基于功能連接分析對基底節區卒中患者的偏側化研究

茆倩倩，陳宇辰，陳慧鈾，姜亮，姜海龍，殷信道

0 引言

缺血性腦卒中在我國高發，是首位致殘致死的重大疾患，已成為嚴重影響居民健康的重大公共衛生問題[1-3]。基底神經節區域為缺血性腦卒中的好發部位，該區域除參與復雜的運動外，在高級認知功能和非運動復雜行為的調節中也發揮著重要作用[4-5]，因此，基底神經節病變不僅會導致局部功能異常，還包括認知、運動等多種功能損傷[6-7]。在既往研究中，左側基底節區被認為是卒中后引起整體認知損害的關鍵部位[8]。右半球腦卒中后最常見的癥狀是偏側空間忽視和嗅覺喪失，兩者都會導致嚴重殘疾[9-11]。然而，目前基底節區卒中（basal ganglia stroke, BGS）后的腦網絡研究中，右側基底節區卒中（right-sided basal ganglia stroke, R-BGS）發生后腦功能連接的變化尚未同左側基底節區卒中（left-sided basal ganglia stroke, L-BGS）一樣受到大多數研究者關注，L-BGS和R-BGS 發生后全腦腦功能連接變化的差異及潛在神經生物學機制尚不清楚。

靜息態功能MRI（resting-state functional MRI,rs-fMRI）是一種描述大腦內在功能組織和連接模式的非侵入性方法[12-13]，是血氧信號紊亂的腦卒中血管損傷機制研究方向的重要工具，可被應用于揭示由卒中引起的全腦功能網絡的異常改變機制[14-15]。然而，先前的研究假設腦功能連接在掃描時間內是靜息態的，然而，最近的功能MRI（functional MRI, fMRI）試驗表明，即使在靜息狀態下，功能性腦連接在幾十秒的尺度上也是動態的[16]。在這種需求下，動態功能網絡連接（dynamic functional network connectivity, dFNC）分析出現了，它提高了rs-fMRI 數據的時間分辨率[17-19]，與靜態信號相比，這些動態測量可以對神經信號的進行更為復雜的評估[20-21]，越來越多地被建議作為疾病的新型生物標志物[22-25]。相較于靜態功能連接分析，dFNC 分析中特定的動態模式與神經重組的過程可能有著密切關系[26]。本研究專注于左右基底神經節損傷后全腦功能網絡的改變，對比揭示L-BGS 與R-BGS 發生后患者腦功能改變的差異，以期為基底節區卒中治療后策略的制訂提供新思路。

1 材料與方法

1.1 臨床資料

選取2017 年7 月至2020 年1 月的首發急性單側BGS 患者42 例以及20 名健康對照（healthy controls,HCs）參與研究。為評估患者的卒中嚴重程度，使用美國國家衛生研究院卒中評定量表（National Institute of Health Stroke Scale, NIHSS）、格拉斯哥昏迷量表（Glasgow Coma Scale, GCS）以及改良Rankin量表（modified Rankin Scale, mRS）。患者組的納入標準為：（1）年齡35～80歲；（2）右利手；（3）檢查時間為卒中起病后一個月內；（4）發病時NIHSS評分＜15分；（5）發病時意識清醒，GCS評分為15分；（6）mRS評分≤3分。HCs組的納入標準為：（1）無腦卒中病史；（2）右利手；（3）年齡35～80歲。共同的排除標準如下：（1）有MRI掃描禁忌（裝有心臟起搏器、人工心臟瓣膜、動脈夾、神經刺激器、身體內有其他金屬物存留以及幽閉恐懼癥）；（2）神經或精神病史；（3）MRI 圖像上發現的其他腦異常。1名L-BGS患者因fMRI圖像上的頭部運動偽影而被排除，最終23 例基底節區卒中患者和20 例HCs 進入左側病變分析，18 例基底節區卒中患者和20例HCs進入右側病變分析。本研究遵守《赫爾辛基宣言》，經南京市第一醫院倫理委員會批準，免除卒中受試者知情同意，所有HCs 均簽署知情同意書，批準文號：2019-664。

