基于獨立成分分析的終末期腎病患者靜態及動態功能網絡連接研究

張諜,陳影影,沈晶,都麗娜,謝青,敬麗,林琳,伍建林

靜息態功能磁共振成像(resting-state functional magnetic resonance imaging,rs-fMRI)技術是一種能夠探索ESRD相關神經病理損傷機制的重要工具[3,4]。既往研究多基于局部腦活動或廣泛體素的功能連接進行分析,未能進一步揭示大腦功能網絡水平的交互特點及動態變化屬性。近年來,越來越多的研究使用獨立成分分析(independent component analysis,ICA)聯合靜息態功能網絡連接(functional network connectivity,FNC)的分析方法深入研究大腦靜態FNC(static FNC,sFNC)及動態FNC(dynamic FNC,dFNC)的特點,為疾病的診斷、發病機制提供了重要的神經網絡基礎[5,6]。本研究利用ICA聯合FNC分析研究ESRD患者sFNC及dFNC的變化特點,旨在深入探索ESRD患者的神經病理損害機制。

材料與方法

1．臨床資料

本院透析中心收集符合ESRD診斷的患者33例,所有患者均行維持性血液透析治療(每周3～4次,透析史均在3個月以上)。同期收集性別、年齡、受教育年限相匹配的健康對照組(healthy control,HC)34例。納入標準:①右利手;②18～70歲;③能夠獨立完成神經心理測試者;④無藥物濫用或酒精依賴史;⑤無嚴重的心衰和肝臟疾病;⑥無MRI掃描禁忌癥;⑦無精神病史或家族精神病史。排除標準:①常規T2-FLARI及T1高分辨率圖像證實腦內存在嚴重器質性病變(如腦腫瘤、外傷、梗死、手術等);②嚴重頭動:平移頭動>2 mm及轉動>2°,或平均幀向位移>0.5 mm。本研究經本院倫理委員會批準。所有受試者均簽署書面知情同意書。

2．MRI檢查

所有受試者均采用配有12通道頭線圈的Siemens Verio 3.0T 磁共振掃描儀進行檢查。掃描參數: fMRI:TR 2000 ms,TE 30 ms, 翻轉角90°,視野224 mm×224 mm,層數31,層厚3.5 mm,共采集240個時間點;高分辨率T1WI:TR 2530 ms,TE 2.22 ms, 翻轉角7°, 視野224 mm×224 mm,層數192,層厚1 mm;T2-FLAIR序列:TR 4000 ms,TE 77 ms, 翻轉角150°,視野250 mm×226 mm,層數20,層厚5.0 mm。

3．神經心理測試

使用中文版蒙特利爾認知量表(Montreal cognitive assessment,MoCA)[7]、連線追蹤測試A(trail making test A,TMT-A)[8]、數字廣度測試(digital span task,DST)分別評估整體認知、執行及短時記憶功能[9,10]。抑郁自評量表(self-rating depression scale,SDS)和焦慮自評量表(self-rating anxiety scale,SAS)用于評估抑郁和焦慮狀態[11,12]。

4．數據分析

采用基于MATLAB平臺開發的DPARSFA軟件進行數據預處理:①移除前10個時間點,保留剩余的230個時間點的數據;②對剩余的數據進行時間層和頭動校正;③采用DARTEL算法將高分辨率T1圖像分割為白質、灰質和腦脊液[13]。然后利用分割后的結構像數據將功能像數據配準到標準的MNI空間中;④半高全寬為8 mm的高斯核進行平滑。

