天生多疑：多模态机器学习揭示的偏执人格特征在网络层面的表现

《Psychiatry Research: Neuroimaging》：Hardwired for suspicion. Network-level markers of paranoid personality traits revealed by multimodal machine-learning

　　亚历山德罗·格雷库奇（Alessandro Grecucci）| 卢多维科·皮佐卡罗（Ludovico Pizzocaro）| 洛伦佐·马内内特（Lorenzo Manente）| 罗多尔福·里齐（Rodolfo Rizzi）| 埃尔登·塔斯基兰（Erdem Taskiran）| 伊雷内·梅西纳（Irene Messina）| 弗朗切斯科·布鲁诺（Francesco Bruno）| 斯特凡诺·德拉盖蒂（Stefano Draghetti）| 马西莫·斯特拉（Massimo Stella）| 尤小平（Xiaoping Yi）
意大利巴里大学教育、心理学与传播科学系（For.Psi.Com）

**摘要**
**背景**：目前关于偏执特质的神经影像学研究仍然有限。现有研究大多依赖于小样本，主要关注分类诊断或短暂的偏执状态，并且分别考察了结构或功能测量。关键在于，大脑结构和内在功能活动对一般人群中偏执人格特质（PPT）的联合贡献及其与其他心理特质的关系尚未明确。

**目的**：本研究旨在通过整合灰质形态和静息态脑活动，在大样本中识别偏执人格特质的网络级神经标志物，以验证与社交和情感功能障碍相关的网络是否能预测PPT。

**方法**
我们采用了一种无监督的多模态数据融合方法（并行ICA），对197名健康个体的灰质浓度和分数ALFF进行了分析。同时，对偏执人格特质进行了维度评估。在补充分析中，我们检验了多模态成分负荷是否能够捕捉到超出人口统计协变量的特质相关变异。

**结果**
分析发现一个包含楔前叶和角回的静息态成分，该成分与默认模式网络部分重叠，并显著关联于偏执人格特质。这一功能成分与包括眶额叶和岛叶区域的灰质成分呈正相关，表明存在结构-功能关联模式。

**结论**：通过联合建模灰质和静息态活动，本研究首次提供了大样本中偏执人格特质网络级标志物的多模态证据。

**1. 引言**
1.1. 偏执人格障碍（PPD）和偏执人格特质（PPT）概述
偏执人格障碍（PPD）被经典定义为一种普遍的不信任和多疑模式，其特征是将他人的良性行为解读为威胁或贬低，以及在社会解释中的持久认知偏差和持续的怨恨（美国精神病学协会，2013年）。这些特征反映了社交认知和情感处理的更广泛脆弱性，表现为对人际威胁的高度警觉性和系统性的负面归因倾向。尽管有正式的诊断定义，PPD仍然是人格病理学中最复杂的概念之一。核心特征如多疑、敌对归因偏差和夸大的威胁监测并不局限于特定诊断类别，而是存在于一般人群中（Lee，2017年；Lüdtke等人，2023年）。这种维度性质挑战了传统的分类框架，并导致在当代人格障碍模型中难以明确定位偏执特征（Lee，2017年；Zarnowski等人，2021年）。流行病学数据进一步支持这一观点，估计其患病率在一般人群中为1.2%-4.4%，在临床样本中上升到2%-10%，在住院精神科环境中高达10%-30%（Lee，2017年）。这种变异性表明，偏执特征可能表现为不同程度的稳定人格倾向，而非离散的病理类别。

1.2. PPD和PPT的神经相关性
从神经生物学的角度来看，尽管PPD具有临床重要性，但相关证据仍然有限。对功能神经影像学文献的系统回顾显示，直接针对PPD的研究存在显著不足，这表明该病症在历史上受到的实证关注较少（Zarnowski等人，2021年）。因此，关于PPD的大部分证据来自精神分裂症谱系障碍的研究，其中偏执观念是一个核心症状维度。在这些临床研究中，研究发现边缘系统和显著性相关回路有显著参与（Pu等人，2012年）。最近的研究使用全脑连接性方法扩展了这些观察结果。张等人（2023年）的一项基于连接组的预测建模研究表明，包括扣带回、岛叶和颞叶皮层在内的边缘-颞网络中的静息态功能连接模式能够稳健预测PPD的严重程度（ρ ≈ 0.68）。值得注意的是，这一预测信号主要由负面预测网络驱动，并与默认模式网络（DMN）的连接部分重叠，表明内在自我参照和情感回路的变化在诊断层面促进了偏执观念的形成。

这些研究表明，无论是将偏执概念化为PPD还是精神分裂症中的偏执观念，都与边缘系统、显著性和颞顶叶网络的功能障碍有关。然而，这些发现主要反映了具有精神病症状、药物效应和慢性疾病轨迹的临床人群。相比之下，很少有研究将偏执视为一般人群中连续表达的维度人格特质。重要的是，当代诊断模型越来越多地支持人格病理学的维度方法，这是由于人格障碍的高度诊断重叠和异质性（Langerbeck等人，2023年）。从神经科学的角度来看，这种维度框架与情感和计算神经科学的进步紧密相关，机器学习和数据驱动的方法能够识别与人格特质个体差异相关的神经标志物（Grecucci等人，2022年；2025年；Langerbeck等人，2023年；Jornkokgoud等人，2023年；2024年）。值得注意的是，偏执人格特质本身具有内在的维度结构，其亚临床表现广泛存在于一般人群中，主要在程度上而非类型上与临床表现不同（Edens等人，2009年；Bebbington等人，2013年）。

