本期由南昌大学第一附属医院彭德昌团队舒永强分享 Yingying Wang等人2020年发表在NeuroImage: clinical (影响因子:4.8)的一篇题为:“An fMRI-based neural marker for migraine without aura”的文章。
摘要
背景:先前有关脑功能连通性的研究已经揭示了桥脑卒中(PS)患者的神经生理病理学。但是,这些研究仅关注内在波动的静态特征,而不关注整个扫描过程中的时变效应。在本研究中,我们试图探索使用动态功能网络连接(dFNC)方法的PS的潜在机制。
方法:从58例PS患者和52例健康对照(HC)中收集静息状态功能磁共振成像(fMRI)数据。执行独立分量分析(ICA),滑动窗口方法和k-均值聚类分析以提取不同的功能网络,计算dFNC矩阵并估计不同的动态连接状态。此外,在每个状态的两组之间比较了时间特征,以探索大脑对PS中不同动态连接状态的偏好,并在状态之间比较了全局和局部效率,以探索不同dFNC状态之间拓扑组织的差异。还计算了两组之间临床量表和时间特征之间的相关性。
结果:dFNC分析提示有四个重复状态;在这两种状态中,PS组的持续时间与HC组的持续时间不同。PS患者在稀疏连接状态(状态1)上花费的时间明显更多,其特点是所有大脑网络内部和之间的连接水平相对较低。相比之下,PS患者在高度分离状态(状态2)上花费的时间明显减少,其特征在于主要感知域和较高认知控制域内的阳性连接水平较高,而功能间的负面连接水平较高(FC间)在主要的感知领域和更高的认知控制领域之间。此外,在听觉语言学习测验(RAVLT-L)中,状态2的停留时间与HC组的长期记忆得分呈正相关,而在状态2的停留时间与RAVLT-L得分之间没有相关性。PS组。此外,上述稀疏连接状态和高度分离状态分别在四个状态中具有最高的全局效率和最高的局部效率。
结论:总而言之,我们观察到PS病人在异常大脑中倾向于具有不同网络拓扑结构的动态连接状态,这表明PS的功能异常分离和全脑整合,并证实PS病人的功能网络连接不完善。这些发现为PS患者临床症状的动态神经机制提供了新的证据。
介绍
在脑干梗塞中,脑桥比其他结构更易受伤害,发生率为73.3–81.8%;桥脑结构的损伤可导致偏瘫,构音障碍和吞咽困难,共济失调和其他临床症状,严重影响患者的生活质量。然而,脑桥卒中(PS)患者功能缺陷的机制尚不清楚。需要进一步探索PS患者的神经生理病理过程,以增进我们对临床表现的了解,提高诊断准确性,并为PS患者提供适当的治疗选择。
功能连通性(FC)可以定义为“在不同大脑区域测得的神经生理指标的时间相关性”。在静止状态功能磁共振成像(fMRI)中,血氧水平依赖性(BOLD)信号被视为一种神经生理指标,在静止的大脑中表现出低频自发性波动。与健康对照(HC)患者相比,一些研究探索了PS患者的FC改变。例如,基于种子的早期桥脑梗死分析(SBA)显示,海马/杏仁核和额极中的体素镜像同源连接性(VMHC)增加,并且VMHC与后来的运动评估呈负相关。PS的独立成分分析(ICA)报告说,前默认模式网络的左内侧前额回中的FC减少,后默认模式网络的右前突和右后扣带回皮质,感觉运动网络中的左中扣带回。除了SBA和ICA,研究功能连通性的另一种有前途的技术是图论分析,它为评估大脑网络的整合和分离性质提供了新的视角。但是,据我们所知,很少有研究人员使用这种方法来探索PS患者的大脑拓扑特性,从而忽略了信息传输效率,强调了整个网络或与特定特定网络相关的部分网络上的信息流。此外,上述研究假设FC保持恒定,而没有考虑整个静止状态扫描的时变效应。
