最近的一項關于腦小血管病（SVD）的縱向研究表明，白質結構腦網絡的一個指標——“全局效率”與SVD患者的認知損傷關系密切，并且基線時段的全局效率還可以預測SVD患者的死亡風險。該研究由荷蘭奈梅亨大學醫(yī)學中心的Anil M Tuladhar 等人發(fā)表在近期的Journal of Neurology, Neurosurgery & Psychiatry雜志上。

關鍵字：腦小血管?。?span>SVD）  腦網絡  全局效率

編者注：作者重點關注了腦網絡的一個圖論指標——“全局效率”。全局效率是整個網絡最短路徑的倒數(shù)的平均值，反映了整個網絡信息溝通整合的能力。后面基本都在圍繞“全局效率”進行討論。

1.簡介

    腦小血管?。?span>SVD，Cerebral small vessel disease）是一種常見的老年人疾病，在認知損傷中扮演了重要的角色。SVD的常見影像標記包括：白質高信號（WMH，white matter hyperintensities）、血管源性腔隙、微出血以及白質微結構完整性損傷。這些影像標記與患者的認知衰退、癡呆、死亡均有關聯(lián)，雖然SVD影響這些臨床表現(xiàn)的潛在機制仍不完全清楚。

     一種具有潛力的假說認為，SVD可以破壞白質纖維束，從而影響了全腦的結構連接。之前的橫向研究表明，結構層面的腦網絡破壞更多地與基線認知表現(xiàn)有關，但對影像標記和認知損傷的聯(lián)系也有一定的調節(jié)作用。不過，對于全腦結構腦網絡效率的縱向變化與認知衰退的關系，我們仍知之甚少。

     最近的一份大型的系統(tǒng)性的綜述和Meta分析表明，SVD的個體影像標記與增長的死亡風險有關，展示了這些標記的臨床意義。更重要的是，將這些影像標記綜合起來，可能更有助于死亡風險的預測。白質腦結構網絡的效率，正是這些影像標記的綜合體現(xiàn)，因此可能是一個更好的預測指標。

    在本研究中，作者有兩個主要目標。

    目標1：構建白質結構腦網絡，探究腦網絡屬性的變化是否與認知衰退有關系。 

    目標2：探究基線腦網絡效率是否可以預測全因死亡率。作者猜測，以上兩個問題的答案都為“是”。

   編者注，我們來看一下作者的邏輯：SVD有幾種典型的影像標記，別人的研究表明，這些影像標記都有臨床意義，而且結構腦網絡連接還可能是這些影像標記的綜合體現(xiàn)，那么作者就找一個結構腦網絡指標（后續(xù)作者選擇的是“全局效率”這個圖論指標）研究一下；前人做的橫向研究，作者進一步做縱向研究。

2.材料與方法

被試

     該研究的被試主要由荷蘭奈梅亨大學彌散磁共振成像研究小組（RUN DMC，Radboud University Nijmegen Diffusion tensor and Magnetic resonance Cohort）招募，用于探究SVD的風險因素和臨床后果。被試納入標準：在MRI上表現(xiàn)有白質高信號（WMH）和腔隙性梗塞。在2006年進行基線數(shù)據(jù)收集，于2011、2015年進行兩次隨訪。因設備升級、死亡、數(shù)據(jù)缺損、發(fā)展為癡呆等原因排除一部分被試，原始的503個被試最終有277個納入研究。

圖1. 被試篩選/納入的流程圖。

認知測量   

認知測量部分主要包含以下量表：MMSE、RAVLT、RCFT、PPMST、SCWT、SDST、VSAT。所有量表的原始分數(shù)，都基于基線測試的均值和標準差，被轉換為z分數(shù)。對于每個獨立的被試，

認知衰退的計算方式為：后續(xù)分數(shù) – 基線分數(shù)。該研究中，作者重點關注全局認知功能（后續(xù)也稱之為Cognitive index，認知指數(shù)）和心理活動速度（Psychomotor speed）這兩個認知測量指標，因為他們和腦網絡效率的關系最為密切，并且在SVD中下降最為明顯。（注：MMSE: Mini-Mental State Examination ; RAVLT：Rey Auditory Verbal Learning Test ;RCFT: Rey Complex Figure Task ;PPMST: Paper-Pencil Memory Scanning Task ;SCWT: Stroop Color-Word Test ;SDST: Symbol Digit Substi- tution Task ;VSAT: Verbal Series Attention Test） 

MR圖像獲取   

MR圖像在一臺西門子Magnetom Avanto 1.5T磁共振機器上獲得。掃描的序列主要包括： 

（1）T1加權3D MPRAGE序列，掃描參數(shù)：TR 2250 ms、TE 2.95 ms、TI 850 ms、翻轉角 15度、體素大小 1.0*1.0*1.0 mm； 