迄今为止的研究主要集中在偏执人格障碍的分类分析上。然而，最近的诊断方法倾向于以维度而非分类的方式处理人格问题，以解决人格障碍中常见的诊断重叠问题（Langerbeck等人，2023年）。跨诊断和基于特质的方法开始通过独立于分类诊断来研究偏执观念。范等人（2021年）的一项跨诊断静息态fMRI研究发现，右侧杏仁核与前额叶和前岛叶的超连接是包括健康个体在内的不同诊断组中偏执状态的神经标志。这些连接模式随偏执严重程度的增加而变化，支持偏执观念反映了情感-显著性回路的渐进性改变，而非特定障碍的现象。尽管取得了这些进展，但关于偏执人格特质（PPT）作为稳定倾向特征而非短暂状态的证据仍然不足。区分特质性偏执人格特质（PPT）和状态性偏执非常重要。特质性PPT指的是通过人格问卷评估的相对稳定的个体差异，而状态性偏执则反映了在实验环境中或与急性临床状况相关的短暂、情境依赖的偏执观念波动。本研究特别关注特质性PPT。

1.3. 偏执人格特质的心理相关性
从心理学的角度来看，升高的偏执人格特质也可能与更广泛的不适应人格配置相关，包括核心人格维度（如大五人格特质）的偏差、与奖励处理相关的冲动性改变以及非典型的内在言语体验。特别是，与奖励处理相关的异常冲动模式和更浓缩、图式化的内在对话可能反映了导致多疑、社交退缩和偏见性自我参照处理的认知-情感风格，从而为解释其神经相关性提供了有意义的心理背景。

1.4. 本研究的开放性问题及理由
尽管对偏执特征的神经基础越来越感兴趣，但目前文献中仍存在几个关键空白。首先，大多数神经影像学研究依赖于小样本，主要关注临床人群，限制了统计功效和对偏执人格障碍亚临床表现的普遍性。其次，现有研究大多将PPD视为分类诊断或状态依赖的症状，对一般人群中偏执人格特质作为稳定维度倾向的神经架构了解有限。第三，以往的研究通常单独考察单一模态，要么关注大脑结构，要么关注内在功能活动，尽管有证据表明人格特质源于多个神经层面的相互作用。最后，先前神经发现的心理意义尚未得到充分探索，应将类似特质的偏执人格特征与随压力、睡眠和情境不确定性波动的状态性偏执区分开来。因此，大脑结构和内在功能活动对偏执人格特质的联合贡献至今仍未被探索。

1.5. 研究目的
本研究旨在在一个维度化和多模态框架内识别偏执人格特质的网络级神经标志物，将偏执的神经生物学研究扩展到超出分类诊断和临床样本的范围。为此，我们使用数据驱动的机器学习方法，在一般人群的大样本中联合建模灰质结构和内在静息态活动。我们假设偏执人格特质将与涉及默认模式网络区域（特别是楔前叶和角回）的多模态成分相关，这些成分反映了改变的自我参照和社会推理过程，以及参与威胁监测的显著性相关区域。我们还预测这些神经变化将与异常的人格特质（如更高的神经质和较低的外向性）、改变的奖励相关冲动性以及非典型的内在言语特征相关，从而提供偏执人格特质的综合神经生物学和心理学解释。

**2. 方法**
2.1. 参与者
结构和功能MRI数据以及行为和人格测量数据来自MPI-Leipzig Mind–Brain–Body数据集（OpenNeuro访问号：ds000221；Babayan等人，2019年，2020年）。该数据集包括来自莱比锡马克斯普朗克人类认知与脑科学研究所LEMON和神经解剖学与连接协议项目的318名成年参与者的多模态神经影像学和问卷数据。所有程序均获得莱比锡大学当地伦理委员会的批准，并从所有参与者处获得了书面知情同意。从完整样本中，我们根据完整的结构MRI、静息态fMRI和人格问卷数据的可用性，以及标准质量控制标准，选择了197名健康个体（102名女性；平均年龄=31.94岁，标准差=13.58岁）。参与者需报告良好的总体健康状况，无神经系统疾病、精神疾病或物质滥用史，符合数据集文档要求。

