Multivariate analysis reveals anatomical correlates of naming errors in primary progressive aphasia

一句话定位：这篇文章不再把"命名得分高低"当成终点，而是把原发性进行性失语（primary progressive aphasia, PPA）患者在波士顿命名测验中犯下的错误类型（漏答、语义错误、上位错误、迂回说法）逐一与脑萎缩模式配对，用多变量方法发现语义错误指向左梭状回中后部与左后中/下回，而漏答指向双侧内侧前颞叶——两条通路在解剖上完全分离。它值得读，在于用"错误分类"这个行为切口，把命名这一复合行为拆成了可定位的子过程，提示/支持，与摘要和讨论的 propose/suggest 对齐。

研究背景

图画命名（picture naming）是 PPA 的核心临床特征，几乎所有患者都有损害，但原因各不相同：命名涉及物体识别、通达语义知识、词汇提取和言语产出等多个环节。此前文献大多把命名障碍与语义变体（semantic variant, SV）的前颞叶（anterior temporal lobe, ATL）萎缩联系起来，认为 ATL 是语义"枢纽"（semantic hub）。但中风失语症研究提示，左半球病灶的大小可能和位置同样重要；Grossman 等在 AD、FTD 等混合病人中发现命名准确率与左外侧颞叶萎缩相关；Amici、Race 等报告左中/下回（MTG/ITG）萎缩与各亚型命名准确率相关，但 Migliaccio 等只在 logopenic 变体（logopenic variant, LV）中观察到这一相关。这些研究几乎都停留在"总分"层面，而且多聚焦 SV 单一亚型。

少数研究刻画过 PPA 的错误类型：语义错误和迂回说法多见于 SV，言语产出错误多见于非流利变体（nonfluent variant, NFV）；SV 的错误回答比正确回答具有更高的典型性指数，反映精细语义知识的丧失（Woollams 等）。缺口在于：不同错误类型各自对应哪些脑区萎缩、这种对应关系是 SV 特有还是跨越全部亚型共享，当时尚不清楚。作者假设，既然命名损害见于所有亚型，部分神经解剖改变应该在重叠皮层区域发生，而错误类型比总分更接近受累的神经机制。

研究思路

作者的总体策略是"行为细分 + 多变量影像"。逻辑链是：命名的失败可以发生在视觉识别、语义通达、词汇提取或言语产出中的任何一环，不同环节的失败会留下不同类型的错误指纹（如把犀牛说成河马是语义错误，"我不知道"是漏答）；因此把错误类型作为行为变量、萎缩图谱作为影像变量做关联，比用总分更能定位机制。作者选择波士顿命名测验（Boston Naming Test, BNT）60 项版本，虽然它被批评取样不够广，但它是 PPA 临床评估的常规工具、有常模、便于跨被试比较。

在影像方法上，作者刻意避开逐体素的单元分析及其多重比较校正问题，改用稀疏典型相关分析（sparse canonical correlation analysis, SCCAN）：先在训练集上以数据驱动方式求出一个把萎缩图与错误百分比最大化相关的稀疏特征向量（其作用相当于对一块被数据界定的区域做加权平均），再把该向量施加于独立的测试集检验预测力。区域范围由数据决定而非先验 ROI，这与病灶研究提示的"病灶大小影响命名"的结论相呼应。同时并行一套传统体素形态学（voxel-based morphometry, VBM）单元分析作为对照。

方法

研究纳入 43 名符合国际共识标准的 PPA 患者（SV 13、NFV 11、混合变体 mixed variant, MV 10、LV 9）和 24 名年龄、性别、教育匹配的健康对照，2010–2019 年间在鲁汶大学医院招募。患者完成 BNT 60 项并录音，43 人中 36 人（83.7%）做完全部条目，其余 7 人完成 15–49 项；测验在患者要求或连续 8 试次无反应时中止。错误依据 Woollams 等为 SV 提出的分类方案从录音中判定：漏答、语义错误（犀牛→"河马"）、上位错误（仙人掌→"植物"）、迂回说法（衣架→"用来挂衣服的"）等，另补充新语症、语音错误、言语产出错误、视觉错误（含部分命名错误）与无关错误以刻画非 SV 亚型；每个试次只记第一个反应，即使自我纠错也不计。行为分析采用百分比错误（错误数除以完成的试次总数）以校正未完成测验的影响，并检验词频（SUBTLEX-NL）、习得年龄、词长等词汇变量的效应。配套神经心理测验包括 MMSE、PALPA 听觉词-图匹配与复述、伯明翰物体识别成套测验、联想语义任务和动物言语流畅性。