（2）FLAIR序列，掃描參數(shù)：TR 14240 ms、TE 89 ms、 TI 2200 ms、 體素大小1.2*1.0*2.5 mm； 

（3） DTI序列，掃描參數(shù)：TR 10200 ms、 TE 95 ms、體素大小2.5*2.5*2.5 ms、7個b0像，61個b=900s/mm2圖像。 

T1圖像處理   

原始T1圖像使用N4算法進行偏置場校正，在填充病灶后，使用FreeSurfer 6.0完成了剝顱骨、分割、皮層分區(qū)等一系列操作流程。在完成橫向數(shù)據(jù)處理后，對基線及隨訪數(shù)據(jù)，也完成了FreeSurfer的縱向數(shù)據(jù)處理流程（主要涉及被試內模板的構建）。 

SVD放射標記     

白質高信號(WMH)圖像通過一種半自動化的方法分割得到，并通過了人工視覺檢查；之后WMH圖像被標準化到顱內圖像（通過組合FreeSurfer輸出的灰質、白質、腦脊液圖像獲得）。依據(jù)WMH信號中位數(shù)，作者將被試分為輕中度WMH組、重度WMH組。腔隙性梗塞通過T1/FLAIR圖像人工識別，微出血則通過T2加權圖像人工識別。

 DTI分析     

DTI數(shù)據(jù)分析流程如下： 

（1）降噪，使用自編MATLAB腳本進行主成分分析降噪，并基于PATCH算法進行頭動渦流校正； 

（2）磁敏感形變校正，基于SPM12將DTI圖像按相位編碼方向配準到T1像； 

（3）使用FSL計算擴散張量，并計算FA等指標。隨后，基于FA指標進行TBSS分析，并提取了所有被試骨架內的平均FA值、MD值等。

 概率追蹤     

概率追蹤使用MRtrix3軟件實現(xiàn)，流程如下：  （

1）剝顱骨； 

（2）估計白質響應函數(shù)； 

（3）估計纖維方向分布圖像（即FOD圖像）； 

（4）定義追蹤的mask。皮層、皮層下灰質、白質、腦脊液的mask可由FreeSurfer分割結果得到；病灶mask定義為白質高信號區(qū)域；FreeSurfer白質mask減去病灶mask，可得到“正常白質mask”; 以上mask被配準到DTI空間（b0像）。 

（5）基于MRtrix的iFOD2算法，以“正常白質mask”和灰質邊界為種子點，進行概率性纖維束追蹤。追蹤的終止條件和確定性追蹤類似：解剖限制、偏轉角40度、FOD幅值0.1。 

白質腦網絡構建    

 節(jié)點定義：使用Desikan-Killiany腦圖譜定義皮層感興趣腦區(qū)，該圖譜主要將皮層劃分為溝和回（FreeSurfer流程可自動生成該圖譜）；結合FreeSurfer的皮層下結構分割，最終定義了82個節(jié)點（左右半球各41個）。     

邊的定義：邊的權重結合纖維束的條數(shù)及平均FA值來定義，并且只保留了90%以上的被試具有的連邊。最終，對于每個被試，生成了一個82*82的無向有權腦網絡矩陣。 

網絡分析     

網絡分析主要采用基于圖論的指標，作者基于BCT軟件計算了如下指標：密度、總網絡強度、全局效率。其中，全局效率是整個網絡最短路徑的倒數(shù)的平均值，反映了整個網絡信息溝通整合的能力。之前的研究表明，該指標和認知表現(xiàn)，尤其是認知處理速度以及癡呆轉化相關。因此，全局效率是作者重點關注的圖論指標。

 統(tǒng)計分析     

對于各組（輕中度WMH組/重度WMH組）的名義變量，使用獨立樣本T檢驗做比較（年齡、隨訪時間間隔作為協(xié)變量）；類別變量，則使用卡方檢驗；非參數(shù)值則使用Mann-Whitney U檢驗。為了確定重度WMH組相對于輕中度WMH組FA是否降低，作者對兩組做了基于體素的非參置換檢驗（TFCE, p < 0.05，多重比較校正）。為了確定腦網絡中隨時間變化的、或者與認知衰退相關的異常連接，作者使用了NBS校正方法（t>3.1， NBS toolbox， 置換次數(shù)5000次）。為了確定全局效率和認知衰退的關系，作者做了多元線性回歸（以年齡、性別、基線認知表現(xiàn)等作為協(xié)變量）。累積死亡率使用Kaplan-Meier生存分析來估計；為了確定MRI指標與全因死亡率之間的關聯(lián)，對于每個MRI指標（基線全局效率、WMH、腔隙、微出血等），使用Cox回歸分析計算了HR值。