最近的研究表明,静止状态FC(rsFC)在扫描采集期间不是静态的而是持续动态的。探索动态FC的最常见方法是滑动窗口技术,其中选择一个时间窗口,然后在整个扫描系列中将其移动固定数量的时间节点。ICA是一种基于盲源分离算法的数据驱动方法。它不需要先验知识即可识别感兴趣的区域,并且可以识别在空间上分离且功能上均一的内在连通性网络(ICN)。滑动窗口方法和ICA的组合可以识别每个加窗BOLD信号的空间图,允许测量ICN之间的动态连接,即动态功能网络连接(dFNC)。事实证明,dFNC方法可捕获静态FNC方法会丢失的有价值的信息,比静态FNC方法具有更高的总体准确性。最近,研究人员发现dFNC可能与人脑中的某些神经生理过程相关,包括衰老过程,想象力和创造力、 自发认知和行为转变。此外,越来越多的研究表明,dFNC的特性可以作为神经精神疾病的独特特征标记。例如,Bhinge等揭示了精神分裂症患者倾向于保持与超连接的大脑网络相对应的状态;朱等发现重度抑郁症患者与执行,默认模式和情感-边缘网络连接的小脑子区域的小脑-大脑动态功能降低;据报道,癫痫患者在所有状态的额叶额叶系统与其他系统之间的dFNC降低。近年来,还见证了图理论分析作为表征dFNC的网络状态的有力工具。例如,发现偏头痛患者在全局和局部dFNC中的信息传递效率都大大降低。此外,当分析dFNC状态的拓扑特性时,与健康对照组相比,重度抑郁症患者的整体和局部效率也有所降低。然而,到目前为止,(据我们所知)很少有研究调查PS患者随时间变化的大脑活动和拓扑特性的异常。
在这项研究中,我们试图研究PS患者随时间变化的大脑活动和拓扑特性的变化。首先,ICA被用来提取每个静止状态网络(RSN)的独立成分(IC)。其次,应用滑动窗口方法和k均值聚类来创建所有RSN的协方差矩阵,并识别重复出现的全脑网络连接状态。随后,使用图论分析来评估每个连接状态的拓扑特性。第三,计算并比较PS和HC组之间dFNC的时间特征(例如重现率,每个状态的停留时间以及所有状态之间的总过渡次数),以及网络拓扑特性的变化(包括全局效率和局部效率)在所有四个状态中进行了评估。第四,我们探讨了具有明显的群体间差异的时态特征与行为评估得分之间的相关性。我们怀疑与HC患者相比,PS患者的时间特征和拓扑特性异常,并且dFNC方法观察到的异常可能与功能障碍有关,从而加深了我们对PS患者神经生理过程的了解。
方法
这项研究评估的样本包括两组的110名参与者,包括52例慢性桥脑卒中患者(28例左侧PS和24例右侧PS)以及58例年龄、性别和教育程度相匹配的HC患者。所有受试者均在郑状态大学第一附属医院和天津医科大学总医院两个医疗中心招募。各个医院的当地医学研究伦理委员会批准了该研究,所有参与者均签署了知情同意书。纳入标准如下:(1)首次发作性缺血性中风;(2)涉及脑桥的局部缺血性梗塞;(3)中风前右利手;(4)PS发作后六个月以上;(5)年龄在40至80岁之间。排除标准如下:(1)复发性中风;(2)过去的其他脑部异常;(3)通过MRI检查确定的其他脑结构损害;(4)酒精或药物依赖史;(5)MRI检查训练或身体状况不佳,可能会影响图像采集;(6)通过T2流体衰减反转恢复(T2 FLAIR)评估时,白质高信号的Fazekas量表得分高于1。
2.2 行为测量
使用Fugl-Meyer测验(FMT)评估运动功能,包括上肢和下肢评分。使用雷伊听觉语言学习测验(RAVLT)评估每个受试者的记忆功能。对于RAVLT,参与者以15个单词/秒的显示速率收听了15个单词,并被要求尽可能多地回忆。重复该过程五次,并将五项召回试验合计为一个分数(RAVLT,RAVLT-S的短期召回分数)。20分钟后,要求参与者尽可能多地回忆上述15个单词(RAVLT,RAVLT-L的长期回忆得分)。