2.2. 问卷
为了评估偏执人格特质及相关心理维度，参与者完成了一系列经过验证的自我报告问卷。人格风格和障碍量表（PSSI）被用作偏执人格特质的主要测量工具。PSSI评估了临床和非临床人群中的不适应人格风格，具有良好的心理测量可靠性和有效性（Kuhl & Kazén，1997年；Wolf等人，2022年）。愤怒的特质和状态方面以及愤怒表达风格使用状态-特质愤怒表达量表（STAXI）进行评估，这是一种广泛验证的测量愤怒相关情感维度的工具（Spielberger，1988年）。内在言语特征使用内在言语多样性问卷（VISQ）进行测量，该问卷捕捉了内在言语的多种现象学方面，并在认知和临床研究中得到广泛应用（McCarthy-Jones & Fernyhough，2011年）。广泛的人格特质使用修订版NEO人格量表（NEO-PI-R）进行评估，这是五因素人格模型的成熟测量工具，广泛应用于人格结构和个体差异研究（Costa & McCrae，1992年）。冲动相关特质使用UPPS冲动行为量表进行评估，该量表测量了冲动的多个方面，包括寻求刺激、积极紧迫感、消极紧迫感、缺乏预先考虑和缺乏毅力（Whiteside & Lynam，2001年）。所有问卷均作为MPI-Leipzig Mind–Brain–Body数据集协议的一部分进行（Babayan等人，2019年，2020年）。

2.3. MRI数据
MRI数据来自MPI-Leipzig Mind–Brain–Body（LEMON）数据集，其中包括在莱比锡大学医院认知神经学日诊所和马克斯普朗克人类认知与脑科学研究所（MPI-CBS）收集的多模态神经影像学数据（Babayan等人，2019年，2020年）。成像数据使用标准化协议获取，旨在支持大脑结构和功能的综合分析。完整数据集包括静息态功能MRI、扩散加权成像和定量T1加权结构MRI。在本研究中，我们特别关注定量T1加权图像和静息态fMRI数据，因为这些模态特别适合研究大脑结构和内在功能活动对人格特质个体差异的联合贡献。此选择与先前关于适应不良人格特质和情感精神病理学的多模态机器学习研究一致，这些研究采用了并行独立成分分析（p-ICA）框架来整合灰质形态和静息态测量（例如，Langerbeck等人，2023年；Khanitin等人，2023年；Atefeh等人，2024年）。定量T1加权成像提供了可靠的灰质浓度和形态变异性的估计，使得能够在网络层面表征与人格特质相关的结构差异。静息态fMRI则捕捉了独立于任务需求的内在脑活动，从而识别出参与自我参照处理、显著性归因和情感调节的大规模功能网络。重要的是，先前的研究表明，静息态测量可以有意义地分解为空间独立的成分，并使用基于成分的融合方法与结构数据整合，支持其在人格和情感特质的多模态分析中的应用。

2.4. MRI数据预处理
结构MRI预处理
定量T1加权图像使用SPM12（英国伦敦Wellcome Trust神经影像中心）中实现的标准化体素基形态测量（VBM）流程进行了预处理，该流程遵循了先前在人格特质和情感精神病理学的多模态数据融合研究中采用的程序（例如，Langerbeck等人，2023年；Khanitin等人，2023年；Atefeh等人，2024年）。首先对结构图像进行视觉检查，以识别伪影和解剖异常。然后使用SPM的统一分割方法将图像分割为灰质（GM）、白质和脑脊液。得到的GM图使用DARTEL高维标准化方法空间归一化到蒙特利尔神经学研究所（MNI）模板空间，以改善受试者间的对齐。为了保留局部体积信息，GM图像通过从标准化过程中得到的雅可比行列式进行了调制。最后，使用8毫米半高宽（FWHM）的高斯核对调制的GM图进行平滑处理，这与先前整合结构和功能模态的并行ICA研究一致。这些预处理的GM图被用作后续多模态分析的结构输入。

静息态fMRI预处理和fALFF提取
静息态fMRI数据使用SPM12和DPABI中实现的标准流程进行了预处理，这与先前将内在功能测量与结构MRI结合在多模态机器学习框架中的工作一致。每个功能运行的第一个体积被丢弃，以便信号平衡。剩余图像经过切片时序和头部运动的校正，表现出过度运动的参与者（平移>2毫米或旋转>2度）被排除在进一步分析之外。功能图像使用从个体T1加权图像中得到的变形场空间归一化到MNI空间，并重采样到标准体素大小。然后进行噪声回归，以减少非神经元来源的方差，包括运动参数、白质和脑脊液信号。数据随后使用6毫米FWHM的高斯核进行空间平滑处理。内在脑活动使用分数ALFF（fALFF）指标进行量化。对于每个体素，时间序列通过快速傅里叶变换转换为频域，fALFF计算为低频范围（0.01–0.08 Hz）内的总幅度以及低频带内的功率与整个可检测频率范围内的总功率之比，提供了一个对生理噪声不敏感的标准化测量。fALFF图在受试者间进行了标准化，并作为多模态数据融合分析的功能输入。