編者注，簡單總結一下作者所做的分析： 

（1）人口學信息、認知測試量表的統(tǒng)計； 

（2）SVD經典影像標記（WMH、腔隙、微出血）的縱向變化；按照WMH高低將被試分為兩組； 

（3）對于輕中度WMH/重度WMH組，在體素水平（基于TBSS方法）比較他們的彌散指標（主要是FA）; 

 (4）通過纖維追蹤構建全腦結構網絡，種子點由FreeSurfer分割結果確定。腦網絡的分析分為兩部分：圖論指標（重點是全局效率）的縱向變化/與認知衰退的關系；腦網絡連邊連接強度的縱向變化/與認知衰退的關系。  

（5）基線腦網絡全局效率對患者死亡風險的預測分析。

 3. 結果

    表1、表2呈現(xiàn)了基線人口學信息以及神經影像特征隨時間的變化?；€時被試平均年齡為68歲(SD 8.0)， 平均隨訪時間為3.4年（SD 0.2）, 隨訪時間在兩個WMH組間大致相同。對于所有被試，認知加工速度皆出現(xiàn)隨時間的下降。在基線時段，重度WMH組的FA值明顯比輕中度WMH組要低，主體現(xiàn)在胼胝體，尤其是胼胝體膝和額葉（p<0.05， FWE校正）

表1. 被試的基線/影像特征

表2. 認知狀況、影像指標隨時間的變化

SVD影像標記的進展    

白質高信號（WMH）體積在3.4年間顯著增加（中位數(shù) 1.4 mL，IQR 0.5-3.1 mL），主要體現(xiàn)在重度WMH組（中位數(shù) 3.3 mL， IQR 1.7-6.6 mL）；在隨訪期間，出現(xiàn)23例腔隙、25例微出血，重度WMH組相對于輕中度WMH組的腔隙數(shù)量顯著增加。所有被試的MD指標顯著增加，腦體積顯著下降（腦體積下降在WMH分組間無差別）。 

腦結構網絡的縱向變化     

對于所有被試（p=0.21）以及輕中度WMH組（p=0.79），全局效率沒有顯著下降；但對于重度WMH組，全局效率發(fā)生顯著下降（p=0.01）。對于所有被試、輕中度WMH組、重度WMH組，網絡密度皆發(fā)生顯著下降（all p<0.001）。盡管沒有發(fā)現(xiàn)輕中度WMH組的全局效率明顯下降，對于重度WMH組，網絡圖論指標都發(fā)生了明顯變化。對于所有被試(p<0.001)、輕中度WMH組(p<0.04)、重度WMH組(p<0.001)，總網絡強度也都發(fā)生明顯變化。全局效率的下降與WMH(白質高信號）的上升相關（r=-0.15，p=0.02），但全局效率的變化與腦萎縮（r=0.05，p=0.47）、腔隙（r=-0.01,p=0.83、微出血（r=0.03，p=0.69）皆無關。腦網絡連邊強度分析（縱向變化/與認知衰退的關系）使用了NBS校正方法，沒有有意義的結果。

圖2. 輕中度WMH組與重度WMH組之間FA值的比較 （雙樣本T檢驗，p<0.05，經過多重比較校正；回歸了年齡、性別、SVD經典標記等；結果疊加在MNI T1標準腦上）。

彌散指標的變化與認知衰退的關系   

平均FA值的變化與心理活動速度的變化顯著相關（beta = 0.15， p=0.001）, 與認知指數(shù)的變化也有一定關系（beta = 0.10, p=0.03）；平均MD值的變化與認知指數(shù)的變化顯著相關（beta = -0.13，p=0.006），與心理活動速度具有一定關系（beta =-0.13，p=0.02）。 

全局效率與認知的關聯(lián)

     首先，作者檢查了基線全局效率與認知加工速度或者認知指數(shù)的關聯(lián)，發(fā)現(xiàn)基線全局效率與認知加工速度或者認知指數(shù)的下降并無關聯(lián)（beta = 0.07, p = 0.221；beta = 0.03, p =0.538）。

     其次，作者檢查了全局效率的下降與所有被試的認知加工速度下降的關系，發(fā)現(xiàn)二者并無顯著關聯(lián)（beta=0.05，p=0.34）。將所有被試劃分為輕中度WMH組、重度WMH組后，發(fā)現(xiàn)輕中度WMH組全局效率的下降與心理活動速度的下降無顯著關聯(lián)（beta=-0.04, p=0.62），但重度WMH組全局效率的下降與心理活動速度的下降具有顯著關聯(lián)（beta=0.18，p=0.03）。不過考慮SVD的幾種經典影像標記的影響后，這種關聯(lián)則變?yōu)椴伙@著。排除異常值被試后，上述結論依然成立。   