2.3 MR成像数据采集
在两个医疗中心使用相同参数在两个相同类型的扫描仪(Discovery MR750 3.0 Tesla,General Electric,Milwaukee,WI,美国)上收集受试者的所有图像。所有参与者完成了6分钟的静止状态扫描,在此期间,他们被要求安静地躺在扫描仪中,并闭上眼睛。对于每个受试者,使用具有以下参数的梯度回波单次回波平面成像序列获得静止状态的fMRI数据:重复时间(TR)/回波时间(TE)= 2000 ms / 30 ms,厚度= 3.0 mm ,层厚=1.0毫米,视场(FOV)= 240毫米×240毫米,矩阵= 64×64,切片= 38,图层数=180。通过大脑体积获取矢状三维T1加权图像(3D-T1WI)(BRAVO)序列具有以下参数:TR / TE = 8.1 ms / 3.1 ms,厚度= 1.0 mm,无间隙,FOV = 256 mm×256 mm,矩阵= 256×256,层数=176,体素大小= 1毫米×1毫米×1毫米。使用以下参数获取T2 FLAIR图像:TR / TE = 8400 ms / 155 ms,厚度= 5.0 mm,FOV = 240 mm×240 mm,切片= 21。
2.4 功能磁共振成像数据的预处理
在进行数据预处理之前,我们将具有右半球病变的成像数据沿矢状矢状线从右向左翻转。因此,对于所有患者,左侧对应于同侧(受影响的)半球,右侧对应于对侧(未受影响)的半球。病变位置的概率图如图1所示。首先,将3D-T1WI在空间上标准化为标准的蒙特利尔神经病学研究所(MNI)空间(3 mm×3 mm×3 mm)。然后,由经验丰富的神经放射科医生使用MRIcron软件(http:// u / mricro / mricron /)在标准化的3D-T1WI上逐层人工划定病变,此过程产生了病变每个PS患者的掩模。随后,将所有患有PS的患者的病变罩重叠,以获得平均个体病掩模。最后,将平均病变罩盖在标准MNI模板上。使用脑成像数据处理和分析(DPABI; )和SPM8程序(SPM8; )对所有MRI数据进行预处理。。首先,将每个参与者的原始DICOM图像转换为NIFTI格式文件,并删除前10个时间点以确保稳态。其次,通过切片定时校正和运动校正来处理剩余的170个体积,以减少体积之间的位移。最后,使用DARTEL的微形态解剖配准将功能图像空间标准化为MNI空间(3mm×3mm×3mm),并用8mm×8mm×8mm的高斯核进行平滑处理以增加信噪比。为了消除运动对dFNC的影响,在进一步分析之前,排除最大位移大于1.5 mm且最大旋转大于1.5度的参与者。在实践中,没有受试者被排除在外。
2.5 静止状态网络的识别
使用基于盲源分离技术的fMRI Toolbox软件(GIFT版本4.0b;http://)的Group ICA将经过预处理的图像分解为不同的功能网络。ICA分析分三个阶段进行:(a)数据降维,(b)ICA算法的应用,以及(c)每个受试者的反向重建。首先,基于所有可用的fMRI数据(针对PS和HC组),IC的数量由GICA软件自动估算,产生23个组件;然后使用两个阶段的主成分分析(PCA)缩减所有受试者的数据的维数。其次,ICA组是使用infomax算法(Bell和Sejnowski,1995)执行的,以提取每个组件的独立空间图和时程。为了提高分离的稳定性和一致性,使用ICASSO(Himberg等,2004)算法对该分析进行了100次迭代。最后,各个层次的组成部分是通过反向重建获得的(Erhardt et al。,2011)。每个独立组件内的连接强度值由z分数表示,该分数反映了给定体素的时间序列与其对应组件的平均时间序列之间的相关程度。