2.5. 数据融合 无监督机器学习
为了研究大脑结构和内在功能活动对偏执人格特质的共同贡献，我们采用了并行独立成分分析（p-ICA），这是一种无监督的多模态数据融合技术，旨在识别不同神经成像模态之间的关联成分（Liu等人，2009年；Calhoun等人，2009年）。p-ICA能够在最大化它们特定于受试者的混合系数相关性的同时，将多个数据集同时分解为空间独立的成分，从而捕捉跨模态的共享方差。在本研究中，p-ICA应用于灰质浓度图和静息态内在活动测量（fALFF），使用MATLAB中实现的Fusion ICA Toolbox（FIT）（Sui等人，2012年），遵循了先前在情感精神病理学和人格特质的多模态研究中采用的程序（例如，Atefeh等人，2025年；Grecucci等人，2025年）。在分析之前，每种模态都被重塑为二维矩阵（受试者×体素），并进行了方差标准化，以确保数据集之间的可比性。使用工具箱中实现的最小描述长度（MDL）标准估计每种模态的独立成分数量。然后执行p-ICA，以提取结构和功能上独立的成分对，其混合系数在受试者间具有最大相关性，反映了关联的多模态脑网络。为了确保分解的稳健性和稳定性，使用ICASSO框架进行了多次随机初始化的p-ICA迭代，共1000次，并根据簇质量指数评估了成分的稳定性。只有那些在多次运行中显示出高稳定性的成分被保留用于后续分析。对于每个保留的成分对，分别提取了灰质和静息态模态的特定于受试者的加载系数。这些系数代表了每个参与者表达相应多模态成分的程度。成分的空间图转换为Z分数，并在Z > 3.5时进行阈值处理以便于可视化，而所有统计分析都是基于加载系数进行的。

2.6. 统计分析
所有统计分析均使用JASP（版本0.19.3）进行，遵循了我们之前关于适应不良人格特质和情感精神病理学的多模态机器学习研究中采用的分析策略。除非另有说明，否则统计显著性设置为p < 0.05（双尾）。为了识别与偏执人格特质相关的神经成分，进行了多元线性回归分析，以PSSI（PSSI_PN）得出的偏执特质分数作为因变量。自变量包括从并行ICA获得的灰质（GM）和静息态（RS）成分的特定于受试者的加载系数。年龄和性别作为协变量包含在所有模型中，以控制它们对大脑结构和功能的已知影响。从完整模型开始，使用AIC作为主要标准进行向后消除程序，根据它们的统计贡献迭代地移除预测因子。这种方法在我们之前的研究中一致使用，允许识别一组简洁的神经成分，同时最小化过拟合和多重共线性效应。为了进一步表征所识别神经成分的心理相关性，使用GM和RS成分加载作为预测变量进行了相关性分析，并将所有可用的心里问卷作为结果变量。

为了评估主要大脑-行为关联的稳健性及其对过拟合的敏感性，我们使用10折交叉验证进行了内部验证分析。具体来说，通过在90%的数据上迭代训练线性回归模型并在剩余的10%的数据上评估它，来测试偏执人格特质与主回归模型中识别的功能成分（fALFF03）之间的关联。然后将跨折叠的预测结果连接起来，计算交叉验证的R2和观察得分与预测得分之间的相关性。此外，还对交叉验证的R2进行了排列测试，使用5000次随机排列的偏执特质分数来估计偶然获得观察到的预测性能的实证概率。作为敏感性分析，我们还检查了同时包括所有九个静息态fALFF成分的模型。为了评估模型选择下的成分稳定性，在每个训练折叠内重复了向后回归，并记录了每个成分在折叠中被保留的频率。

3. 结果
3.1. 并行ICA结果和预测网络
并行独立成分分析（p-ICA）应用于灰质（GM）浓度图和静息态内在活动（fALFF），以识别关联的多模态成分。数据驱动的分解产生了九个独立的静息态fALFF成分和八个独立的灰质成分，每个成分都由空间图和特定于受试者的加载系数表征。提取的成分反映了大脑组织的空间分布模式，而不是局部的区域效应，涵盖了皮层和皮下区域。所有成分在重复分解中显示出良好的稳定性，支持了p-ICA解决方案的稳健性。向后回归程序收敛到一个最终模型，该模型解释了偏执特质方差的适度但显著的比例（R = 0.197，R2 = 0.039，调整后的R2 = 0.034），整体上具有显著的拟合度（F(1,195) = 7.84，p = 0.006）。在最终模型中，fALFF03作为偏执特质的显著预测因子出现（β = 0.197，t = 2.80，p = 0.006），表明该成分内的较高内在静息态活动与较高的偏执人格特质水平相关。截距不显著（p = 0.761）。模型比较指数（AIC和BIC）在向后步骤中逐渐减小，支持模型的简洁性改进。见图1和表1。值得注意的是，稳定性指数显示fALFF03的稳定性为0.996，表明分解结果稳健且可重复。有关每个成分的稳定性指数，请参见补充材料。为了确定哪个结构成分与回归分析中识别的fALFF成分相关，我们进行了fALFF03加载与从并行ICA得到的灰质成分加载之间的皮尔逊相关性分析。这项分析显示了与GM成分GM06的显著正相关（r = 0.234，p < .001），表明fALFF03内的较高内在静息态活动与相应结构成分的灰质表达增加相关。见图2和表2。完整的向后模型选择程序报告在补充表S1中。稳定性指数显示GM06的稳定性为0.791，表明分解结果稳健且可重复。