 在所有被試和輕中度WMH組中，全局效率的下降與認知指數(shù)的相關并不顯著；在重度WMH組，全局效率的變化則與認知指數(shù)的變化顯著相關（beta=0.18,p=0.045），即使考慮了SVD的幾種經典影像標記。考慮到學習效應，實際的認知衰退可能更嚴重，因此將被試分成兩個亞組（基于心理活動速度的中位數(shù)），但在兩個亞組中均沒有發(fā)現(xiàn)全局效率的變化與認知衰退變化之間的聯(lián)系。

圖3. 全局效率與心理活動速度的縱向聯(lián)系。在輕中度WMH組中，兩者無明顯聯(lián)系；在重度WMH組中，兩者有顯著聯(lián)系。

 SHAPE  \* MERGEFORMAT

圖4. 累積死亡率使用Kaplan-Meier生存分析來估計。高/低全局效率的差異使用對數(shù)秩檢驗來估計。如圖所示，相對于較高的全局效率，較低的全局效率會導致更高的致死率（對數(shù)秩檢驗，p=0.02）。

使用全局效率來預測死亡率   

約5.4%的被試（15例）被試在隨訪期間死亡。圖4展示了全局效率較低的被試具有較高的死亡率（對數(shù)秩檢驗，p=0.02）。在Cox回歸分析中，基線全局效率也與全因死亡率顯著相關（p = 0.008, C statistic 0.76）。基線時的腔隙（HR 3.51, p=0.018, C-statistic 0.76）與全因死亡率相關，而基線時的WMH、微出血并不能預測全因死亡率。相似地，即使考慮到心血管風險因素（高血壓、高膽脂醇等）、糖尿病、抽煙、BMI指數(shù)等，甚至在沒有腔隙或微出血的被試中，基線時的全局效率依然與全因死亡率有關。 

編者注：簡單梳理一下主要的結果：

（1）SVD經典影像標記（重點是WMH）隨著時間都發(fā)生了變化; 

(2）輕重度WMH組和重度WMH組在彌散指標（FA等）上存在明顯差別，主要體現(xiàn)在連通左右腦的胼胝體（因此影響了全腦網絡的連通性？）

（3）重度WMH組全局效率與認知衰退的關聯(lián)，明顯比輕中度WMH組要強；

（4）全局效率越低，死亡風險越高。 

討論&總結   

該研究中，作者證實了腦結構網絡的全局效率隨著SVD的發(fā)展逐漸降低。在重度WMH組中，全局效率的降低與認知加工速度的降低有關；在沒有腔隙的被試中，則與認知指數(shù)的衰退有關。獨立于心血管風險因素，基線全局效率可以預測3.5年觀察期的全因死亡率。   

描述被試認知功能隨時間的變化軌跡時，作者發(fā)現(xiàn)，個體被試的變化軌跡曲線并不完全相似（部分被試甚至出現(xiàn)認知功能提升）。作者認為，可能白質損傷達到一定程度時，才能造成明顯的認知損傷；而只要不超過這個閾值，可能并不會造成明顯的認知損傷。使用NBS校正進行連邊分析沒有結果，說明白質連接的損傷并不是局部性的，而是整體散落分布的。在前述的結果中，重度WMH組的表現(xiàn)比輕中度WMH組都要明顯。作者的解釋是，重度WMH組的白質損傷更嚴重、血管損傷更多，因此認知衰退也更嚴重。   

之前的研究表明SVD的經典影像標記（比如白質高信號）與死亡風險增加有關；而作者的研究發(fā)現(xiàn)，腦網絡全局效率與死亡風險增加有關，但經典影像標記與死亡風險無關或者只有微弱關聯(lián)。作者認為，一種可能的解釋是，腦網絡全局效率的下降可以充當SVD血管損傷的標記，并且可能比經典影像標記綜合了更多信息；此外，在很多神經退行性疾?。ㄈ?span>AD）中都發(fā)現(xiàn)了結構網絡的破壞，因此腦結構網絡變化可能就是神經退行過程的見證。不過，作者也表示，經典影像標記不能預測死亡風險，也可能是由于自己樣本數(shù)據(jù)造成的統(tǒng)計力度不足。     

該研究的限制由于設備升級排除了大量被試?？v向研究中使用相同的認知測試量表，可能受到學習效應的影響，從而使得認知衰退的衡量沒有那么嚴重。數(shù)據(jù)采集使用1.5T的機器，使得DTI圖像分辨率較低，信噪比較低，而且現(xiàn)有的纖維追蹤技術還不能完全解決纖維交叉的問題。    

編者注，稍微思考一下作者的討論： 

（1）作者肯定了自己在文章篇首提出的兩個問題； 

（2）NBS校正無結果、重度WMH組結果更明顯，作者的解釋還是比較有說服力的；  

（3）經典影像標記不能很好地預測死亡風險，這與前人的結果是略有不同的，作者提出了一些佐證，但是說服力并不很強；  
原文：Structural network changes in cerebral small vessel disease

微信掃碼或者長按選擇識別關注思影