1.2 MRI掃描參數

采用3.0 T 飛利浦磁共振掃描儀（Ingenia, Philips Medical Systems, Netherlands）和8 通道接收器陣列磁頭線圈采集患者卒中發生后一個月內的MRI 數據。使用泡沫填充和耳塞來減少頭部運動和掃描儀噪音。囑受試者圖像采集過程中保持安靜，不要入睡，并且在掃描過程中避免任何頭部運動。fMRI采用梯度回波平面成像序列，掃描參數如下：TR 2 000 ms，TE 30 ms，層數36 層，厚度4 mm，間隙0 mm，FOV 240 mm×240 mm，采集矩陣64×64，FA 90°，掃描時間8 min 8 s。結構圖像采用高分辨率三維快速回波T1WI 序列，掃描參數如下：TR 8.2 ms，TE 3.8 ms，層數170 層，厚度1 mm，間隙0 mm，FA 8°，采集矩陣256×256，FOV 256 mm×256 mm，掃描時間5 min 29 s。

1.3 數據預處理

fMRI 數據的預處理是使用基于SPM 12 軟件包（https://www.fil.ion.ucl.ac.uk/spm/）的數據處理工具箱Gretna（GRETNA 2.0; https://www.nitrc.org/projects/gretna/）在 Matlab R2013b 平臺（Matlab R2013b; https://www.mathworks.com/products/matlab.html）上 進 行的，具體操作流程如下：（1）去除掃描的前10 個時間點；（2）時間層校正；（3）頭部運動校正（排除頭動的位移超過3 mm或者旋轉角度超過3°；1例L-BGS患者因為頭動大于3 mm被排除）；（4）空間標準化；（5）使用8 mm 的高斯核進行空間平滑。動態功能連接分析具體操作流程如下：（1）去除掃描的前10 個時間點；（2）時間層校正；（3）頭部運動校正（排除頭動的位移超過3 mm 或者旋轉角度超過3°）；（4）空間標準化；（5）去線性趨勢；（6）進行0.01～0.08 Hz濾波；（7）回歸包括頭部運動以及來自腦脊液和白質的信號。

1.4 靜態功能網絡連接分析

1.4.1 獨立成分分析

使用fMRI工具箱軟件的Group ICA 來進行獨立成 分 分 析（independent component analysis, ICA）（Medical Image Analysis Lab, University of New Mexico, Albuquerque, NM, USA;http://icatb.sourceforge.net/）。應用工具箱中的infomax 算法進行組水平ICA，最終得到獨立成分（independent component, IC）的最優數目為24。然后參考先前研究中關于組水平ICA 的反向重建算法部分[27]，使用從健康的樣本中獲得的14個網絡成分[28]，經過反向重建后，選出了14個獨立成分中的7 個（圖1），分別為：（1）前默認模式網絡（anterior default mode network, aDMN）；（2）后默認模式網絡（posterior default mode network, pDMN）；（3）左側額頂網絡（left frontoparietal network, lFPN）；（4）右 側 額 頂 網 絡（right frontoparietal network,rFPN）；（5）枕極視覺網絡（occipital pole visual network,pVN）；（6）橫向視覺網絡（lateral visual network, lVN）；（7）聽覺網絡（auditory network, AN）。

圖1 獨立成分分析中選取的獨立成分。aDMN：前默認模式網絡；pDMN：后默認模式網絡；lFPN：左側額頂網絡；rFPN：右側額頂網絡；pVN：枕極視覺網絡；lVN：橫向視覺網絡；AN：聽覺網絡。Fig.1 Independent components selected in independent component analysis.aDMN: anterior default mode network; pDMN: posterior default mode network; lFPN: left frontoparietal network; rFPN: right frontoparietal network; pVN: occipital pole visual network; lVN: lateral visual network; AN: auditory network.

1.4.2 網絡內功能連接分析

對于組內分析，使用SPM 12（https://www.fil.ion.ucl.ac.uk/spm/）對7 個網絡成分進行單樣本t檢驗，只保存顯著的體素。將閾值設置為P＜0.001，并使用FDR 進行校正。使用雙樣本t檢驗兩兩比較（L-BGS vs.HCs、R-BGS vs.HCs），年齡、性別作為協變量被回歸，以避免這些混雜因素的潛在影響。統計閾值設置為P＜0.001，進行FWE多重比較校正。

1.4.3 網絡間功能連接分析

為了評估靜態連通性，對每個參與者的Z變換時間進程計算了成對的皮爾遜相關性，每個參與者有21 個連接性對值。分別考慮HCs、L-BGS 患者和L-BGS 卒中患者，我們用雙樣本t檢驗分析評估靜態功能網絡連接性差異（L-BGS vs.HCs、L-BGS vs.HCs；顯著水平P＜0.016 7，經FDR校正）。