根据以下标准,在23个IC中,有13个被认为是有意义的:(a)主要位于灰质中的空间图的峰坐标;(b)没有与血管,心室或敏感性伪影的空间重叠;(c)以低频信号为主的时程(频谱中功率低于0.1 Hz至0.15–0.25 Hz的比率);(d)具有高动态范围(最小和最大功率频率之间的范围差异)的时程(Allen等,2014)。这些RSN的位置与以前的研究一致(Smith等,2009;Seeley等,2007)。这些IC的空间图如图2所示。
2.6 时间课程的后处理
在先前的研究之后,我们对被认为有意义的13种IC的时间过程进行了额外的后处理步骤,包括:(a)移除线性,二次和三次下降趋势;(b)回归出六个重新对准参数及其时间导数(沿x,y和z方向以及俯仰,滚动和偏航);(c)0.15Hz的低通滤波;(d)去除尖峰以确保人为尖峰不会对信号分析产生负面影响。最后,我们使用剩余时间过程进行dFNC分析。为了创建静态功能连通性矩阵,使用整个扫描过程中IC之间的后处理时间过程来计算成对的Pearson相关性,然后通过Fisher的z变换将其转换为z值,
2.7 控制头部运动
我们采取以下步骤来最大程度地减少头部运动对dFNC的潜在影响。首先,排除最大位移大于1.5 mm,最大旋转大于1.5度的参与者。其次,使用ICA识别并去除了人工成分,这已被证明可以成功地从fMRI数据中去除与运动相关的噪声(Uddin,2017)。第三,根据选定的IC时程进行发送,基于3Ddespike算法(功能神经影像分析(AFNI)(Cox, 1996年),并用三阶样条拟合这些点以拟合数据的干净部分(Mennigen等人,2019年)。这种方法类似于“擦洗”方法(Power等,2012),其优点是不会消除会破坏时间连续性的图像,这对于dFNC分析至关重要(Nomi等,2017)。先前的研究表明,加标降低了对FC分析的异常影响(Allen等人,2014)。最后,在dFNC处理期间使用六个重新对齐参数将运动从数据中移出。这些策略共同提供了线性和非线性运动减少的有效组合。此外,我们在去除了平均框架位移超过0.5毫米的被摄体之后重复了主要分析,从而确保结果不受头部运动的影响(请参见补充材料3中的详细信息)。
2.8 dFNC计算
在GIFT的dFNC工具箱中使用滑动窗口方法检查了DFNC分析。基于先前研究中使用的技术(Allen等,2014; Damaraju等,2014),我们以1TR的步长选择了一个高斯值为σ= 3 TRs的长度(22 TRs),结果在148个窗口中。对于每个窗口,我们根据正则化逆协方差矩阵估算IC之间的功能连通性;在此分析中,在图形LASSO框架中对L1范数(即精度矩阵的元素的绝对值之和)进行了惩罚,并重复了10次,以促进稀疏性估计。因此,对于每个主题和每个窗口,我们获得了具有78个(13×12/2)边缘的功能连接矩阵,反映了13个IC之间的时变FC。最后,对所有FC矩阵应用Fisher的r-z变换(其中r为Pearson相关系数,z近似为正态分布)以提高相关分布的正态性。
2.9 k均值聚类
K-均值聚类用于检测加窗协方差矩阵的特定FC模式。在此分析中,我们使用平方的欧几里得距离(500次迭代和150次重复)来衡量不同时间窗口之间的相似性(Malhi等人,2019)。最佳的群集数估计为四个(k = 4),使用肘标准作为群集内距离与群集间距离之间的比率计算得出,并显示了四个群集的质心在图4中。
2.10 动态特性分析
