基于三重網絡模型的酒精依賴患者靜息態動態功能連接分析

曹景超,隋文禹,喻大華,薛婷

酒精依賴(alcohol dependence,AD)屬于酒精使用障礙,其特點是對酒精極度渴求,無法控制地持續性攝入[1]。目前飲酒已成為世界公共衛生問題之一[2]。研究發現,長期大量飲酒會導致大腦白質過度流失和認知功能受損,出現認知障礙、神經變性和記憶力衰退等神經精神癥狀[3]。

功能MRI技術的發展為大腦活動和功能的研究提供了極大的幫助。近年來,有許多研究通過分析大腦網絡之間的功能連接變化來分析疾病的發病機制[4]。中央執行網絡(central executive network,CEN)、突顯網絡(salience network,SN)與默認模式網絡(default mode network,DMN)是大腦核心神經認知網絡,其間的異常交互作用是成癮神經精神疾病的病理生理學基礎[5,6]。有研究發現,大腦在靜息狀態下的活動也不是一成不變的,而是時刻在變化的[7]。采用動態的方法分析大腦網絡的功能變化,可以更清楚地觀察到三重網絡之間功能連接的變化。目前關于酒精依賴患者大腦三重網絡的動態功能連接情況的相關研究還較少,大多數研究探究的是靜態腦網絡功能連接的變化。因此,本研究使用動態功能網絡連接(dynamic function network connectivity,dFNC)分析方法,比較酒精依賴患者和健康被試在靜息態下大腦三重網絡功能連接的差異,為探索酒精依賴這一成癮性疾病的病理生理機制提供一定的線索。

材料與方法

1.研究對象

2020年2月-2021年3月在內蒙古科技大學包頭醫學院第一附屬醫院招募15例酒精依賴患者和15例年齡與患者組相匹配的健康對照(health control,HC)。酒精依賴組納入標準:①男性,年齡30～60歲;②符合精神疾病診斷與統計手冊(diagnostic and statistical manual of mental disorders,DSM)第四版中酒精依賴的診斷標準;③酒精依賴評估量表(alcohol dependence scale,ADS)評分大于14分;④無其它神經或精神疾病史,如抑郁癥、失眠癥和精神分裂癥等;⑤右利手。對照組的納入標準:①無精神疾病;②無物質成癮史;③右手為慣用手。所有被試的排除標準:①存在神經或精神疾病;②除酒精之外有其它物質成癮史,如吸煙等;③有MRI檢查禁忌證;④有高血壓、糖尿病和冠心病等疾病;⑤MR掃描期間頭部平移運動范圍大于2 mm,或轉動角度大于2°,或者平均幀間頭動距離大于0.2 mm。

本研究經醫院倫理委員會批準。所有被試在了解全部的實驗內容和注意事項后,簽署了知情同意書。

2.功能MRI數據采集

使用Philips Achieva 3.0T磁共振掃描儀上獲取所有被試的靜息態(rest state,rs)fMRI數據。掃描前將每例被試的頭部固定在泡沫墊中,并囑其佩戴耳塞用于減弱機器噪聲。使用EPI序列進行rs-fMRI掃描,掃描參數:TR 2000 ms,TE 30 ms,視野240 mm×240 mm,數據矩陣64×64,翻轉角90°,層厚5 mm,層數35,總時間點186。囑每例被試在掃描過程中要一直保持清醒并閉上眼睛,不要思考任何事情。有兩位放射科醫師分析所有被試的MRI圖像以排除有任何臨床無癥狀性顱內病變。

3.數據預處理

fMRI數據預處理使用DPABI(http://www.rfmri.org/dpabi)軟件包[8]。剔除前10個時間點的數據,然后進行時間層校正和頭動校正,剔除頭部位移大于2 mm或旋轉角度大于2°的數據;將校正后的fMRI數據標準化到蒙特利爾神經學研究所(montreal neurological institute,MNI)坐標空間中;隨后,對圖像進行平滑處理(使用6 mm半高全寬的高斯核);最后,去除Friston 24頭動參數、腦白質和腦脊液噪聲信號協變量。

4.動態功能連接分析

使用GIFT軟件包中的組獨立成分分析(group independent component analysis,GICA)將fMRI數據分解成不同的內在連接網絡[9]。首先,使用最小描述長度(minimum description length,MDL)算法確定獨立成分(independence component,IC)數為63;其次,在個體水平上使用標準規模的主成分分析方法(principal component analysis,PCA)對fMRI數據進行降維,然后在組水平上使用期望最大化(expectation maximization,EM)算法將時間上串聯起來的個體數據縮減至63。最后使用GICA反向重建算法得到了63個獨立網絡成分的空間分布圖和時間序列。根據空間模板匹配和視覺檢查,從獨立成分中挑選出三重網絡成分以進行后續的分析[10]。

