JNNP：脑小血管病的结构网络变化

最近的一项关于脑小血管病（SVD）的纵向研究表明，白质结构脑网络的一个指标——“全局效率”与SVD患者的认知损伤关系密切，并且基线时段的全局效率还可以预测SVD患者的死亡风险。该研究由荷兰奈梅亨大学医学中心的Anil M Tuladhar 等人发表在近期的Journal of Neurology, Neurosurgery & Psychiatry杂志上。

关键字：脑小血管病（SVD）  脑网络  全局效率

编者注：作者重点关注了脑网络的一个图论指标——“全局效率”。全局效率是整个网络最短路径的倒数的平均值，反映了整个网络信息沟通整合的能力。后面基本都在围绕“全局效率”进行讨论。

1.简介

    脑小血管病（SVD，Cerebral small vessel disease）是一种常见的老年人疾病，在认知损伤中扮演了重要的角色。SVD的常见影像标记包括：白质高信号（WMH，white matter hyperintensities）、血管源性腔隙、微出血以及白质微结构完整性损伤。这些影像标记与患者的认知衰退、痴呆、死亡均有关联，虽然SVD影响这些临床表现的潜在机制仍不完全清楚。

     一种具有潜力的假说认为，SVD可以破坏白质纤维束，从而影响了全脑的结构连接。之前的横向研究表明，结构层面的脑网络破坏更多地与基线认知表现有关，但对影像标记和认知损伤的联系也有一定的调节作用。不过，对于全脑结构脑网络效率的纵向变化与认知衰退的关系，我们仍知之甚少。

     最近的一份大型的系统性的综述和Meta分析表明，SVD的个体影像标记与增长的死亡风险有关，展示了这些标记的临床意义。更重要的是，将这些影像标记综合起来，可能更有助于死亡风险的预测。白质脑结构网络的效率，正是这些影像标记的综合体现，因此可能是一个更好的预测指标。

    在本研究中，作者有两个主要目标。

    目标1：构建白质结构脑网络，探究脑网络属性的变化是否与认知衰退有关系。 

    目标2：探究基线脑网络效率是否可以预测全因死亡率。作者猜测，以上两个问题的答案都为“是”。

   编者注，我们来看一下作者的逻辑：SVD有几种典型的影像标记，别人的研究表明，这些影像标记都有临床意义，而且结构脑网络连接还可能是这些影像标记的综合体现，那么作者就找一个结构脑网络指标（后续作者选择的是“全局效率”这个图论指标）研究一下；前人做的横向研究，作者进一步做纵向研究。

2.材料与方法

被试

     该研究的被试主要由荷兰奈梅亨大学弥散磁共振成像研究小组（RUN DMC，Radboud University Nijmegen Diffusion tensor and Magnetic resonance Cohort）招募，用于探究SVD的风险因素和临床后果。被试纳入标准：在MRI上表现有白质高信号（WMH）和腔隙性梗塞。在2006年进行基线数据收集，于2011、2015年进行两次随访。因设备升级、死亡、数据缺损、发展为痴呆等原因排除一部分被试，原始的503个被试最终有277个纳入研究。

图1. 被试筛选/纳入的流程图。

认知测量   

认知测量部分主要包含以下量表：MMSE、RAVLT、RCFT、PPMST、SCWT、SDST、VSAT。所有量表的原始分数，都基于基线测试的均值和标准差，被转换为z分数。对于每个独立的被试，

认知衰退的计算方式为：后续分数 – 基线分数。该研究中，作者重点关注全局认知功能（后续也称之为Cognitive index，认知指数）和心理活动速度（Psychomotor speed）这两个认知测量指标，因为他们和脑网络效率的关系最为密切，并且在SVD中下降最为明显。（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图像获取   

MR图像在一台西门子Magnetom Avanto 1.5T磁共振机器上获得。扫描的序列主要包括： 

（1）T1加权3D MPRAGE序列，扫描参数：TR 2250 ms、TE 2.95 ms、TI 850 ms、翻转角 15度、体素大小 1.0*1.0*1.0 mm； 