我们对dFNC状态的以下时间属性进行了统计评估:(1)每个状态的重复发生率(受试者在每个状态花费的总时间的百分比),(2)每个状态的停留时间(受试者在其中花费的时间)一个给定的状态而无需更改为另一个状态),以及(3)每个主题的状态之间的总转换数(4个连接状态之间所有转换数的汇总)。使用Shapiro-Wilk检验来验证每个状态和每个组的三个指标的高斯性,此后我们使用Mann-Whitney U检验(重复发生率和驻留时间)检验PS和HC组之间时间特性差异的显着性每个状态的时间(总过渡次数)。P值<0.05 [FDR校正]被认为是有意义的。
2.11 图论参数分析
我们应用了图论分析,以使用GRETNA软件()检测每个dFNC状态的拓扑组织。其中将13个IC和IC间关联分别定义为节点和边缘,从而为每个主题和每个状态生成13×13的连通性矩阵。我们应用了稀疏性阈值S(网络中实际边缘数与最大可能边缘数之比)来稀疏所有连接矩阵。由于稀疏值的选择会影响拓扑属性的度量,因此我们将稀疏阈值的范围设置为0.22-0.5,每步为0.01(在GRETNA软件中使用名为gretna_get_rmax.m的代码估计的最小稀疏阈值),以平衡突出的小世界属性和跨对象的大脑功能网络中的适当稀疏度,。只考虑正的连接;大于阈值的边被指定为1,而小于阈值的边被指定为0。结果,生成了无向无权图。对于每个稀疏阈值处的邻接矩阵,我们计算了每个窗口和每个主题的全局和局部网络效率,以探索信息传输的效率。为了避免选择特定的阈值,将曲线下的面积(AUC)方法用于拓扑测量。这种方法已经在以前的研究中被广泛使用。最后,我们使用状态作为因素的Kruskal-Wallis H检验来评估不同状态下网络拓扑的差异。
2.12 分析验证
为了验证结果的稳健性,我们使用了不同的滑动窗口长度和簇数,以验证结果的稳健性(请参阅补充材料1中的详细信息)。附加的滑动窗口长度设置为20 TRs和30 TRs,并且簇数设置为5和6。
2.13 统计分析
2.13.1。两组间临床量表的比较
两次样本t检验用于检测PS和HC组之间的年龄和教育水平差异。皮尔逊卡方检验用于确定PS和HC组之间的性别差异。对于临床变量,使用两次样本t检验来检测PS组和HC组之间RAVLT得分的差异。
2.13.2 脑行为关系
对于每个表现出明显的组间差异的时间特征(Mann-Whitney U检验,p <0.05,FDR校正),我们分别对PS和HC组的时间特征与临床变量之间进行了Spearman相关分析(p <0.05,FDR更正)。临床变量包括FMT和RAVLT。
3. 结果
3.1 人口统计学和临床参数
表1提供了PS和HC组的详细人口统计学和临床数据。对于人口统计学数据,PS和HC组之间在性别方面没有观察到显着差异(x2 = 0.010,p = 0.921,Pearson卡方检验),年龄(t = 1.615,p = 0.109,两样本t检验),受教育年限(t = -1.957,p = 0.053,两样本t检验)。对于临床数据,RAVLT-S(t = -1.032,p = 0.305,两样本t检验)和RAVLT-L(t = -1.380,p = 0.170,两样本t检验)在PS和HC组之间没有观察到显着差异。病变部位的概率图如图1所示。
3.2 静止状态网络的识别
我们从23个IC(图2)中识别出八个静止状态网络(RSN),包括听觉网络(AUN:IC8),视觉网络(VIS:IC4,IC15),感觉运动网络(SMN:IC2,IC18),注意网络(ATN:IC16,IC22),默认模式网络(DMN:IC7,IC19),执行控制网络(ECN:IC5,IC10),凸显网络(SAN:IC9)和小脑网络(CB:IC11)。静态功能网络连接矩阵如图3所示,表示在被试上平均的13个所选IC时间过程之间的所有成对相关性。
