维空间）中激活坐标的研究。使用GingerALE中内置的Lancaster变换（icbm2tal）将Talairach空间报告的坐标转换为MNI空间。
排除标准如下：（1）未呈现原始实证数据的综述文章、荟萃分析、会议摘要或观点论文；（2）个案研究或病例系列；（3）纵向或干预性研究，除非其报告了与新奇检测相关的基线任务态对比；（4）采用功能连接分析而非直接基于激活的对比的研究；（5）仅基于ROI分析而无全脑体素水平激活结果的研究；（6）涉及临床、神经或精神病人群的研究。
三位作者独立进行标题和摘要筛选，选择文章进行全文审查，并执行全文审查。评审者之间的任何分歧均通过讨论解决。提取以下信息：作者、发表年份、研究设计类型、按性别、年龄划分的参与者人数以及立体定位坐标。如果报告了多个相关对比，我们纳入所有符合条件的对比，但将其视为单个实验，在荟萃分析中每个样本仅使用一组坐标。如需更多信息，通过电子邮件联系作者至少两次，之后若未获回复则视为数据无法获取。
2.2 主动与被动分类
在本荟萃分析中，我们根据参与者参与程度和明确的任务需求将实验范式分为主动和被动新奇处理。主动新奇处理定义为参与者被明确指示对新异刺激进行编码、分类或做出决策的范式，通常预期有后续记忆测试或直接的新奇相关判断（例如，新/旧再认任务、基于新奇的决策和分类任务）。这些范式需要高阶认知参与，包括执行控制和记忆检索。相反，被动新奇处理包括那些新异性被偶然呈现，且参与者不需要做出明确的新奇相关判断或参与定向编码策略的范式（例如，oddball范式、被动观看和偶然编码任务）。在这些研究中，新奇检测被认为更多地依赖于自下而上的、自动的显著性驱动神经机制，而非目标导向处理。这种分类能够更精确地比较不同认知和感知背景下新奇检测的神经机制，使我们能够区分人脑中自动的新奇驱动反应和费力的、自上而下的新奇处理。
2.3 激活似然估计
我们使用GingerALE v3.0.2中实现的激活似然估计（ALE）算法进行基于坐标的荟萃分析。从每个研究的感兴趣对比中提取并记录具有统计学显著性的焦点坐标。该方法通过在每个报告的焦点上模拟一个3D高斯概率分布来估计激活似然，从而检验坐标在不同研究间的空间收敛性。概率分布的宽度基于神经影像结果中由于样本量和模板间变异性导致的空间不确定性的经验估计，其中更大的样本量假定对实际激活的估计更可靠，因此与更窄的分布相关联。通过取每个焦点的最大关联概率，将这些空间概率组合以获得每个实验的建模激活（MA）图。通过合并所有研究的MA图得到最终的ALE图像。ALE分数针对偶然预期的随机空间关联的零分布进行评估，以进一步区分信号和噪声。为每个数据集（一般、主动和被动新奇检测）计算每个体素的ALE统计量。我们对生成的ALE图应用簇水平家族wise错误校正以进行多重比较校正。使用体素水平阈值p< 0.001（未校正）来定义簇，并应用簇水平阈值p< 0.05。使用1000次排列检验生成簇大小的零分布来确定统计学显著性。
本荟萃分析还旨在识别在不同研究中稳健参与新奇检测的大脑区域，并区分健康个体中主动和被动新奇处理的收敛和发散神经基础。为实现此目标，我们使用ALE进行了一系列对比和 conjunction 分析，以比较主动和被动新奇检测的元分析图。我们的方法学步骤如下：（1）分别对主动和被动新奇检测进行数据集分析；（2）使用GingerALE中的“合并与保存焦点”功能将主动和被动新奇检测的数据集合并；（3）使用与前述分析相同的统计参数对合并后的焦点文件进行数据集分析；（4）单独的数据集分析产生三个ALE图，分别代表一般新奇检测、主动新奇检测和被动新奇检测。
将生成的ALE图像在GingerALE工具箱中进行 conjunction 和 contrast 分析，以确定共同和不同的脑区。Conjunction分析识别了主动和被动新奇检测之间共享的神经基础，代表领域一般的新奇处理。相反，进行 contrast 分析以确定主动与被动新奇检测特异性的差异激活区域，突出每种新奇检测过程背后的领域特异性神经机制。通过先前采用ALE-based contrast和conjunction分析的研究，ALE图在p< 0.05（未校正）的阈值下进行阈值化，最小簇大小为100 mm3，并进行10,000次排列。
2.4 功能解码