將所有預處理后的數據輸入到GIFT軟件(GIFT v3.0b;http://icatb.sourceforge.net)中進行組獨立成分分析(group ICA)。首先,基于最小描述長度(minimum description length,MDL)策略確定最小獨立成分(independent component,IC)數目[14],再采用主成分分析的方法進行數據降維,然后使用infomax算法進行ICA,最終獲得25個IC。根據下列標準從25個IC中選擇有效的靜息態功能網絡[15-17]:①峰值坐標主要位于灰質;②與血管、腦室、腦邊緣區域、運動及偽影的重合度低;③時間序列信號強度以低頻為主(<0.01 Hz);④相對大的信號波動范圍:信號波動范圍指低頻(<0.01 Hz)信號峰值與高頻(0.15～0.25 Hz)信號峰值的比值。最后,參考靜息態功能網絡空間分布[18-20],選擇有效的IC用于后續分析。

使用GIFT軟件中的MANCOVA模塊比較網絡間sFNC的差異:①數據處理[21],使用過濾范圍為0.00～0.25 Hz的帶通濾波器對篩選后的IC的時間序列進行降噪、去趨勢、去峰值及回歸頭動參數;②計算每個IC間時間序列的Pearson相關系數,得到Pearson相關矩陣,再將該Pearson相關矩陣進行Fisher’s Z變換得到轉換后的相關矩陣,即sFNC矩陣;③以性別、年齡及受教育年限作為協變量,比較兩組sFNC強度的組間差異[P<0.05,錯誤發現率(false discovery rate,FDR)校正]。

表1 臨床資料和神經心理測試

本研究使用滑動時間窗的策略進行dFNC分析,具體包括:①計算dFNC矩陣,時間滑動的窗寬設置為22個TR(44 s),移動步長為1個TR(2 s),以sigma為3個TR的高斯進行卷積處理。再以年齡、性別、受教育年限和頭動參數為協變量,構建每個時間窗的L1正則化精度矩陣[22],最后,將上述矩陣進行Fisher’s Z變換得到轉換后的FNC矩陣,即dFNC矩陣;②評估dFNC狀態:利用k-means的聚類分析將67例受試者所有dFNC矩陣劃分為不同的功能連接狀態,肘部法[5,23,24]用于選擇最佳聚類個數k;③比較不同狀態下組間dFNC強度的差異(P<0.05,FDR校正);④計算基于dFNC的時間屬性參數:平均駐留時間(某一狀態下連續出現的窗口數的平均值)、時間分數(每個狀態所占據總時間的百分比)及狀態轉換次數(不同狀態間的轉換總次數)。

《兒子與情人》主要描寫了主人公保羅和他的母親莫瑞爾太太、他的初戀情人米麗安以及情人克拉拉三個女人之間的情感糾葛。其中，保羅與后兩者的戀愛故事，充分展現了勞倫斯對人類兩性之間的精神之愛與肉體之愛的深刻思索。

5．統計學分析

采用GIFT軟件的統計模塊或R 軟件(version 3.6.1,http://www.rproject.org)進行統計學分析。性別比例采用百分比表示,組間比較采用卡方檢驗。符合正態分布的連續變量采用均值±標準差表示,組間比較采用獨立樣本t檢驗;非正態分布的連續變量用中位數(四分位間距)表示,組間比較采用Mann-WhitneyU檢驗。以性別、年齡及受教育年限作為協變量,將組間差異有統計學意義的sFNC和dFNC與神經心理評分進行偏相關分析,此外還將所有dFNC相關的時間屬性參數與神經心理評分進行偏相關分析。以P<0.05(雙尾)為差異具有統計學意義。

結 果

1．一般臨床資料

患者組與對照組性別、年齡、受教育年限、頭動參數(平均幀向位移)差異均無統計學意義(P均>0.05,表1)。與健康對照組相比,ESRD患者具有即更低的MoCA和DST評分、更高的TMT-A時間,表明ESRD具有更低的認知水平,同時ESRD患者具有更高的SAS和SDS評分(P均<0.05),見表1。

2．有效的IC

根據標準最終從25個IC中篩選出12有效的IC代表不同的靜息態功能網絡(圖1):聽覺網絡(auditory network,AN;IC 6)、凸顯網絡(salience network,SN;IC 13)、視覺網絡(visual network,VN;IC 3,IC 22)、感覺運動網絡(sensorimotor network,SMN;IC 15,IC 19)、執行控制網絡(executive control network,ECN;IC 16,IC 21)及默認網絡(default mode network,DMN;IC 7,IC 9,IC 20,IC 24)。