隨后,將挑選出來的三重網絡成分進行后處理,以去除剩余的噪聲源[11]。后處理步驟主要包括回歸6個頭動參數、去除時間序列趨勢(線性、二次、三次趨勢)、去除尖峰和使用0.15 Hz的濾波器進行濾波。

為了觀察靜息狀態下功能連接(FC)的波動,使用22TR滑動窗口方法來計算IC時間序列之間的dFNC[11]。將該窗口與高斯(σ)函數卷積,并以1TR的步長進行滑動,最終每個被試得到154個FC矩陣。

將所有被試的FC矩陣進行k-means聚類分析,通過Elbow標準來確定最佳的聚類數目,并計算受試者的時間屬性[12]:①時間分數,即某個狀態的時間窗口占所有窗口數的比例;②平均停留時間,即某個狀態持續的平均時間;③轉換次數,即不同狀態之間轉換的次數。

5.統計分析

在GIFT軟件中使用雙樣本t檢驗來評估兩組被試在特定狀態(某個狀態持續的窗口數超過10個)下動態功能連接的差異,并進行錯誤發現率(false discovery rate,FDR)校正。統計學閾值為P<0.05。為了比較組間的不同屬性,使用非參數置換檢驗(重復10,000次)來評估兩組之間時間屬性的差異,顯著性閾值設為P<0.05,并對時間分數和平均停留時間應用FDR進行校正,然后將有差異的時間屬性與ADS評分進行Spearman偏相關分析。

結 果

1.基本臨床資料的分析結果

AD組中,有3例被試因頭動程度明顯而被剔除。因此,最終共12例AD患者和15例健康志愿者被納入本研究。兩組被試的基本臨床資料的比較詳見表1。兩組之間各項臨床資料的差異均無統計學意義(P≥0.05)。

表1 人口統計學資料和臨床評分

2.dFNC分析結果

將ICs與斯坦福功能感興趣區域標準模板進行匹配,并通過視覺檢查,最終從63個ICs中挑選出18個網絡成分。根據其解剖結構及其功能的先驗知識[13-14],將18個ICs劃分為3個功能網絡(圖1a),分別是CEN、SN和DMN。為了得到平均靜態功能連接矩陣,計算了所有被試整個時間序列中各獨立成分之間的Pearson相關性,并對其進行Fisher’s Z變換以提高數據的正態性和可比性(圖1b)。每個IC的標簽和空間分布情況見圖2,峰值激活坐標詳見表2。

圖1 18個ICs的空間分布圖和對應的靜態功能連接矩陣。a)18個ICs被分為3個功能網絡:中央執行網絡(CEN),突顯網絡(SN),默認模式網絡(DMN);b)所有被試的平均靜態功能連接矩陣,矩陣左邊和對角線的數字表示IC的索引,圖中colorbar表示功能連接的Z值。

圖2 三重網絡的各個獨立成分的詳細圖譜。

表2 18個ICs的峰值激活坐標和腦區名稱

使用滑動時間窗方法,每個被試得到154個時間窗,27個被試總共得到4158個窗口。使用k-means聚類算法和Elbow標準確定聚類數目為4。每個聚類表示一種dFNC狀態,其中聚類質心由該聚類中所有FC矩陣的中位數所表示。圖3a顯示了每種狀態的聚類質心,圖3b顯示了每種狀態下ICs之間功能連接強度前8%的連接(相關系數的絕對值)。狀態1的FC矩陣比例為54%,表現為稀疏連接狀態,該狀態下腦網絡功能連接普遍較弱;狀態2的FC矩陣CEN內部有很強的正連接性,其比例為16%;狀態3的FC矩陣比例為16%,其特征是CEN內部分強連接,并且SN與其他網絡之間存在較強的負連接性;狀態4與狀態3時連接模式類似,但在CEN內部功能連接減弱,FC矩陣的比例為14%。

圖3 所有被試的聚類分析結果。a)每種狀態的聚類質心。每種矩陣最上面顯示的是該狀態的FC矩陣數目,以及其占所有FC矩陣總數的百分比。顏色條表示的是功能連接的Z值。State 1(54%)表示大規模腦網絡功能連接較弱;State 2(16%)表示CEN網絡內功能連接較強;State 3(16%)和State 4(14%)表示局部網絡內或網絡間功能連接較強。b)每種狀態下僅顯示前8%功能連接(相關系數的絕對值)。圓上每一個矩形框表示一個IC,不同的顏色表示不同的功能網絡。矩形之間的連線表示ICs之間的功能連接。紅線表示正功能連接,藍線表示負功能連接。CEN,中央控制網絡;SN,突顯網絡;DMN,默認模式網絡。