我们采用基于元分析的解码方法，使用脑注释工具箱（BAT）来促进对已识别脑区的全面功能表征。BAT是一个基于Neurosynth数据库中217个功能术语的激活图的元分析工具。该工具箱提供了一个概率框架，通过评估给定簇或区域内的体素是否比随机选择的体素更可能与特定功能术语共同激活来推断功能相关性。
这种方法能够基于元分析关联的术语进行功能表征，从而允许对已识别区域潜在作用进行数据驱动的解释。在本研究中，我们使用BAT对通过主动和被动网络conjunction确定的核心新奇检测进行功能关联解码。使用10,000次排列确定统计学显著性，p< 0.05阈值以确保稳健推断。
2.5 元分析连接建模
我们使用Sleuth v3.0.4和GingerALE v3.0.2进行MACM，以进一步研究新奇检测背后更广泛的任务依赖功能连接。虽然我们的主要ALE荟萃分析明确关注新奇检测研究，但MACM通过利用更广泛的任务态神经影像研究来表征更一般的共同激活 profile。这使我们能够检查共同参与新奇处理的区域是否在不同认知领域形成一个功能连贯的网络。
MACM分析的种子区域源自主动和被动新奇检测ALE conjunction分析得到的显著簇。这些簇反映了两种新奇处理形式共同涉及的区域。为避免由于空间重叠（尤其是在右海马等密集簇区域）导致的冗余，我们仅选择每个簇内具有最高ALE值的峰值坐标。此过程为后续MACM分析产生了七个非重叠种子区域。MACM识别在多个任务态研究中与给定ROI一致共同激活的区域，从而揭示任务依赖的功能连接。与捕捉内在、自发神经波动的静息态连接不同，MACM反映了受控任务条件下的共同激活，提供了跨各种认知情境的区域功能作用的洞见。重要的是，标准的ALE分析——虽然信息丰富——并不能保证区域之间的直接功能连接。例如，两个区域（如A和B）可能出现在同一个ALE图中，仅仅是因为它们都与第三个区域（C）共同激活，而A和B之间没有直接共同激活。MACM通过仅纳入报告在种子ROI本身内激活的研究来解决这一局限性，确保识别出的共同激活反映了与种子区域的直接统计关联。
对于每个种子ROI（定义为以峰值坐标为中心、半径为6 mm的球体），我们使用以下搜索标准查询BrainMap数据库：（1）激活：仅激活；（2）背景：正常映射；（3）受试者诊断：健康对照。提取符合这些标准的研究并在GingerALE中进行分析，应用p< 0.01（未校正）的ALE阈值，最小簇体积为250 mm3。对生成的MACM ALE图进行统计学阈值化并可视化以检查显著的共同激活模式。此程序提供了一种标准化方法来表征ALE峰值在BrainMap数据库中的任务态共同激活 profile。
为了从MACM结果构建功能连接网络模型，我们将节点操作化为从conjunction分析得出的七个峰值ALE坐标。尽管ALE和MACM在体素水平运行，但每个种子ROI（以其峰值体素为中心）出于网络建模目的被视为一个 distinct 节点。对于每对ROI，我们评估一个ROI的MACM是否在另一个的球形ROI内显示出显著共同激活。此分析在两个方向重复进行以评估共同激活的强度和方向性。
使用Bonferroni校正的p值量化节点间的共同激活强度。校正因子应用于所有 pairwise 比较，产生显著性阈值p= 0.00714。基于这些校正后的值，我们构建了一个表示连接结构的邻接矩阵。如果仅在单一方向观察到显著共同激活（例如，ROI A → ROI B），则将边分类为单向；如果两个方向均达到显著性，则为双向。这个元分析网络模型提供了参与新奇处理区域之间功能交互的任务依赖表征。然而，我们强调这种方法不允许推断大脑区域之间的因果关系或方向性影响。
3 结果
在去除重复项后，共识别出602篇论文，在标题和摘要筛选阶段排除了235篇，剩下367篇进行全文筛选。最终有62篇论文被纳入当前荟萃分析。在这62篇论文中并合并相关对比后，识别出66个实验，其中27个实验被分类为主动新奇检测，39个被分类为被动新奇检测。
3.1 一般新奇检测
对66个实验（1041个焦点，1771名受试者）的ALE荟萃分析确定了8个与新奇检测相关的显著簇。右MTL的一个簇涵盖了海马、PHG和丘脑，而左MTL的一个簇延伸至梭状回、PHG和杏仁核。在右侧外侧额叶皮层观察到额外的簇，包括前中央回、IFG、额中回（MFG）和脑岛。在内侧额叶壁识别出一个双侧簇，涵盖了额上回（SFG）和内侧额叶回，并与辅助运动区（SMA）重叠。进一步在右枕中回（MOG）、左STG、左IFG和左脑岛发现了簇。
3.2 主动新奇检测
对27个主动新奇检测实验（330个焦点，992名受试者）的