所有被试做高分辨率 T1 结构像（29 名患者和全部对照在 3T Philips Intera，14 名患者在 3T Philips Achieva，同一 3D TFE 序列），用 CAT12 工具箱分割，DARTEL 配准到 MNI 模板，归一化体素 1.5 mm，8 mm 高斯核平滑。SCCAN 分析把 43 名患者随机对半分为训练集（n=22）和测试集（n=21），24 名对照作为第二个测试集；灰质图掩膜后有 272,705 个体素，最小簇范围 200 体素；对四种错误类型分别扫描 0.001–0.1 的稀疏度（sparseness），取训练集内行为-影像相关最大者；所得特征向量施加到测试集计算预测分数，与真实错误百分比做单尾 Pearson 相关（预设 p<0.05，四种错误类型不校正多重比较）。年龄、扫描仪类型和颅内总体积（TIV）在所有分析中作为无关变量纳入。随后比较各亚型在特征向量所定义区域内的灰质体积（单因素 ANOVA、与对照的双样本 t 检验）。单元 VBM 采用单尾体素水平未校正 p<0.001、簇水平 FWE 校正 p<0.05。

主要结果

1. 行为层面：命名总分差异不大，但错误类型分布有系统性亚型差异（图 1）。准确率 LV 最高（69.3%，SD 18.1%）、NFV 63.0%、MV 56.2%、SV 最低（47.4%，SD 17.2%），组间差异未达显著（F(3,39)=2.34, p=0.089）。改为：漏答 SV>LV；迂回说法 SV>NFV、SV>MV；上位错误 SV>NFV（均为 Tukey-Kramer 事后比较 p<0.05）；言语产出错误在 NFV 多于 SV（F=4.14, p=0.012）。关键的是，语义错误在亚型间无显著差异（F=1.27, p=0.298）——四个亚型都会犯。病程与准确率负相关（r=-0.455, p=0.002）、与漏答百分比正相关（r=0.432, p=0.004）。词频和习得年龄在所有亚型都预测命名成绩，但词长效应在 LV/NFV/MV 存在、在 SV 缺失。

2. SCCAN：语义错误对应左梭状回中后部与左后 MTG/ITG（图 2A–C，图 3A、C、E）。语义错误百分比与左梭状回中后部萎缩相关（主要为 BA20），还涉及左后 MTG/ITG（主要为 BA37）、枕中回与顶枕裂、左额中回和双侧前扣带皮层（sparseness 0.041，占全体素 4.1%，11,181 体素）。训练集和测试 PPA 集的相关都成立，全部亚型对相关都有贡献；该区域萎缩程度在亚型间无差异（F(3,39)=0.14, p=0.935），每个亚型都显著低于对照；健康老年对照中不存在此相关。

3. SCCAN：漏答对应双侧内侧前颞叶与右侧角回，且与语义错误通路不重叠（图 2D–F，图 3B、D、F）。漏答百分比与双侧内侧 ATL 萎缩相关（延伸至嗅周皮层 perirhinal cortex 和海马旁回，主要为 BA36/BA30），外加右侧角回（sparseness 0.021，5,727 体素）。该区域萎缩存在亚型差异（F(3,39)=7.55, p<0.001），事后检验确认 SV 大于 LV；SV 和 MV 的灰质低于对照。两类错误区域的解剖基础明确分离。对迂回说法和上位错误，SCCAN 未发现神经关联；剔除完成不足 60% 试次的被试后，语义错误结果基本不变，漏答在测试集的相关变弱（p=0.09）。

4. VBM 单元分析复现漏答结果，并为上位错误找到左侧颞上回关联（图 4、图 5）。漏答与左内侧 ATL（MNI -23,-33,-14，kE=6429，Z=4.30，簇水平 PFWE-corr<0.001）和右内侧 ATL（MNI 21,-12,-36，kE=1222，Z=4.05，PFWE-corr=0.022）相关，与多变量结果一致；上位错误与左侧颞上回上部及内侧部（邻近脑岛，MNI -44,-11,-12，kE=1125，Z=3.86，PFWE-corr=0.029，BA48）相关，但该结果高度依赖 2 名高上位错误率的 SV 患者，两处均改为 r=-0.325, p=0.038。VBM 对语义错误与迂回说法未检出显著簇（图 5 中对照同样无相关）。