為了更好地觀察兩組之間每一狀態時dFNC的不同,我們把兩組的聚類質心和功能連接強度模式分別顯示出來(圖4)。HC組中,狀態1、2、3和4的FC矩陣比例分別為42.51%、21.17%、22.73%和13.59%,而在AD組中各狀態的比例分別為68.99%、10.55%、6.98%和13.48%(圖4a)。根據狀態出現的數目和每個狀態功能連接的特點,可以明顯發現AD患者長時間處于稀疏連接模式的狀態1,而在CEN內部強耦合的狀態2,以及CEN內部分IC之間強連接性,并且SN-CEN之間負耦合的狀態3,患者狀態數目減少。圖4b顯示負耦合主要存在于SN與其他網絡之間,正耦合主要存在于CEN內部以及CEN與其它網絡之間。

圖4 兩組的dFC模式。a)兩組被試每個狀態的聚類質心。特定組每個狀態的聚類質心通過平均每組被試每個狀態的FC矩陣獲得; b)圈狀圖顯示了每個狀態連接強度前8%的功能連接(相關系數的絕對值)。紅線表示正功能連接,藍線表示負功能連接。CEN,中央控制網絡;SN,突顯網絡;DMN,默認模式網絡。

3.統計分析結果

雖然兩組在每一個狀態時表現出相似的聚類質心和連接模式,但在dFNC的時間屬性方面存在一定的差異性(表3、圖5):兩組之間時間分數在狀態1時的差異有統計學意義(P=0.02),平均停留時間在狀態1和狀態3時的差異均有統計學意義(P<0.05),與HC組相比,AD組在狀態1時花費時間較長,在狀態3時花費的時間較少;兩組之間轉換次數的差異無統計學意義(P=0.07)。

圖5 兩組大腦網絡動態功能連接狀態時間屬性的分析結果。a)時間分數;b)平均停留時間;c)轉換次數。* 表示組間差異有統計學意義(P<0.05)。

表3 兩組之間dFNC時間屬性的比較

隨后我們將組間差異有統計學意義的時間屬性參數(時間分數、平均停留時間)與ADS評分進行Spearman相關分析,結果顯示這2項時間屬性參數與ADS評分之間均無顯著相關性(P>0.05)。

使用雙樣本t檢驗評估兩組之間動態功能連接狀態的差異,結果顯示在狀態4時兩組之間CEN內部ICs功能連接的差異有統計學意義(P<0.001,FDR校正);與HC組相比,AD組CEN中IC38與IC49之間的功能連接顯著增強(t=-5.30,P=0.0002,Plog=-3.73),如圖6a所示。隨后,使用BrainNet Viewer軟件將存在顯著差異的大腦功能連接進行可視化(圖6b)。

圖6 在狀態4時AD組和HC組之間動態功能連接的顯著性差異。a)藍色矩形框表示功能連接強度:HC組

討 論

本研究基于ICA方法,將fMRI數據分解成不同的功能網絡,通過動態功能連接分析方法研究AD患者三重網絡下功能連接的變化和大腦功能連接模式?；诰哂胁煌B接模式的四種重復出現的dFNC狀態:最頻繁的稀疏連接狀態1,中等頻繁的部分網絡內強連接狀態2和網絡間強連接狀態3,以及最不頻繁的狀態4,存在與AD相關的3個主要發現:①AD患者在狀態1時時間分數和平均停留時間更長,該狀態的特征是網絡內以及網絡間的連接稀疏;②患者在狀態3時的平均停留時間較少,其主要特征是CEN內有局部正向連接,SN與CEN之間呈負耦合;③在狀態4時AD組CEN內的功能連接增強(右側角回與左側背外側額上回)。這些發現表明,dFNC狀態動態特性的改變和主要表現為CEN內功能連接的變化可能在AD的病理生理學機制中至關重要。

本研究中發現,酒精依賴患者處于狀態1的時間(時間分數和平均停留時間)更長,其特征是廣泛稀疏的連接,雖然在CEN、DMN內存在正耦合,但連接強度較弱。作為一個任務正性網絡,CEN主要包括背外側前額葉皮層和后頂葉皮層等,該網絡與決策、計劃、注意力控制、工作記憶以及任務切換等高級認知功能密切相關[4,5]。既往有研究發現AD患者左側前額葉皮質中膽堿/肌酸(Cho/Cr)明顯降低,并且與患者每日飲酒量的增加顯著相關,膽堿比例較低可能提示著更嚴重的酒精依賴[15]。另一項研究中也發現AD患者左側中央控制網絡的功能連接強度與控制失敗和酒精依賴嚴重程度呈負相關[4]。此外,Fede等[16]提出AD患者rs-FC特征可以作為預測酒精依賴嚴重程度的生物標志物。因此,患者長時間處于網絡內以及網絡間連接強度較弱的稀疏連接狀態,可能反映了患者認知功能的損傷以及更嚴重的酒精依賴程度。DMN錨定于后扣帶皮層和腹內側前額葉皮層,在內側顳葉和角回有突出的節點,主要參與內部定向認知、情景記憶檢索以及環境監測等,與CEN不同,該網絡在靜息狀態時顯著激活,而在執行認知任務或專注外部刺激時相對抑制[5,17,18]。之前Vergara等[19]發現患者大腦功能網絡低連通性的模式,并且楔前葉、中央后回、島葉和視覺皮層是rsFNC減少的主要區域,表明了患者內感意識降低。然而,楔前葉是DMN的重要節點,該區域異常激活被認為與渴望和視覺記憶的處理有關。因此,患者DMN較弱的連接強度,可能反映患者情景記憶提取功能的異常,從而導致患者戒斷后復發[20]。