下载：下载高分辨率图像（406KB）
下载：下载全尺寸图像
图1. fALFF 03的脑图。pICA返回了9个fALFF和8个GM成分。其中，fALFF03与偏执人格特质呈正相关。右上角显示了fALFF 03加载系数与偏执特质之间的正相关关系。特质越高，fALFF越高。
表1. fALFF 03的面积、布罗德曼区域、体积（立方厘米）和随机效应：最大值（x, y, z）
下顶叶 7, 39, 406.2/7.14.0 (-41, -62, 45)/4.0 (41, -57, 47)
上顶叶 72.6/2.43.8 (-36, -64, 45)/3.6 (41, -55, 51)
楔前叶 7, 19, 31, 395.2/4.23.8 (0, -62, 43)/3.5 (3, -67, 43)
角回 391.7/1.13.7 (-43, -67, 37)/3.4 (50, -56, 34)
亚回* 0.4/0.43.4 (-32, -60, 40)/2.4 (34, -74, 33)
边缘上回 402.3/2.43.4 (-52, -51, 36)/3.4 (55, -52, 32)
中央前回 4, 6, 91.3/0.42.9 (-57, -5, 29)/2.7 (57, -3, 21)
上颞回 390.6/0.32.9 (-52, -61, 28)/2.4 (53, -59, 26)
扣带回 310.9/0.42.8 (-4, -42, 35)/2.4 (5, -45, 33)
中间前额回 6, 8, 91.3/0.42.7 (-38, 18, 45)/2.5 (30, 19, 53)
中间颞回 37, 391.0/0.32.6 (-48, -63, 28)/2.4 (37, -74, 22)
上枕回 190.3/0.12.6 (-38, -74, 28)/2.2 (37, -74, 26)
上额回 6, 80.3/0.32.5 (-34, 14, 49)/2.4 (32, 21, 49)
下额回 100.3/0.02.5 (-45, 43, 4)/-999.0 (0, 0, 0)
后中央回 2, 3, 5, 7, 40, 430.6/0.62.4 (-57, -26, 43)/2.5 (59, -29, 41)
内侧前额回 100.2/0.12.2 (-2, 57, 7)/2.1 (3, 55, 9)
后扣带回 230.2/0.12.2 (-4, -50, 25)/2.2 (5, -50, 25)
楔叶* 0.1/0.02.2 (0, -67, 30)/-999.0 (0, 0, 0)
下载：下载高分辨率图像（377KB）
下载：下载全尺寸图像
图2. GM 06的脑图。pICA返回了9个fALFF和8个GM成分。GM 06与fALFF03显著正相关。右上角的图显示了fALFF 03加载系数与GM 06加载系数之间的正相关关系。fALFF 03的值越高，GM 06中的灰质浓度越高。
表2.GM 06. AreaBrodmann区域体积（立方厘米）随机效应：最大值（x, y, z）

- 镰状回-杏仁核：20, 28, 34, 36, 38；4.6/1.7；6.6 (-24, 1, -34)/4.0；(24, 3, -34)
- 上颞回：385.3/5.1；6.3 (-27, 6, -34)/4.3；(22, 6, -32)
- 亚回：39, 47；8.6/10.6；5.8 (-27, 1, -32)/6.0；(33, 17, 23)
- 下降区：0.2/1.4；2.6 (-6, -84, -22)/5.4；(9, -84, -20)
- 舌回：17, 18, 19；0.6/4.7；3.0 (-6, -89, -12)/5.4；(19, -74, 0)
- 中颞回：20, 21, 38；1.0/1.5；4.9 (-33, 7, -38)/3.5；(33, 8, -36)
- 小舌骨：0.1/0.4；2.1 (-6, -79, -33)/4.8；(9, -87, -22)
- 中额回：11, 47；2.7/2.9；3.9 (-27, 30, -17)/4.4；(25, 33, -17)
- 锥体：0.2/0.8；2.4 (-6, -82, -30)/4.3；(6, -81, -25)
- 下额回：11, 13, 25, 47；5.9/4.8；4.0 (-25, 26, -14)/4.0；(28, 30, -17)
- 下颞回：20；0.3/0.2；3.8 (-30, -2, -42)/2.3；(37, -2, -35)
- 上额回：11；0.6/0.9；2.8 (-18, 40, -15)/3.8；(27, 40, -15)
- 钩状回：17, 18；0.0/2.0；-999.0 (0, 0, 0)/3.7；(13, -84, 17)
- 下顶叶小叶：40；0.0/-999.0 (0, 0, 0)/3.7；(36, -35, 38)
- 中枕回：18；0.0/0.4；-999.0 (0, 0, 0)/3.4；(25, -79, 3)
- 核外区：13；0.4/0.4；3.2 (-22, 20, -10)/2.6；(30, 14, 17)
- 舌状回锥体：0.1/0.1；3.0 (0, -79, -28)/2.4；(3, -76, -28)
- 胼胝体下回：11, 47；0.4/0.0；3.0 (-16, 17, -12)/-999.0 (0, 0, 0)
- 内额回：25；0.5/0.0；2.8 (-10, 28, -15)/-999.0 (0, 0, 0)
- 海马旁回：35；0.3/0.2；2.7 (-27, -4, -26)/2.4；(27, 0, -25)
- 轮状回：18；0.1/0.1；2.5 (-18, -90, -14)/2.7；(30, -66, -7)
- 脑桥核：0.3/0.0；2.6 (-16, 14, -10)/-999.0 (0, 0, 0)
- 舌状回下降区：0.0/0.1；-999.0 (0, 0, 0)/2.6；(3, -75, -18)
- 下枕回：0.0/0.1；-999.0 (0, 0, 0)/2.5；(34, -73, -5)
- 上缘回：40；0.2/0.1；2.4 (-36, -45, 34)/2.2；(39, -38, 32)
- 前扣带回：0.2/0.0；2.4 (-19, 41, -6)/-999.0 (0, 0, 0)
- 额后回：0.0/0.1；-999.0 (0, 0, 0)/2.0 (42, -29, 37)
- 眶回：0.1/0.0；2.0 (-16, 31, -23)/-999.0 (0, 0, 0)