5. 放宽阈值的 VBM 与 SCCAN 结果互相印证（图 6）。把语义错误的 VBM 阈值放宽到体素未校正 p<0.05（簇阈值 200 体素）后，出现的区域与 SCCAN 特征向量高度相似，另加右侧一些区域；说明两种方法结论一致，只是单元分析在严格阈值下功效不足。

图注解读

图 1 · 各 PPA 亚型的错误分布

原文图注：Fig. 1. Errors across PPA variants. (A) Absolute number of errors per error type. (B) Percent errors per error type. Boxplot shows median and interquartile range. *Between-subtype difference using a post hoc Tukey-Kramer pairwise comparison (p < 0.05). Abbreviations: HC, healthy control; LV, logopenic variant; NFV, nonfluent variant; PPA, primary progressive aphasia; SV, semantic variant.

读法：横轴为错误类型与被试分组，纵轴为错误的绝对数（A）或百分比（B），箱线图给出中位数与四分位距，星号标出 Tukey-Kramer 事后两两比较 p<0.05 的亚型间差异。这张图确立了后文影像分析的行为基础：漏答、迂回说法、上位错误集中在 SV，言语产出错误集中在 NFV，而语义错误在各亚型间水平相当——正是这一"无亚型差异"的语义错误，成为第 2 条结果的关键伏笔。注意"无关错误"全样本只出现两例（一名晚期 NFV 患者），因此被排除出后续分析。

图 2 · SCCAN 特征向量：语义错误与漏答的萎缩图谱

原文图注：Fig. 2. Eigenvectors determined in the training data set for semantic errors and omissions. (A and D) Axial slices at selected MNI z-coordinates. (B and E) Renderings are partly translucent to visualize medial regions. The color bar displays the normalized vector weights. (C and F) Boxplot of average gray matter volume, corrected for TIV, scanner type, and age, in the region defined by the eigenvector. *Indicating gray matter volume in the PPA subtype group is lower compared to the control group (p < 0.05).……

读法：A–C 行对应语义错误，D–F 行对应漏答。A、D 是选定 MNI z 坐标的轴位切片，B、E 是半透明渲染（可看到内侧结构），色标是归一化的向量权重——权重越亮，该体素对行为变量的贡献越大。C、F 把特征向量定义区域内的平均灰质体积（经 TIV、扫描仪类型、年龄校正）按亚型画箱线图：C 中四个亚型一致低于对照且彼此无差异，F 中只有 SV（和 MV）显著低于对照（星号）。这张图直观呈现了双通路分离：语义错误的权重落在左外侧枕颞皮层，漏答的权重落在双侧内侧前颞叶加右角回。

图 3 · 训练集与测试集的预测相关

原文图注：Fig. 3. Correlation between percentage error scores and the predicted scores based on cortical atrophy (Fig. 2) in the training PPA data set (A and B), test PPA data set (C and D), and test elderly control data set (E and F) for semantic errors (A, C, and E) and omissions (B, D, and F).……

读法：六格散点图，横轴是由特征向量从灰质图算出的预测分数，纵轴是实际错误百分比；点按亚型区分。A、C（语义错误）在训练集和测试 PPA 集都应呈正相关，且各亚型的点混杂分布——说明没有哪个亚型单独驱动相关；B、D（漏答）同样成立但 SV 的点更突出（最高点是一名 41% 漏答的 MV 患者）；E、F 在健康老年对照中应无相关。这张图是 SCCAN 结果的"过关检验"：特征向量在未参与训练的独立数据上仍能预测错误率，而对照无相关排除了普通年龄萎缩的混淆。

图 4 · VBM 定位漏答与上位错误

原文图注：Fig. 4. VBM at a threshold of voxel-level uncorrected p < 0.001 and cluster-level FWE-corrected p < 0.05 (Poline et al., 1997) for omissions and superordinate errors. (A and D) Axial slices at selected MNI z-coordinates. (B and E) Renderings. Color bars display t-scores. (C and F) Boxplot of average gray matter volume, corrected for scanner type, TIV, and age, in the regions defined by the VBM analysis. *Indicating gray matter volume in the PPA subtype group is lower compared to the control group (p < 0.05).……