1.5 dFNC分析

通過GIFT 工具箱（Group ICA of fMRI Toolbox,http://trendscenter.org/software/gift）中實現的滑動窗口方法來生成所有被試的動態連接矩陣。首先，設定窗寬為30 TR，步長為1 TR 進行滑窗操作。接著，在每一個窗口中，我們采用稀疏逆協方差矩陣，計算動態連接矩陣。然后，我們將Fisher 的Z變換應用于功能連接矩陣，以獲得Z值并穩定方差，以便進一步分析。

運用k-means 算法對全部動態功能連接矩陣進行聚類，獲取被試組的自發狀態。根據不同狀態，提取保存每一組患者的動態連接矩陣的中位數矩陣，用于下一步的連邊分析。使用雙樣本t檢驗沿著每種狀態分別進行L-BGS 與HCs 組、R-BGS 與HCs 組之間的比較（P＜0.05，FDR校正）。

1.6 統計學分析

在單側分析中使用單因素方差（ANOVA）分析比較三組在人口統計學信息和臨床測量方面的差異，然后進行事后檢驗（均值t檢驗和卡方檢驗），左右兩組的性別比例、NIHSS及GCS評分采用非參數檢驗。顯著水平設為P＜0.05。使用SPSS 26.0（SPSS,Chicago, IL, USA）進行統計學分析。

用雙樣本t檢驗分析網絡內功能連接結果（L-BGS vs.HCs、R-BGS vs.HCs；P＜0.001，團塊水平FWE 校正），其中R-BGS 組個別團塊體素數較大，經更嚴格的體素水平FWE重新校正（P＜0.05，體素水平FWE校正）。

對于網絡間功能連接結果分析，我們用雙樣本t檢驗分析評估靜態功能網絡連接性差異（L-BGS vs.HCs、R-BGS vs.HCs；顯著水平P＜0.016 7，經FDR校正）。

對于動態網絡功能連接的聚類分析結果，我們進行雙樣本t檢驗（L-BGS vs.HCs、R-BGS vs.HCs、L-BGS vs.R-BGS；顯著水平P＜0.05，經FDR校正）。

在以上統計分析中，年齡、性別作為協變量被回歸。

2 結果

2.1 人口學和臨床特征

三組受試者的臨床資料見表1。ANOVA 分析及卡方檢驗后再經兩兩對比，L-BGS、R-BGS 組的年齡、性別、NHISS 評分、GCS 評分、病灶體積及L-BGS組與HCs 組年齡之間差異無統計學意義（P＞0.05）。L-BGS、R-BGS 組與HCs 組之間年齡與性別比例存在差異，所有分析中均將年齡、性別作為協變量回歸。

表1 病例組與對照組臨床資料Tab.1 Clinical data of the case and control groups

2.2 靜態功能網絡連接分析

2.2.1 網絡內功能連接分析

在網絡內功能連接分析中，我們基于先前ICA篩選出的7 個腦網絡空間地圖內每個體素的信號強度來分析三組受試者網絡內功能連接的差異，提供了基底節區中風后早期網絡連接發生變化的進一步證據（表2、3）。與HCs相比，L-BGS 患者表現為更廣泛的網絡內連通性增加及降低（P＜0.001，經團塊水平FWE 校正），而R-BGS 患者與HCs 相比僅表現出較局限性的連通性增加及降低（P＜0.001，經團塊水平FWE校正及P＜0.05，經體素水平FWE校正）。

表2 L-BGS組與HCs組網絡內功能連接差異腦區Tab.2 Brain regions that differed between L-BGS group and HCs group in the analysis of functional connectivity within the network

表3 R-BGS組與HCs組網絡內功能連接差異腦區Tab.3 Brain regions that differed between R-BGS group and HCs group in the analysis of functional connectivity within the network

2.2.2 網絡間功能連接分析

L-BGS 組與HCs組及R-BGS 組與HCs組之間的差異具有統計學意義。總體而言，兩個卒中患者組均以網絡間的連接性減弱為主，僅有個別腦區的連接性增強。與HCs 相比，L-BGS 患者的lFPN 和pDMN、rFPN、lVN 之間以及前、后默認模式網絡之間的連接強度降低；AN 和lFPN、pDMN 之間的連接強度增強（P＜0.016 7，經FDR校正）。

相較而言，與HCs 相比，R-BGS 患者表現出更為廣泛的網絡間連接降低及更多的個別腦區的連接性增強，具體體現在lVN 同左、右側額頂網絡、pDMN之間；AN同lFPN、pDMN之間及rFPN同pVN之間連接增強（P＜0.016 7，經FDR校正）（圖2）。