（2）FLAIR序列，扫描参数：TR 14240 ms、TE 89 ms、 TI 2200 ms、 体素大小1.2*1.0*2.5 mm； 

（3） DTI序列，扫描参数：TR 10200 ms、 TE 95 ms、体素大小2.5*2.5*2.5 ms、7个b0像，61个b=900s/mm2图像。 

T1图像处理   

原始T1图像使用N4算法进行偏置场校正，在填充病灶后，使用FreeSurfer 6.0完成了剥颅骨、分割、皮层分区等一系列操作流程。在完成横向数据处理后，对基线及随访数据，也完成了FreeSurfer的纵向数据处理流程（主要涉及被试内模板的构建）。 

SVD放射标记     

白质高信号(WMH)图像通过一种半自动化的方法分割得到，并通过了人工视觉检查；之后WMH图像被标准化到颅内图像（通过组合FreeSurfer输出的灰质、白质、脑脊液图像获得）。依据WMH信号中位数，作者将被试分为轻中度WMH组、重度WMH组。腔隙性梗塞通过T1/FLAIR图像人工识别，微出血则通过T2加权图像人工识别。

 DTI分析     

DTI数据分析流程如下： 

（1）降噪，使用自编MATLAB脚本进行主成分分析降噪，并基于PATCH算法进行头动涡流校正； 

（2）磁敏感形变校正，基于SPM12将DTI图像按相位编码方向配准到T1像； 

（3）使用FSL计算扩散张量，并计算FA等指标。随后，基于FA指标进行TBSS分析，并提取了所有被试骨架内的平均FA值、MD值等。

 概率追踪     

概率追踪使用MRtrix3软件实现，流程如下：  （

1）剥颅骨； 

（2）估计白质响应函数； 

（3）估计纤维方向分布图像（即FOD图像）； 

（4）定义追踪的mask。皮层、皮层下灰质、白质、脑脊液的mask可由FreeSurfer分割结果得到；病灶mask定义为白质高信号区域；FreeSurfer白质mask减去病灶mask，可得到“正常白质mask”; 以上mask被配准到DTI空间（b0像）。 

（5）基于MRtrix的iFOD2算法，以“正常白质mask”和灰质边界为种子点，进行概率性纤维束追踪。追踪的终止条件和确定性追踪类似：解剖限制、偏转角40度、FOD幅值0.1。 

白质脑网络构建    

 节点定义：使用Desikan-Killiany脑图谱定义皮层感兴趣脑区，该图谱主要将皮层划分为沟和回（FreeSurfer流程可自动生成该图谱）；结合FreeSurfer的皮层下结构分割，最终定义了82个节点（左右半球各41个）。     

边的定义：边的权重结合纤维束的条数及平均FA值来定义，并且只保留了90%以上的被试具有的连边。最终，对于每个被试，生成了一个82*82的无向有权脑网络矩阵。 

网络分析     

网络分析主要采用基于图论的指标，作者基于BCT软件计算了如下指标：密度、总网络强度、全局效率。其中，全局效率是整个网络最短路径的倒数的平均值，反映了整个网络信息沟通整合的能力。之前的研究表明，该指标和认知表现，尤其是认知处理速度以及痴呆转化相关。因此，全局效率是作者重点关注的图论指标。

 统计分析     

对于各组（轻中度WMH组/重度WMH组）的名义变量，使用独立样本T检验做比较（年龄、随访时间间隔作为协变量）；类别变量，则使用卡方检验；非参数值则使用Mann-Whitney U检验。为了确定重度WMH组相对于轻中度WMH组FA是否降低，作者对两组做了基于体素的非参置换检验（TFCE, p < 0.05，多重比较校正）。为了确定脑网络中随时间变化的、或者与认知衰退相关的异常连接，作者使用了NBS校正方法（t>3.1， NBS toolbox， 置换次数5000次）。为了确定全局效率和认知衰退的关系，作者做了多元线性回归（以年龄、性别、基线认知表现等作为协变量）。累积死亡率使用Kaplan-Meier生存分析来估计；为了确定MRI指标与全因死亡率之间的关联，对于每个MRI指标（基线全局效率、WMH、腔隙、微出血等），使用Cox回归分析计算了HR值。

编者注，简单总结一下作者所做的分析： 

（1）人口学信息、认知测试量表的统计； 

（2）SVD经典影像标记（WMH、腔隙、微出血）的纵向变化；按照WMH高低将被试分为两组； 

（3）对于轻中度WMH/重度WMH组，在体素水平（基于TBSS方法）比较他们的弥散指标（主要是FA）; 