读法：与图 2 平行的单元分析版本。色标此时是 t 分数。A–C 行为漏答：显著簇出现在左、右内侧 ATL（Z=4.30 与 4.05），改为：C 中星号表示 SV、MV 低于对照；SV 与 LV 的亚型间差异由事后检验确认（正文）。D–F 行为上位错误：唯一显著簇在邻近脑岛的左颞上回上部内侧（Z=3.86），F 中同样是 SV 的萎缩更重。这张图支撑第 4 条结果：漏答的多变量发现能被严格阈值的单元分析复现，而上位错误只在此路径下浮现、且依赖个别极端 SV 患者——这是作者承认的局限之一。

图 5 · VBM 区域内的行为相关

原文图注：Fig. 5. Correlation between percentage error scores and mean gray matter volume in the regions of interest calculated from VBM (Fig. 4) for omissions (A and C) and superordinate errors (B and D) in PPA (A and B) and healthy elderly controls (C and D).……

读法：四格散点图，横轴是 VBM 显著簇内的平均灰质体积，纵轴是相应错误百分比；A、B 为 PPA 患者，C、D 为对照。患者组内应呈负相关（萎缩越重、漏答/上位错误越多），其中上位错误的相关主要靠两名 SV 患者撑起（剔除后 r=0.325, p=0.038）；对照组无相关。这张图补上了单元分析的"行为解释力"一环：VBM 找到的区域不只统计显著，也确实随行为变异。

图 6 · 语义错误 VBM 的放宽阈值对照

原文图注：Fig. 6. VBM for semantic errors at a threshold of voxel-level uncorrected p < 0.05 for comparison to Fig. 2B. Color bar displays t-scores. Abbreviation: VBM, voxel-based morphometry.

读法：单幅渲染图，色标为 t 分数，阈值放宽到体素未校正 p<0.05、簇阈值 200 体素，目的是与图 2B 的 SCCAN 语义错误图谱逐区域对照。放宽后浮现的区域与特征向量高度重合（左梭状回中后部、左后 MTG/ITG），另出现若干右侧区域。这张图回答了审稿人必然的疑问：语义错误在严格阈值的 VBM 中缺席，并非两种方法矛盾，而是单元分析在中等样本下功效不足；数据驱动的多变量方法反而更灵敏。

讨论

作者的解释分两层。第一层是机制拆解：左后 MTG/ITG 是语义信息的非模态表征候选区（Devereux 等；Fairhall 和 Caramazza），也被中风、癫痫和功能影像研究提示参与词汇提取；左梭状回中后部则与视觉物体加工有关——对照研究中该区在命名时编码视觉与语义特征，还是电刺激可诱发全面性失语的"基底颞叶语言区"，Forseth 等证明刺激中梭状回只损害语义通达而不影响句子复述。语义错误可由命名通路任一环节的破坏产生，即使语义知识本身完好；本文的贡献在于证明 ATL 之外的皮层萎缩（左梭状回、左后 MTG/ITG）与语义错误相关，且这一关联在全部 PPA 亚型成立、亚型间萎缩无差异——支持"部分与语义错误相关的神经机制跨越 PPA 病谱共享"的结论，并与 Grossman 2004、Ding 2016、Mummery 1999 等形成呼应。第二层是漏答：双侧内侧 ATL（含嗅周皮层）与漏答的关联契合 ATL 语义枢纽的庞大文献，右 ATL 的参与不意外，因为右侧 ATL 也参与视觉物体识别；右角回与 ATL 静息态上属同一网络。作者同时承认：健康对照中不存在相关，可能与天花板效应有关；健康老化中枕颞活动的下降与词提取失败可能涉及别的区域（如脑岛）；样本仅 43 人限制了迂回说法和上位错误的检出；只记第一个反应可能抬高错误率；词汇参数与错误类型的交互可能具有亚型特异性，需要更大样本和 多中心协作。

一句话总结

把命名错误当变量而不是把命名分数当总分，是这篇文章最聪明的一步棋：同一张图谱上，"说不出"和"说错"被分到了两套解剖系统——漏答守在语义枢纽 ATL，语义错误却发生在视觉到语义的通路（梭状回-后颞）上，而且四类 PPA 亚型一律如此。我的理解是，这实际上是在退行性病人身上重演了中风失语文献的教训：定位行为障碍，问"怎么错的"比问"错多少"有信息量得多；当然 43 人的样本让迂回说法和上位错误两个类别基本成了陪跑。