3.3 动态功能网络连接状态
使用滑动窗口和k-均值聚类分析评估了八个功能网络的动态相互作用。148个dFNC矩阵被分为4个连通状态,这些状态在整个静止状态fMRI采集过程中以及所有受试者中都反复出现。四个状态的质心如图4所示。状态1占所有窗口的44%,通常以所有RSN内和之间的FNC稀疏为特征。状态2占所有窗口的15%,其特征是主要感知域(AUN,VIS,SMN,ATN)和更高的认知控制域(DMN,ECN,SAN,CB)内的高度积极的局部连接性,在主要的感知领域和更高的认知控制领域之间存在大量的负面FC。状态3占所有窗口的14%,其特征是所有RSN内部和之间的FNC紧密为正,但与其他网络相关的CB中存在负FNC。状态4占所有窗口的27%,其特征是ATN,DMN和ECN之间的紧密正连接。
3.4 功能连接状态的时间特性
表2和图5显示PS组在状态1中的复发率增加(Mann-Whitney U = 1100.5,p = 0.015; pFDR <0.05),并且在状态2中复发率和平均停留时间降低(与HC组相比,对于复发分数,Mann-Whitney U = 1115,p = 0.013;对于停留时间,Mann-Whitney U = 1108,p = 0.012;pFDR <0.05)。
3.5 与临床特性的关系
在进一步分析时间特征与临床特征之间的相关性时,我们发现状态2的停留时间与HC组中的RAVLT-L得分呈正相关(图6a,r=0.323,p = 0.013,校正了FDR),而PS患者的状态2的停留时间与RAVLT-L不相关(图6b,r = -0.005,p = 0.974),表明状态持续时间之间存在脱钩2和PS组中的记忆功能。在时间特征和FMT得分之间未发现明显联系。
3.6 动态图论特性:网络效率
我们计算了每个窗口和每个主题的网络拓扑属性,并比较了各状态之间的全局和局部效率。图7显示了每个dFNC状态下整体效率和局部效率的小提琴图。一般而言,时间动态(跨越4个状态)对整体效率(H = 1306.3,p <0.001,Kruskal-Wallis H检验)和局部效率(H = 1826.1,p <0.001,Kruskal-Wallis H-test)有重大影响测试;请参阅补充材料3)中的详细值,表明功能网络在大脑连接的不同状态下具有不同的信息传输效率。事后检验分析指出,在四个状态中的每个状态中,状态1的全局效率最高,而状态2的局部效率最高。
4 讨论
我们的研究主要使用dFNC方法研究PS患者的异常时变大脑活动和网络拓扑特性。整个大脑网络中的dFNC可以分为四个重复出现的状态。PS患者在状态1中的复发率增加,这在四个状态中显示出最高的全局效率,这表现为所有RSN内和之间的广泛稀疏连接。相比之下,PS患者在状态2中的复发率和停留时间降低,这在四个状态中的每个状态均表现出最高的局部效率,这表现为高度分离的联系,在主要的感知领域和较高的认知范围内紧密联系在一起控制域,而主要的感知控制域和更高的认知控制域之间的FC间紧密相关。此外,在HC组中,发现状态2的停留时间与RAVLT-L得分(评估参与者的记忆功能)之间存在正相关,而在PS中观察到状态2的持续时间与记忆功能之间存在解耦。这些发现表明,PS患者的特征在于连接稀疏的状态的频率较高,而连接分离的状态的频率较低,这表明桥脑梗塞后全脑的功能性分离和整合之间的不平衡。
4.1 PS中的异常时间特征和拓扑属性
4.1.1 状态1的重复发生率增加