 (4）通过纤维追踪构建全脑结构网络，种子点由FreeSurfer分割结果确定。脑网络的分析分为两部分：图论指标（重点是全局效率）的纵向变化/与认知衰退的关系；脑网络连边连接强度的纵向变化/与认知衰退的关系。  

（5）基线脑网络全局效率对患者死亡风险的预测分析。

 3. 结果

    表1、表2呈现了基线人口学信息以及神经影像特征随时间的变化。基线时被试平均年龄为68岁(SD 8.0)， 平均随访时间为3.4年（SD 0.2）, 随访时间在两个WMH组间大致相同。对于所有被试，认知加工速度皆出现随时间的下降。在基线时段，重度WMH组的FA值明显比轻中度WMH组要低，主体现在胼胝体，尤其是胼胝体膝和额叶（p<0.05， FWE校正）

表1. 被试的基线/影像特征

表2. 认知状况、影像指标随时间的变化

SVD影像标记的进展    

白质高信号（WMH）体积在3.4年间显著增加（中位数 1.4 mL，IQR 0.5-3.1 mL），主要体现在重度WMH组（中位数 3.3 mL， IQR 1.7-6.6 mL）；在随访期间，出现23例腔隙、25例微出血，重度WMH组相对于轻中度WMH组的腔隙数量显著增加。所有被试的MD指标显著增加，脑体积显著下降（脑体积下降在WMH分组间无差别）。 

脑结构网络的纵向变化     

对于所有被试（p=0.21）以及轻中度WMH组（p=0.79），全局效率没有显著下降；但对于重度WMH组，全局效率发生显著下降（p=0.01）。对于所有被试、轻中度WMH组、重度WMH组，网络密度皆发生显著下降（all p<0.001）。尽管没有发现轻中度WMH组的全局效率明显下降，对于重度WMH组，网络图论指标都发生了明显变化。对于所有被试(p<0.001)、轻中度WMH组(p<0.04)、重度WMH组(p<0.001)，总网络强度也都发生明显变化。全局效率的下降与WMH(白质高信号）的上升相关（r=-0.15，p=0.02），但全局效率的变化与脑萎缩（r=0.05，p=0.47）、腔隙（r=-0.01,p=0.83、微出血（r=0.03，p=0.69）皆无关。脑网络连边强度分析（纵向变化/与认知衰退的关系）使用了NBS校正方法，没有有意义的结果。

图2. 轻中度WMH组与重度WMH组之间FA值的比较 （双样本T检验，p<0.05，经过多重比较校正；回归了年龄、性别、SVD经典标记等；结果叠加在MNI T1标准脑上）。

弥散指标的变化与认知衰退的关系   

平均FA值的变化与心理活动速度的变化显著相关（beta = 0.15， p=0.001）, 与认知指数的变化也有一定关系（beta = 0.10, p=0.03）；平均MD值的变化与认知指数的变化显著相关（beta = -0.13，p=0.006），与心理活动速度具有一定关系（beta =-0.13，p=0.02）。 

全局效率与认知的关联

     首先，作者检查了基线全局效率与认知加工速度或者认知指数的关联，发现基线全局效率与认知加工速度或者认知指数的下降并无关联（beta = 0.07, p = 0.221；beta = 0.03, p =0.538）。

     其次，作者检查了全局效率的下降与所有被试的认知加工速度下降的关系，发现二者并无显著关联（beta=0.05，p=0.34）。将所有被试划分为轻中度WMH组、重度WMH组后，发现轻中度WMH组全局效率的下降与心理活动速度的下降无显著关联（beta=-0.04, p=0.62），但重度WMH组全局效率的下降与心理活动速度的下降具有显著关联（beta=0.18，p=0.03）。不过考虑SVD的几种经典影像标记的影响后，这种关联则变为不显著。排除异常值被试后，上述结论依然成立。   

 在所有被试和轻中度WMH组中，全局效率的下降与认知指数的相关并不显著；在重度WMH组，全局效率的变化则与认知指数的变化显著相关（beta=0.18,p=0.045），即使考虑了SVD的几种经典影像标记。考虑到学习效应，实际的认知衰退可能更严重，因此将被试分成两个亚组（基于心理活动速度的中位数），但在两个亚组中均没有发现全局效率的变化与认知衰退变化之间的联系。