此外,與對照組相比,患者狀態3的停留時間減少。狀態3特點是CEN內的正連接以及主要在SN和CEN之間的負耦合。SN關鍵節點包括前扣帶回皮層和前島葉,參與檢測、整合和過濾相關的內感、自主和情緒信息,在認知控制和情緒調節等過程中發揮重要的作用[5]。先前一項關于酒精依賴患者認知靈活性與前額葉白質纖維束之間關系的研究表明,當酒精等物質依賴損害自我功能時,患者前額葉激活增加以彌補白質完整性的降低和神經功能的損傷,這種代償機制可能阻止問題飲酒過渡到酒精依賴[21]?；颊呓Y構的損傷,從而導致部分腦區功能異常,為了彌補腦區功能的缺陷,腦區表現出更高的激活或者腦區間具有更強的功能連接,這是一種補償性神經能力。因此,CEN內較強的功能連通性以及SN-CEN間的高度耦合可能表明該狀態與代償機制有關聯,處于強連接狀態的持續時間較短可能反映了網絡間功能代償的減弱,無法抑制飲酒,可能導致AD患者強迫性飲酒。另一項研究也發現患者左側中央控制網絡與突顯網絡之間的網絡耦合增強,進一步補償由酒精作用導致的腦組織結構損壞而引起的功能受損,并且延遲折扣任務與網絡耦合呈正相關,這表明AD患者中選擇沖動可能是由于兩者網絡間FC的改變所致[22]。此外,沖動和強迫已被確定為成癮性疾病的潛在內表型[23]。突顯網絡中關鍵節點的形態測量與沖動性和強迫性相關,這也提示了突顯網絡中心可能成為酒精成癮者沖動控制障礙的潛在治療目標[24]?？傊?患者執行控制網絡和突顯網絡及其相互聯系在整合認知和動機過程中維持成癮發揮著關鍵作用[25]。

中央控制網絡異常的連通性被認為是維持酒精成癮的一個因素。本研究結果顯示酒精依賴患者在狀態4時CEN內ICs的功能連接增強,這可能表示患者認知控制能力異常。為了滿足對酒精相關線索更高的認知控制,從而表現出代償機制。Jansen等[26]使用重復經顱磁刺激刺激CEN網絡,結果發現酒精依賴患者左側CEN內功能連接增強,同時左右側CEN之間的連接性增強。Zhu等也發現了AD患者左側CEN和DMN等網絡內功能連接增強[22]。戴云蕊等[27]同樣使用ICA方法,發現患者CEN內功能連接增強,其中背外側額上回、額中回與三角部額下回和頂下緣角回等腦區功能連接較為明顯。此外,有研究者使用基于種子點功能連接的分析方法發現了類似的結果。如Guo等[28]基于體素鏡像同倫連接組間差異腦區為種子點(小腦后葉、額中回),研究發現患者額中回功能連接增強,即CEN連通性增強。然而,有些研究中卻發現相反的結果。如Müller-Oehring等[29]將額上回當作種子點,發現AD患者CEN網絡內部連通性較弱,并且較弱的網絡內連通性和擴展的網絡外連通性都與較差的表現和情緒相關,這可能是網絡去分化的一種形式。同樣為基于種子點方法的研究,卻得到相反的結果,可能與種子點的選取有關,這對連接模式產生極大的影響[27]。大腦功能網絡連通性增強,可能與神經可塑性有關,這也間接反映出患者大腦功能異常和認知損傷[26]。

除了上述的研究發現,本研究也存在一定的局限性:被試樣本量較少;僅采用了22倍TR的滑動時間窗;未對腦功能網絡之間的圖論指標進行檢驗等。因此在未來需要招募更多的被試進行更進一步的研究來驗證我們的發現,并選用不同窗口長度來更好地觀察大腦網絡之間的動態變化,并對所有被試的窗口矩陣進行圖論分析,以進一步研究AD患者網絡拓撲屬性。