圖2 L-BGS 組、R-BGS 組和HCs 組的網絡間功能連接的顯著性差異。與HCs 相比，L-BGS 患者的lFPN 和pDMN、rFPN、lVN 之間以及前、后默認模式網絡之間的連接強度降低；AN 和lFPN、pDMN 之間的連接強度增強（P＜0.016 7，經FDR 校正）；R-BGS 患者表現出更為廣泛的網絡間連接降低及更多的個別腦區的連接性增強，具體體現在lVN 同左、右側額頂網絡、pDMN 之間，AN 同lFPN、pDMN 之間及rFPN 同pVN 之間連接增強（P＜0.016 7，經FDR 校正）。L-BGS：左側基底節區卒中；R-BGS：右側基底節區卒中；HCs：健康對照；aDMN：前默認模式網絡；pDMN：后默認模式網絡；lFPN：左側額頂網絡；rFPN：右側額頂網絡；pVN：枕極視覺網絡；lVN：橫向視覺網絡；AN：聽覺網絡。Fig.2 Significant differences in inter-network functional connectivity between the two groups of patients with BGS compared to HCs.Compared with HCs, patients with L-BGS shows reduced connectivity strength between the lFPN and the pDMN, the rFPN, the lVN, and between the anterior and pDMN; enhanced connectivity strength between the AN and the lFPN and the pDMN (P＜0.016 7, FDR); and patients with R-BGS demonstrates more broader reduction in inter-network connectivity and increased connectivity in more individual brain regions, as evidenced by enhanced connectivity between the lVN and the left and right frontoparietal network, and the pDMN; between the AN and the lFPN, and the pDMN, and between the rFPN and the pVN (P＜0.016 7, FDR).BGS:basal ganglia stroke; L-BGS: left-sided basal ganglia stroke; R-BGS:right-sided basal ganglia stroke; HCs: healthy controls; aDMN: anterior default mode network; pDMN: posterior default mode network; lFPN: left frontoparietal network; rFPN: right frontoparietal network; pVN: occipital pole visual network; lVN: lateral visual network; AN: auditory network.

2.3 dFNC分析

接下來，我們研究了函數連通性的時間性質，即dFNC。通過將k-均值聚類算法應用于每個受試者的估計191個功能連通性矩陣和上述狀態數量的優化標準，我們識別了在功能MRI掃描期間在所有受試者中重復出現的兩種連通性狀態，即準穩定連通性模式。按照k-均值聚類給出的順序表示和描述狀態。第一種連通性狀態具有高度正的連通性。我們將這種狀態稱為強連接狀態（狀態1的總頻率：42.15%）。第二種連接狀態以負連接為主要特征，我們稱之為弱連接狀態（狀態2的總頻率：57.85%）。在接下來的連邊分析中，使用雙樣本t檢驗分析（P＜0.005，FDR 校正）發現存在顯著差異，與HCs 組相比，在高連接狀態，L-BGS 組顯示出以連接增強為主要表現的顯著連邊，而R-BGS 組則未表現出顯著連邊；在低連接狀態，L-BGS 組、R-BGS 組都較高連接狀態有更多的顯著連邊，以連接減弱為主要表現（圖3）。

圖3 L-BGS患者、R-BGS患者相較于HCs分別在兩個狀態的功能網絡連接的顯著性差異。與HCs組相比，在高連接狀態，L-BGS組顯示出以連接增強為主要表現的顯著連邊，而R-BGS組則未表現出顯著連邊；在弱連接狀態，L-BGS組、R-BGS組都在較高連接狀態有更多的顯著連邊，以連接減弱為主要表現。state 1為狀態1，高連接狀態；state 2為狀態2，弱連接狀態；L-HC 指L-BGS 組同HCs 組的對比；R-HC 指R-BGS 組同HCs 組的對比；L-BGS：左側基底節區卒中；R-BGS：右側基底節區卒中；HCs：健康對照。Fig.3 Significant differences in functional network connectivity between the two groups of patients with BGS compared to HCs in two states respectively.Compared with HCs group, in the high-connectivity state, L-BGS group shows significant connectivity edges dominated by enhanced connectivity, whereas R-BGS group does not show significant connectivity edges; in the low-connectivity state, both the L-BGS and R-BGS groups have more significant connectivity edges dominated by weakened connectivity than in the high-connectivity state.state 1 the high-connectivity state; state 2 refers to the weakly connected state; L-HC refers to L-BGS vs.HCs; R-HC refers to R-BGS vs.HCs; BGS: basal ganglia stroke; L-BGS: left-sided basal ganglia stroke; R-BGS: right-sided basal ganglia stroke; HCs: healthy controls.

