什么是CaSCN分析？

CaSCN（Causal Structural Covariance Network，因果结构协变网络）分析是一种用于分析脑结构变化因果关系的创新方法，通过结合GCA（Granger Causality Analysis，格兰杰因果分析）和SCN（Structural Covariance Network，结构协变网络），探究脑区之间灰质体积（Gray Matter Volume, GMV）变化的因果关系。其核心假设是：若一个脑区的GMV变化能够预测另一个脑区随后的GMV变化，则前者对后者具有因果影响。

（Chen et al., 2020）

CaSCN分析技术核心

动态模拟病程：将被试的脑结构数据（如灰质体积）按病程或人口学信息排序，构建“伪时间序列”，从而推断脑结构变化的时序规律。

GCA分析：利用时间序列预测模型，选定关键脑区作为种子点，判断一个脑区的灰质体积变化是否会导致另一脑区的改变（正向或负向影响）。

网络化解读：生成全脑因果网络图，明确关键枢纽脑区，揭示疾病进展的神经机制。

（Yin et al., 2023）

一区顶刊都在用！CaSCN分析正在成为脑科学研究的"通关密码"

• 《Neurology》(2020, IF=8.4)

运用CaSCN方法，揭示了脊髓小脑共济失调3型(SCA3)患者灰质萎缩从小脑蚓部起始，沿小脑-新纹状体-皮层网络逐步扩展的时空演变规律。

• 《Neuropsychopharmacology》(2020, IF=6.6)

运用CaSCN方法，发现广泛性焦虑障碍患者的灰质萎缩始于膝下前扣带回(sgACC)，并随病程进展逐步扩散至前额叶、岛叶等区域，揭示了sgACC与右侧岛叶相互促进的病理机制。

• 《Journal of Affective Disorders》(2021, IF=4.9)

运用CaSCN方法发现，网络游戏障碍(IGD)严重程度与默认模式网络(DMN)区域灰质体积增加相关，并揭示了DMN与视觉空间注意和奖赏加工区域间结构协变网络的异常连接模式。

为什么CaSCN分析通常很难？

• 数据处理复杂：要求对患者的疾病发展阶段进行严格分期，合并结构数据手动操作易出错。  

• 算法门槛高：GCA分析涉及时间序列建模，需一定的计算机基础，开源工具箱实现难度大

• 多软件切换：数据处理需切换不同工具箱，过程耗时耗力。

脑海科技多模态脑影像云平台：快速搞定CaSCN分析，简化复杂流程更容易上手！

告别开源工具箱的繁琐操作和切换，我们的多模态脑影像数据分析云平台，提供简易式CaSCN分析：  

• 一站式流程：从VBM预处理到因果网络生成，全程无需切换软件，杜绝操作失误

• 智能参数预设：基于多文献推荐经验参数，告别参数试错

• 硬件集群化管理：笔记本也能跑，支持集群化高性能硬件配置，可灵活分配不同运算节点的算力资源，可依托强大的服务器算力同时进行多个数据分析队列的同步运行！

为什么选择脑海科技多模态脑影像云平台？

我们不仅是最好的CaSCN分析工具，还是最全面的脑影像分析平台：  

• 功能像 fMRI：ALFF/ReHo/功能连接，动态因果模型，内在时间尺度，隐马尔可夫模型等分析一键运行  

• 结构像 T1：基于体素的形态学测量，皮层重建+皮质下分割，形态相似网络等分析一键运行

• 弥散像 DTI：VBA、TBSS、确定性/概率性纤维追踪等分析一键运行

• 磁共振波谱(MRS)、定量磁化率成像(QSM) 等序列一键分析

• 多模态融合：结构-功能脑网络耦合等技术，助力更深入的机制研究