3．sFNC分析

ESRD組ECN(IC 21)與SMN(IC 19)的sFNC強度顯著高于HC組(P<0.05,FDR校正),見圖2a、表2。

4．dFNC分析

本研究利用k-means聚類分析發現4種高度結構化、反復出現的功能連接狀態(圖3)。

在所有狀態下,dFCN強度差異均無統計學意義(P均>0.05,FDR校正)。ESRD患者組狀態3的時間分數和平均駐留時間顯著低于健康對照組(P<0.05,圖4),兩組間其余不同狀態下的時間屬性參數差異均無統計學意義(P均>0.05,表2)。

5．相關性分析

ECN(IC 21)與SMN(IC 19)的sFNC強度與TMT-A評分(執行功能評分)呈顯著正相關(r=0.429,P=0.018,圖2b)。狀態2的時間分數(r=0.503,P=0.005)和平均駐留時間(r=0.412,P=0.024)與TMT-A評分呈顯著正相關(圖5a、b)。狀態4的時間分數與SAS評分呈顯著負相關(r=-0.372,P=0.043,圖5c)。

圖1 基于獨立成分分析的靜息態功能網絡的空間成分圖。12個有效的IC,分別屬于聽覺網絡(AN:IC 6)、凸顯網絡(SN:IC 13)、視覺網絡(VN:IC 3,IC 22)、感覺運動網絡(SMN:IC 15,IC 19)、執行控制網絡(ECN:IC 16,IC 21)及默認網絡(DMN:IC 7,IC 9,IC 20,IC 24)。

表2 靜態及動態功能網絡連接相關參數的差異

討 論

1．本研究的主要發現

本研究對ESRD患者大腦靜態及動態的功能網絡連接特點進行了初步探索,主要發現:①ESRD組ECN與SMN的sFNC強度高于健康對照組,而且與執行功能(即TMT-A)評分呈顯著正相關;②ESRD組狀態3的時間分數和平均駐留時間低于健康對照組,而且狀態2的時間分數和平均駐留時間與執行功能評分呈顯著相關、狀態4的時間分數與焦慮評分呈顯著相關。

2．sFNC和dFNC聯合分析的價值

靜態連接屬于長時間跨度的連接模式,反映了大腦網絡的相對穩定功能狀態。而動態連接模式揭示了網絡活動的時依變化特性,反映了大腦的適應性和動態性。本研究結果顯示,在ESRD患者中,ECN(IC 21)與SMN(IC 19)之間的靜態連接(sFNC)明顯高于健康對照組。然而,在動態連接分析(dFNC)中,研究并沒有發現相似腦連接變化。但dFNC分析發現了時間屬性參數存在顯著組間差異,這表明動態連接分析能夠提供關于ESRD患者腦網絡活動的時變信息,進一步加深了對患者神經病理損害機制的認識。

圖2 靜態功能網絡連接(sFNC)強度的組間比較及相關性分析。a)患者組ECN(IC 21)與SMN(IC 19)的sFNC強度顯著高于健康對照組(P<0.05,FDR 校正);b)TMT-A時間(執行功能評分)與sFNC強度呈顯著正相關。

圖3 聚類分析得到的網絡狀態質心圖。4種連接狀態的質心圖,顏色表示動態功能網絡連接強度的大小,縱軸字母表示對應的靜息態功能網絡,數字表示獨立成分的序號。本研究納入67名受試者,總共構建了13400個動態功能網絡連接矩陣。a)狀態1占37% (4925);b)狀態2占22%(2973);c)狀態3占16%(2182);d)狀態4占25%(3320)。AN表示聽覺網絡、SN表示凸顯網絡、VN表示視覺網絡、SMN表示感覺運動網絡、ECN表示執行控制網絡DMN及表示默認網絡。