为了评估模型的稳健性，我们对fALFF03与偏执人格特征之间的关联进行了10折交叉验证分析。分析结果显示，这种关联在样本外仍然可以检测到，交叉验证的R2值为0.021。此外，观察到的偏执特质得分与预测得分之间的相关性显著（r = 0.152，p = 0.033），并且fALFF03的回归系数在各折中保持稳定（平均β = 15.29，SD = 1.90）。基于交叉验证的R2值的排列测试（5000次排列）进一步确认了观察到的预测性能超过了随机水平（经验p = 0.007）。作为敏感性分析，我们还测试了一个同时包含所有九个fALFF组分的模型。尽管这个完整模型在样本内解释的方差略高，但其样本外的性能较差（交叉验证的R2 = -0.036），表明可能存在过拟合。一致地，当在训练折中重复进行向后模型选择时，fALFF03在所有折中都被保留，而其他组分的选择则不一致。这些发现支持fALFF03作为偏执人格特征的主要功能预测因子的相对稳定性。见图3A。

下载：下载高分辨率图像（597KB）
下载：下载全尺寸图像

图3. 静息态组分与偏执人格特征关联的稳健性分析。(A) 左图显示了使用向后AIC回归在10个折中中每个fALFF组分的选取频率。fALFF03在所有折中中都是一致被选中的，而其他组分则只是偶尔被选中，表明其作为主要预测因子的稳定性。右图显示了fALFF03模型的交叉验证R2值的排列分布。观察到的交叉验证R2值（0.021）超过了零分布（经验p = 0.006），支持非随机关联。(B) 上图显示了原始数据和合成数据之间的分布重叠，确认了偏执特质（PSSI_PN）和fALFF03的经验分布的保持。下图在增强数据集（+50%合成观测值）上重复了稳健性分析。fALFF03在所有折中中仍然是一致被选中的，交叉验证的R2值（= 0.027）高于随机水平（经验p = 0.001），确认了在增加样本变异性下的关联稳定性。

为了进一步评估观察到的大脑-行为关联的稳定性，我们使用了一个保持分布的合成数据集进行了额外的压力测试分析。具体来说，根据所有变量的经验均值向量和协方差矩阵（偏执特质和九个fALFF组分），从原始数据中估计了一个多元正态模型。基于这个模型，我们生成了一个相当于原始样本大小50%的额外合成样本，从而在增加样本变异性的同时保持了数据集的协方差结构。然后将原始数据集和合成数据集合并，并应用了相同的分析流程。结果显示，fALFF03与偏执人格特征之间的关联仍然高度一致。样本内的效应大小得到了保持（R2 = 0.039），样本外的性能略有提高（交叉验证的R2 = 0.027），排列测试确认了这种关联超过了随机水平（经验p = 0.001）。这些发现表明观察到的关联在结构上是稳定的，并且不依赖于特定的样本配置，同时也确认了效应大小是适度的。见图3B。

3.2. 神经组分与心理测量之间的相关性

为了进一步表征神经组分的心理相关性，对fALFF03和GM06与一系列心理测量进行了相关性分析。为了考虑多重比较，使用错误发现率（FDR）程序（Benjamini–Hochberg）调整了p值。对于静息态组分fALFF03，在未校正的水平上出现了一些一致的相关性。特别是，fALFF03与外向性（ρ = -0.183，p = 0.010，q = 0.063）、寻求刺激（ρ = -0.178，p = 0.013，q = 0.062）和积极紧迫感（ρ = -0.208，p = 0.004，q = 0.076）呈负相关，以及与自我控制（ρ = 0.117，p = 0.103，q > 0.10）呈正相关。然而，这些关联在FDR校正后都没有通过（所有q值 > 0.05）。相比之下，灰质组分GM06与外向性呈显著的负相关（ρ = -0.244，p < 0.001，q = 0.019），并且在FDR校正后仍然显著。其他心理变量在校正后没有与该组分显示出显著的相关性（所有q值 > 0.10）。总体而言，这些发现表明神经变异性与人格特质之间存在适度且部分选择性的关系，静息态功能模式与奖励相关的冲动性和社交参与度有趋势级别的关联，而结构变异性与外向性的降低有更具体的联系。