状态1的特征是所有RSN内部和之间的FNC稀疏;因此,我们将状态1称为“稀疏连接状态”。先前的研究表明,这种弱连通性可能代表了各种其他状态的平均值,这些状态彼此之间的区别不充分或难以分离。此外,最近的研究表明,这种状态可能与自我参照处理和嗜睡有关。尽管在这种状态下DMN内部存在相对较高的相关性,但研究人员发现DMN内部连接的增加与自我参照处理有关,并且内部高度关注的焦点可能导致DMN连接的增加。综合考虑这些结果,我们推测这种动态状态可能与更多的感知觉意识和降低的警觉性有关。此外,我们发现状态1在所有四个状态中表现出最高的全局效率。整个大脑可以分为不同的大脑区域,形成一个复杂的网络,可以有效地将信息从一个区域传输到另一个区域,这一过程可以称为整合。全局效率是所有节点对之间的平均效率,表明信息在整个网络中的集成效率。更高的全局效率意味着更高程度的网络整合,并且可能反映出健康个体在认知功能上的优势。然而,一项针对年长参与者的研究表明,整体效率的提高与记忆表现的轻微下降有关(Stanley等,2015)。年龄较大的人构成了我们选择的主体的大部分;稀疏连接的状态1可能代表整个大脑网络的广泛破坏;因此,我们假设状态1发生率的增加可能暗示PS患者的记忆功能受损。先前的研究表明,PS患者同时存在同侧和对侧的rubral branches ,以及灰质体积减少和脑血流减少。除了这些观察;我们的研究结果可能为PS患者的功能障碍提供新的线索。就全脑功能网络连接而言。同样的发现也发现患者在稀疏连接状态下的病程更长,这在多种脑部疾病中也有报道,例如抑郁症,精神分裂症,亨廷顿舞蹈病; 和神经纤维瘤病。鉴于上述研究,dFNC中的此类异常可能是不同脑部疾病中类似功能障碍的潜在机制。
4.1.2 状态2的重复率和停留时间减少
状态2的特征是高度分离的连接,在主要的感知域(AUN,VIS,SMN,ATN)以及较高的认知控制域(DMN,ECN,SAN,CB)内显示紧密的正连接,而在FC间则显示负的紧密连接在主要的感知领域和更高的认知控制领域之间;因此,我们将状态2称为“高度分离状态”。在图论分析中,我们发现状态2在四个状态中具有最高的局部效率。本地效率是指本地网络中的信息流,它是整个大脑网络的一部分,并提供功能分离的观点。分离与大脑模块性有关。大脑模块性的更高分离意味着更高的模块化(Bonkhoff等,2020)。先前的研究表明,模块化与健康人的认知功能有关,包括学习能力;认知训练的适应性和正常的大脑衰老。患有阿尔茨海默氏病,精神分裂症等神经精神疾病的患者也可能发生模块性组织异常。外伤性脑损伤和中风发现增加的模块性与中风后患者的更好康复有关。我们的研究观察到PS组中状态2的复发率和停留时间降低。另外,HC组中状态2的停留时间与RAVLT-L正相关,而PS组中状态2的持续时间与记忆功能之间存在解耦。因此,我们推测这种高度分离状态的减少将导致功能分离和模块组织的破坏,进而导致患者记忆力恢复不佳。一个有趣的发现是PS组和HC组之间RAVLT-L的差异并不明显。原因可能是,对于大多数入组患者,卒中后的扫描时间间隔刚刚超过6个月。根据我们的发现,尽管行为评估时患者的记忆功能并未下降,但他们可能存在潜在的记忆障碍风险。我们打算在将来监视这些患者的记忆功能变化。