图3. 全局效率与心理活动速度的纵向联系。在轻中度WMH组中，两者无明显联系；在重度WMH组中，两者有显著联系。

 SHAPE  \* MERGEFORMAT

图4. 累积死亡率使用Kaplan-Meier生存分析来估计。高/低全局效率的差异使用对数秩检验来估计。如图所示，相对于较高的全局效率，较低的全局效率会导致更高的致死率（对数秩检验，p=0.02）。

使用全局效率来预测死亡率   

约5.4%的被试（15例）被试在随访期间死亡。图4展示了全局效率较低的被试具有较高的死亡率（对数秩检验，p=0.02）。在Cox回归分析中，基线全局效率也与全因死亡率显著相关（p = 0.008, C statistic 0.76）。基线时的腔隙（HR 3.51, p=0.018, C-statistic 0.76）与全因死亡率相关，而基线时的WMH、微出血并不能预测全因死亡率。相似地，即使考虑到心血管风险因素（高血压、高胆脂醇等）、糖尿病、抽烟、BMI指数等，甚至在没有腔隙或微出血的被试中，基线时的全局效率依然与全因死亡率有关。 

编者注：简单梳理一下主要的结果：

（1）SVD经典影像标记（重点是WMH）随着时间都发生了变化; 

(2）轻重度WMH组和重度WMH组在弥散指标（FA等）上存在明显差别，主要体现在连通左右脑的胼胝体（因此影响了全脑网络的连通性？）

（3）重度WMH组全局效率与认知衰退的关联，明显比轻中度WMH组要强；

（4）全局效率越低，死亡风险越高。 

讨论&总结   

该研究中，作者证实了脑结构网络的全局效率随着SVD的发展逐渐降低。在重度WMH组中，全局效率的降低与认知加工速度的降低有关；在没有腔隙的被试中，则与认知指数的衰退有关。独立于心血管风险因素，基线全局效率可以预测3.5年观察期的全因死亡率。   

描述被试认知功能随时间的变化轨迹时，作者发现，个体被试的变化轨迹曲线并不完全相似（部分被试甚至出现认知功能提升）。作者认为，可能白质损伤达到一定程度时，才能造成明显的认知损伤；而只要不超过这个阈值，可能并不会造成明显的认知损伤。使用NBS校正进行连边分析没有结果，说明白质连接的损伤并不是局部性的，而是整体散落分布的。在前述的结果中，重度WMH组的表现比轻中度WMH组都要明显。作者的解释是，重度WMH组的白质损伤更严重、血管损伤更多，因此认知衰退也更严重。   

之前的研究表明SVD的经典影像标记（比如白质高信号）与死亡风险增加有关；而作者的研究发现，脑网络全局效率与死亡风险增加有关，但经典影像标记与死亡风险无关或者只有微弱关联。作者认为，一种可能的解释是，脑网络全局效率的下降可以充当SVD血管损伤的标记，并且可能比经典影像标记综合了更多信息；此外，在很多神经退行性疾病（如AD）中都发现了结构网络的破坏，因此脑结构网络变化可能就是神经退行过程的见证。不过，作者也表示，经典影像标记不能预测死亡风险，也可能是由于自己样本数据造成的统计力度不足。     

该研究的限制由于设备升级排除了大量被试。纵向研究中使用相同的认知测试量表，可能受到学习效应的影响，从而使得认知衰退的衡量没有那么严重。数据采集使用1.5T的机器，使得DTI图像分辨率较低，信噪比较低，而且现有的纤维追踪技术还不能完全解决纤维交叉的问题。    

编者注，稍微思考一下作者的讨论： 

（1）作者肯定了自己在文章篇首提出的两个问题； 

（2）NBS校正无结果、重度WMH组结果更明显，作者的解释还是比较有说服力的；  

（3）经典影像标记不能很好地预测死亡风险，这与前人的结果是略有不同的，作者提出了一些佐证，但是说服力并不很强；  
原文：Structural network changes in cerebral small vessel disease

微信扫码或者长按选择识别关注思影