4. 讨论

本研究旨在在一个维度化和多模态框架内识别偏执人格特征的神经网络级标记，将先前的神经影像学研究扩展到超出分类诊断和单一模态的方法。通过在大规模非临床样本中联合建模灰质形态和内在静息态活动，我们提供了证据，表明偏执人格特征是由一个协调的结构-功能大脑架构支持的。具体来说，一个以后默认模式区域（包括钩状回和角回）内在活动增加为特征的静息态网络，作为偏执特质严重程度的显著预测因子。值得注意的是，该功能组分解释的方差是适度的（调整后的R2 ≈ 0.034），这与大脑-行为关联研究中典型的小效应大小一致。额外的内部验证分析表明，这种关联在样本外仍然可以检测到，并且在排列测试中超过了随机水平，尽管其幅度仍然适度。这种模式表明，这种效应不太可能是样本特有的，同时也表明在个体层面上的预测能力有限。

因此，目前的发现应被视为与特质相关的网络级相关性的证据，而不是作为个体层面上的临床可操作的预测生物标志物。这种功能模式与包含眶额叶和岛叶区域的灰质组分在结构上耦合，表明这是一种多模态配置，而不仅仅是孤立的功能或结构效应。

4.1. 钩状回和角回作为PPT的主要预测因子

结果显示，fALFF3组分与PPT显著相关。特别是，参与默认模式网络（DMN）的区域，如钩状回，其功能似乎与PPT的特征有关。将意图归因于他人以及一般的心智理论功能与DMN和钩状回有关，后者是其核心枢纽之一（Dadario & Sughrue, 2023）。在偏执型人格障碍（PPD）和一般的人格障碍中，心智理论的缺陷是一个心理特征（Lampron et al., 2024）。具体来说，心智理论的缺陷与对抗性特质和准确推断他人心理状态的困难有关，导致在人际关系中的多疑。此外，角回和钩状回还负责在PPT的情况下对他人意图的恶意归因。许多研究表明，具有偏执特质的人倾向于将他人的意图解读为恶意的，高估其负面影响，尤其是在模棱两可的情况下（Horita, 2021）。在这方面，已经表明，在PPD患者中，感知恶意意图的偏见与偏执有关（Morrison & Cohen, 2014）。另一项支持意图归因和心智理论在PPD患者中作用的证据来自一项最近的综述。结果显示，不信任和多疑是所有A型障碍的共同特征，以及难以读取他人的心理状态。在更严重的形式中，这些特征在PPD中尤为明显（Freeman and Loe, 2023）。

4.2. 联合的岛叶-眶额叶-颞叶网络

主要包含眶额叶和岛叶区域的灰质组分GM06，为与偏执人格特征相关的功能默认模式改变提供了重要的结构补充。虽然之前的偏执神经影像学研究主要集中在静息态连接性或内在活动上，强调了临床偏执和偏执人格障碍中的边缘系统、颞叶和默认模式回路（Pu et al., 2012; Zhang et al., 2023; Fan et al., 2021），但目前的发现强调了支持情感评估、内感受意识和显著性整合的区域内的结构组织的相关性。眶额叶皮层（OFC）在编码社会刺激的情感和动机价值以及更新关于他人意图的预测中起着关键作用，而岛叶在内感受和信号内部和外部事件的主观相关性中起着核心作用。这个眶额叶-岛叶系统内的结构改变与情感失调、威胁敏感性增强和适应不良的信念更新有关，这些过程是偏执认知的核心。与这种解释一致，来自情感神经科学的综合证据表明，OFC-岛叶网络的异常有助于偏执认知中的情感评估偏差和僵化的评价风格。在边缘型和自恋型人格特质的研究中，已经显示眶额叶和岛叶区域的灰质变化与情感失调、负面情感增强和适应不良的自我参照处理有关（Grecucci et al., 2022; Jornkokgoud et al., 2023; Ahmadi et al., 2023）。类似地，对情感障碍的多模态研究表明，这些区域的结构改变与内在功能活动和心理脆弱性共变，支持OFC-岛叶网络作为将情感状态与高级认知过程连接的结构枢纽的观点（Atefeh et al., 2025）。

在偏执的特定背景下，先前的工作强调了岛叶和前扣带回皮层作为支持夸大威胁监测和对模糊刺激的异常归因的显著性相关系统的角色（Pu et al., 2012; Zarnowski et al., 2021）。当前的结果通过证明眶额叶-岛叶区域的结构差异与一般人群中表达的偏执特质维度相关，独立于精神病症状或分类诊断，扩展了这些发现。重要的是，GM06与DMN相关功能组分fALFF03之间的显著耦合表明，情感-显著性结构可能与后部自我参照网络相互作用，共同导致对社会信息的怀疑和威胁偏向的解释。GM06的心理学相关性进一步支持了这一解释。该组分内的较高灰质表达与较低的外向性相关，描绘了一个以减少社交参与为特征的轮廓。这种模式与元分析证据一致，表明外向性与偏执人格障碍之间存在负相关（Samuel & Widiger, 2008），并将外向性概念化为影响情感和社会处理的多维特质（DeYoung & Krueger, 2018）。从神经生物学的角度来看，外向性的降低与奖励相关和社会动机系统的改变有关，这可能增加对社交退缩和基于威胁的社交线索解释的脆弱性（Hyatt et al., 2020）。

值得注意的是，这个结构组分与DMN相关功能网络相比显示出部分不同的心理特征，表明情感脆弱性的结构基础与自我参照推断的功能基础之间存在分离。总体而言，这些发现支持了一个模型，即偏执人格特质源于情感评估系统与自我聚焦推断过程之间的相互作用，而不是来自单一神经系统的孤立功能障碍。