3 討論

在這項研究中，我們剖析了左、右基底節區缺血性卒中患者在急性事件發生的一個月內的動態及靜態連接行為。我們考慮了基底節區受損程度對連接的影響，兩組患者受損程度無顯著差異且均為輕中度缺血性卒中患者。盡管兩組的臨床受損程度相似，但是與HCs 組相比左、右兩組基底節區缺血性卒中患者表現出了明顯的差異。

3.1 左、右基底節區卒中靜態腦網絡功能連接差異

在靜態的腦網絡間連接分析中，R-BGS 患者體現出更為廣泛的以腦網絡連接降低為主要特征的網絡間連接改變。而在靜態腦網絡內功能連接分析中，R-BGS 患者與HCs 相比僅表現出較局限性的連通性增加及降低。這些結果提示了，R-BGS 患者與L-BGS 患者相比有著更為廣泛的網絡間連接的受損和更為局限的網絡內連接的代償性增加。

在先前的研究中已經發現，BGS 發生后會引起認知功能障礙、運動功能障礙以及執行功能、視覺記憶等方面的損傷。這些疾病可以導致涉及多個大腦區域的大腦功能的復雜變化[29]，引起功能網絡的重組[30-31]。我們觀察到的在視覺網絡、AN、默認模式網絡及額頂網絡內的功能連接變化可能與這些損傷息息相關。尤其是額頂網絡的變化，先前有研究指出，BGS 后引起額頂網絡功能連接的變化似乎提示著認知功能的改變[32-34]，但是僅僅在L-BGS 患者組觀察到了額頂網絡內部的改變，這可能提示著相較于R-BGS 患者，L-BGS 患者認知變化更為明顯。應該注意的是，L-BGS 組額頂網絡連接增加的區域主要位于對側半球，這可以被視為補償受損大腦區域引起的損傷的補償機制[35]。

3.2 左、右基底節區卒中動態腦網絡功能連接差異

在動態連接分析中，不同的連通狀態下，病變位于左右半腦基底節區的患者組連接狀態的表現也存在著顯著差異。在弱連接狀態左右兩組均表現為連接減弱為主的顯著連邊，且顯著連邊的數量明顯高于強連接狀態，這可能體現了卒中后患者腦功能損傷的表現，在卒中早期仍以連接減弱為主要表現。而在強連接狀態，我們僅在L-BGS 患者組中發現了較HCs 組而言顯著的連邊變化，且以連接增強為主要表現。這種高度的連接增強讓人想起先前研究中所描述的皮質區域的過度激活[36]，重要的是，先前有研究者指出這些高度的連接增強變化代表重組的早期跡象[37]。那么這里觀察到的動態模式似乎表明這些在皮質中功能連接的增加旨在恢復失去的腦功能[38]。進一步提示，相較于R-BGS 患者，L-BGS 患者表現出更積極的網絡連接重組。這兩種特定的模式沒有在之前的靜態分析中被發現和描述，因為它只在我們的動態分析中得出。將來，在使用非侵入性腦刺激的治療方式誘導皮質可塑性來促進功能恢復時，這些發現可能會具有指導臨床治療的作用[39-40]。

3.3 不足與展望

本研究仍有一些不足之處：（1）本研究樣本量較小，可能會導致結果偏倚，需進一步擴大樣本量；（2）本研究未納入綜合性神經心理評估來評估L-BGS、R-BGS 發生后在定向力、執行力、視空間、語音、記憶等認知方面的差異，后續我們將進一步分析這些指標與在BGS中是否也存在偏側性；（3）我們主要研究了輕中度BGS 患者的腦網絡連接的偏側性，這種差異在重度受損患者中是否也存在仍待進一步驗證，此外這種差異隨著卒中患者的恢復會產生什么變化也是我們未來研究的感興趣方向。

4 總結

綜上所述，本研究證實了L-BGS 患者、R-BGS 患者在卒中發生的1 個月內腦網絡功能連接變化存在明顯差異。L-BGS 患者表現出更積極的腦網絡連接重組和連接增強的代償性改變。此外，使用動態連接方法可以對卒中后腦功能連接變化有更進一步的發現，揭示了當病變位于不同半球時，腦網絡連接重組在不同連接狀態下的變化。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：殷信道設計本研究的方案，對稿件重要內容進行了修改，獲得了江蘇省重點研發（社會發展）項目及江蘇省自然科學基金項目的資助；茆倩倩起草和撰寫稿件，獲取、分析和解釋本研究的數據；陳宇辰、陳慧鈾、姜亮、姜海龍獲取、分析或解釋本研究的數據，對稿件重要內容進行了修改；全體作者都同意發表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。