实际上,整合与分离之间的平衡代表了一个小世界特性,是大脑网络的最佳拓扑,支持紧密连接区域内的专门处理,并促进了不同区域之间的有效信息传输。在回顾先前关于脑血管疾病的研究时,研究人员使用dFNC分析观察了皮层下缺血性血管疾病(SIVD)和急性缺血性中风患者的整合和分离异常。Fu等人发现SIVD患者在弱和分散的动态状态下花费更多的时间,而在高度分离的状态下花费更少的时间;高度分离的状态通过主要感知域和较高认知控制域内的紧密正相关来体现,而主要感知域和较高认知控制域之间的负相关。我们的研究结果与Fu等人的研究结果相似,可能表明分离和整合的改变在脑梗死患者中相对稳定。在其他工作中,根据急性缺血性中风后的运动障碍程度,Bonkhoff等人观察到,中度受影响的患者在连接弱的状态下显示更多的时间,而重度影响的患者则更频繁地过渡到具有区域密集连接的状态,其特征是域内连接非常强,域间连接很强。
中度受影响患者的变化与我们的发现非常相似,但重度患者的变化与我们发现的相反。此现象有两个可能的原因。一种是在两项研究中招募的患者之间的梗塞灶有所不同。先前的研究已经证实,根据梗塞部位的不同,中风患者脑血流量(CBF)和灰质体积(GMV)的变化模式不同,因此我们怀疑PS和其他位置的笔画之间的dFNC也可能有所不同。另一个可能的原因是入组患者处于不同的梗塞阶段。使用动态网络分析已经报告了中风患者急性,亚急性和慢性期的区域时间变异性差异(Hu et al。,2018)。未来的研究将需要调查在患有梗塞期的PS患者中dFNC的组织结构是否不同。总之,既往研究和我们的研究都发现了整合和分离的异常。因此,我们怀疑在稀疏连接状态或高度分离状态下的异常持续时间可能是脑缺血功能障碍的常见特征,这可能是脑血管疾病初步诊断的特定诊断标志。
4.2 验证分析
在验证分析中,我们发现使用各种分析参数(包括滑动窗口长度和聚类数)可以很好地复制我们的结果。这些观察表明,PS患者的异常时态特征和网络拓扑特性是稳定的,这意味着这些参数可以用作神经影像标记,以区分PS患者与健康人。之前的研究人员还验证了使用dFNC获得的结果,证实了dFNC分析的可靠性和可重复性。一个有趣的发现是,当簇数设置为5或6时,与HC组的成员相比,PS患者的总转移数减少了,而在主要人群中,两组之间的总转移数没有显着差异研究(k = 4)。该观察结果表明,随着簇的数量增加,大脑的可变性可能变得更加明显。更大的功能神经变异性可能导致更大的认知和行为灵活性,并且这种灵活性的下降可能导致信息处理能力下降。
5.限制
我们的研究有几个局限性。首先,我们没有研究PS和其他部位的卒中之间dFNC的具体差异,因此不清楚这些异常是所有卒中所共有还是PS所特有的。其次,本研究仅招募了右撇子患者。需要进一步的工作来验证左撇子患者的研究结果。最后,这项研究中使用的行为量表是有限的。应该包括更多对PS患者的神经影像学测量敏感的量表,以证实我们的发现。
结论
在这项研究中,我们基于dFNC分析探索了PS中的时间特征和网络拓扑特性的变化,为PS的病理过程提供了新的视角。发现PS患者在稀疏连接状态下的病程更长,在所有复发状态中的整体效率最高,这可能与记忆力的轻微下降有关。相反,PS患者在高度分离状态下的病程较短,在所有复发状态中的局部效率最高,这可能导致记忆功能恢复较差。综上所述,使用dFNC方法为PS的时变大脑活动和网络特性异常提供了新的证据,表明异常的功能分离和整个大脑的整合,并证实了PS患者的功能网络连接不完善。这些发现可能有助于我们了解PS功能障碍背后的动态神经机制
参考文献:
Wang Y, Wang C, Miao P, Liu J, Wei Y, Wu L, Wang K, Cheng J. An imbalance between functional segregation and integration in patients with pontine stroke: A dynamic functional network connectivity study. Neuroimage Clin. 2020;28:102507.