5. 局限性

尽管本研究具有优势，但也存在一些局限性。首先，分析仅关注了灰质形态和静息态内在活动，没有包括白质微结构测量。虽然这种选择允许对结构-功能耦合进行有针对性的研究，但它并不能完全捕捉大脑连接性的复杂性。重要的是，先前的研究表明，仅使用全局磁共振（GM）和静息状态测量方法就可以可靠地检测到与特质相关的神经模式，这表明当前的结果仍然具有信息价值和理论意义。尽管如此，未来的研究可能会从结合基于扩散的指标（例如，DTI）中受益，以进一步表征白质通路对偏执人格特质的贡献。其次，尽管本研究中使用的样本量相对于大多数先前的偏执特质神经影像学研究来说相对较大，但更大的样本量可能会进一步提高统计功效和普遍性，特别是对于检测大脑-行为关联中的小效应量（Marek等人，2022年）。尽管如此，跨多模态和机器学习分析识别出的网络级模式的一致性支持了当前发现的稳健性。未来的大规模或多站点研究可能会在此基础上改进效应估计并提高预测准确性。重要的是，当前的方法能够识别与特质相关的多模态成分。然而，成分估计和模型选择程序（例如，向后回归）可能会引入不稳定性。未来的工作应优先考虑预注册的流程和交叉验证的正则化回归，以评估成分-特质关联的稳健性。此外，预测分析应在严格的外部样本中进行评估，理想情况下是在独立的队列中进行，以量化普遍性并减轻站点和流程特定的效应。另一个限制是关于偏执人格特质的评估，它依赖于单一的自我报告测量。虽然所使用的工具经过了充分验证，并在临床和非临床人群中广泛使用，但自我报告方法可能无法完全捕捉到偏执特征的异质性或情境变异性。尽管如此，维度自我报告测量特别适合于检测一般人群中的稳定人格特质，这与本研究的目标一致。未来的研究可以采用多方法评估策略，包括结构化临床访谈、信息提供者报告或生态瞬时评估，以进一步区分偏执的特质性和情境依赖性成分。来自临床人群的数据可能会提供额外的帮助，以进一步区分这些成分。需要强调的是，当前发现指的是偏执特质，而不是偏执或其他偏执表现。特质PPT指的是个体在多疑和不信任方面的相对稳定差异，通常通过人格问卷进行评估。相比之下，状态偏执反映了偏执思维的短暂、情境依赖性的波动，通常在实验环境中引发或与急性临床状况相关。本研究特别关注特质PPT，而先前研究状态偏执的内容仅用于提供背景信息，不应直接等同于特质PPT。未来的研究可能希望将这些方法扩展到其他形式的偏执。另一个限制是神经测量与偏执人格特质之间的关联效应量较小。尽管在统计上稳健，但解释的方差仍然有限，这表明识别的神经模式仅捕捉到了部分潜在的变异性。然而，这与人格特质的多因素和分布式特性是一致的，这些特质可能受到神经、心理和环境因素复杂相互作用的影响。结合多模态成像、纵向设计和更丰富的行为特征描述的未来研究可能有助于更好地捕捉这种变异性。最后，本研究的横断面设计排除了关于神经网络与偏执人格特质之间发展轨迹或因果关系的推断。纵向研究对于确定所识别的多模态网络是否代表风险标志物、补偿机制或生命周期中的稳定神经生物学特质至关重要。

数据可用性声明
本研究中的分析是在公开可访问的数据集上进行的。所使用的数据来自UCLA神经精神现象组学联盟，存储在OpenNeuro存储库中，访问号为ds000221。详见https://openneuro.org/datasets/ds000221/versions/00002。

伦理声明
请参考存储在OpenNeuro存储库中的UCLA神经精神现象组学联盟，访问号为ds000221。

资金支持
本研究未使用任何资金支持。

作者贡献
RR、ET预处理了数据；AG、LM、LP构思了研究，运行了所有分析并撰写了论文；FB、ET、IM、MS、RR、SD、XY构思了研究，监督了研究并修订了手稿。

资助
本研究未使用任何资助。

未引用的参考文献
Himberg等人，2004年；Li等人，2007年

CRedI作者贡献声明
Alessandro Grecucci：撰写——审阅与编辑、撰写——初稿、可视化、方法论、正式分析、数据管理、概念化。
Ludovico Pizzocaro：撰写——审阅与编辑、撰写——初稿、正式分析、数据管理。
Lorenzo Manente：撰写——审阅与编辑、撰写——初稿、正式分析、数据管理、概念化。
Rodolfo Rizzi：撰写——审阅与编辑、正式分析、数据管理、概念化。
Erdem Taskiran：撰写——审阅与编辑、正式分析。
Irene Messina：撰写——审阅与编辑、撰写——初稿、概念化。
Francesco Bruno：撰写——审阅与编辑、概念化。
Stefano Draghetti：撰写——审阅与编辑、概念化。
Massimo Stella：撰写——审阅与编辑、撰写——初稿、概念化。
Xiaoping Yi：撰写——审阅与编辑、撰写——初稿、概念化。