因此,聯合sFNC和dFNC分析提供了一種相對綜合的方法,能夠更全面地理解ESRD患者腦網絡的靜態和動態特征,并為揭示ESRD腦網絡的異常變化模式提供更具體的信息。

3．sFNC的特點

本研究結果表明ESRD患者ECN與SMN之間的功能連接在靜態尺度存在顯著變化,而動態尺度則無顯著變化,這似乎說明基于ICA的sFNC分析似乎能夠更加敏感地識別網絡間的異常交互。研究發現ESRD患者ECN、SMN的腦活躍程度或灰質體積異常[25,26];此外,還存在ECN或SMN相關腦區功能連接的異常變化[27-29]。這些結果表明ESRD患者的ECN和SMN可能存在選擇性的損害。但也有學者基于先驗腦圖譜發現ESRD患者ECN與SMN間的功能連接無顯著變化[30]。考慮到ICA是一種完全基于數據驅動、不依賴先驗腦圖譜的數據分析方法,能夠基于現有數據自動識別出不同的功能網絡成分[31]。因此推測先驗圖譜和ICA分析表現出結果的不一致性可能是由于網絡識別的方法不同引起。

執行功能是一種重要的高級認知功能,是對不同認知過程的相互整合和協調以實現特定認知目標的能力[32]。ECN包括負責控制執行功能的廣泛腦區[33]。研究顯示SMN異常功能連接與執行功能變化有關[34]。本研究相關性分析也證實了ESRD患者ECN與SMN的sFNC強度與執行功能評分(TMT-A)呈顯著正相關,表明ECN與SMN網絡間的異常交互可能與ESRD患者執行功能下降有關。

4．dFNC的特點

不同于sFNC分析,dFNC分析未能發現特異性的網絡間或網絡內的異常交互模式。但發現ESRD患者狀態3的動態屬性參數(時間分數及平均駐留時間)顯著低于健康對照組,表明ESRD患者維持腦功能活動狀態的能力和腦活動瞬時變化特點均不同于正常人,這可能為ESRD患者神經病理損害機制提供了更深層次、基于時變理論的解釋。進一步的相關性分析發現時間屬性參數(狀態2的時間分數和平均駐留時間)與執行功能和焦慮評分有關。實際上,已有學者指出狀態維持能力的變化與多種神經病理損害有關,如認識損害、情緒異常[15,23,35]。因此,盡管dFNC分析未能直接捕捉到ESRD患者功能網絡交互的動態性異常,但本研究所揭示的大腦狀態的時依變化特點提示,進一步深入研究功能網絡動態變化特征可能會成為認識ESRD患者認知功能(尤其是執行功能)和情緒異常相關腦機制的重要方向。

圖5 a)狀態2的時間分數與TMT-A評分(執行功能評分)呈顯著正相關;b)狀態2的平均駐留時間與TMT-A評分(執行功能評分)呈顯著正相關;c)狀態4的時間分數與焦慮(SAS)評分呈顯著負相關。

本研究具有以下局限性:①本研究屬小樣本、橫斷面研究,尚需進行更大樣本進行分層及縱向分析,以準確反映ESRD患者的大腦功能網絡變化特點。②基于滑動時間窗的動態腦網絡分析技術還受限于參數不統一、數據采集時間不足的局限[36],未來更加規范化的參數設置和足夠長的靜息態數據采集時間是必要的。③ICA的方法仍面臨網絡信號重疊的挑戰,因此,精確地分解fMRI數據得到可靠性和穩定性更高的大腦網絡是有必要的。

綜上所述,本研究利用ICA發現ESRD患者大腦ECN和SMN間的靜態交互作用發生異常改變,同時伴隨大腦功能網絡動態維持能力的受損,這些異常的靜態及動態功能網絡變化可能為揭示ESRD患者神經病理損害機制提供新的視角。