BRAIN ：帕金森病中与痴呆相关的动态功能连接改变

fMRI成像手段由于其在高空间分辨率的优势获得了疾病研究的青睐，越来越多的疾病研究使用fMRI手段来通过找到特异的神经标记物从而提升临床治疗的诊断效力以及准确率。但是，功能磁共振受到其时间分辨率相对较低这一缺点的影响，在对疾病时间特异性和大脑功能随时间变化状态的观察方面存在一定的局限性。

而动态功能连通性在MRI获取过程中可以捕捉功能连接的时间变化，这可能是一种检测帕金森病认知变化的合适手段。

   来自意大利威尼斯圣卡米洛医院和加拿大多伦多大学的Eleonora Fiorenzato、Antonio P. Strafella等人通过使用动态功能连接方法对帕金森病人与痴呆相关的大脑功能的动态变化进行了研究。

      在这项研究中，作者评估了118名帕金森病患者，对他们的年龄、性别和受教育程度进行了控制（与35名健康对照者相匹配）。通过大量的神经心理学评估，帕金森病患者分为正常认知(52例)、轻度认知障碍(46例)和痴呆(20例)。采用静息态功能核磁共振成像和滑动窗方法（sliding-time）研究动态功能连接。

动态分析表明，在整个群体中存在两种截然不同的连接状态:一种是更频繁的、以网络内连接占优势为特征的分离的大脑状态I（segregated state），另一种是不太频繁的、具有强连接功能网络组件的集成状态II。在帕金森病中，状态I的发生率比健康对照组高13.89%，与此同时，状态II的发生率也相应降低。帕金森病亚组分析显示，帕金森病痴呆患者的分离状态比轻度认知障碍和正常认知组更频繁。此外，帕金森病痴呆患者在分离状态I中生存的时间明显更长，与其他亚组相比，向紧密连接状态II过渡的次数明显更少。

此外，作者的结果表明，在分离状态下驻留时间的增加和状态间转换次数的减少与帕金森病中痴呆的存在有关。对动态功能连接变化的进一步研究有助于更好地理解帕金森病认知状态间网络的进行性功能障碍。

研究背景：

帕金森病的认知功能障碍具有明显的异质性、高可能的变异性和潜在的离散病理特征。这就要求对其认知功能障碍神经基础的观察不仅要在空间分辨率上达到尽可能高的程度，还要在对其大脑功能随时间变化方面的观察提出一定要求。

静息状态功能核磁共振研究表明，大脑功能网络在休息和执行特定任务是其大脑连接状态会发生改变。然而，功能核磁共振研究不能提供必要的时间信息（受到TR的限制，只能拥有“秒”级别的时间分辨率），以了解人脑信息处理的时空方面。功能性核磁共振可以检测到高分辨率的局部的大脑活动，但它的时间分辨率比大多数感知和认知过程所需的时间要长得多（神经元的反应在毫秒级就能完成）。但尽管脑磁图和脑电图可以在足够高的时间分辨率上来研究大脑功能的动态状态，但它们的空间分辨率很低，不能识别潜在的神经源，尤其是在帕金森病中，退化涉及皮层和皮层下结构。

通过对脑功能磁共振成像的采集分析，可以对脑网络连接的时间动态变化进行观察。以往的研究已经表明，动态功能连接(DFC)的改变与特定的认知状态、精神状态和神经系统疾病(如阿尔茨海默病和帕金森病)有关。具体来说，对于帕金森病，DFC研究表明，帕金森病早期阶段的变化与疾病进展和轻度认知缺陷有关。然而，这些研究是基于相对较小的样本进行的（样本量的重要性！），并且只包括了非精神错乱的帕金森病人。

因此，本研究的主要目的是研究健康对照组与帕金森病患者之间的动态功能连接（DFC）的差异。帕金森病患者在从正常认知到痴呆的整个认知变化范围中具有足够的代表性。作者假设帕金森病的认知状态的改变与DFC变化的时间特性有关，这可能定义认知衰退和痴呆的功能神经成像生物标记（越来越多的文章将疾病研究的目标放在了对该类疾病或者某种功能受损的神经标记物！）

研究方法：

被试：

131例帕金森症患者，从2013年1月收集至2017年3月（沉得下心，下得了功夫！），在帕多瓦和威尼斯圣卡米洛医院的帕金森病和运动障碍科（the Parkinson Disease and Movement Disorders Unit, Neurology ClinicPadua and San Camillo Hospital Venice）收集数据。还采集了与病人组在年龄、性别和受教育程度相匹配的35名健康对照被试。对帕金森病人的诊断依据英国帕金森病学会脑库诊断标准（the UK Parkinson Disease Society Brain Bank diagnostic criteria）。排除了有头部外伤史、存在其他明显的精神、神经或系统性疾病以及MRI信号异常的受试者。采用运动障碍协会帕金森病统一评定量表(MDS-UPDRS-III)运动部分评定疾病严重程度。并且计算了每个患者的左旋多巴（帕金森病人的常服药）当量的日剂量。依据《赫尔辛基宣言》（the Declaration of Helsinki），该研究获得了当地的伦理道德审查委员会的批准，。

神经心理学和神经病学测量：

所有受试者都进行了全面的神经心理测试，根据II级标准专门针对帕金森病人进行认知缺陷测量。使用MMSE（Mini Mental State Examination，简明精神状态检查量表）和MoCA（Montreal Cognitive Assessment, 蒙特利尔认知评估量表）测量所有被试的认知受损状况。注意力和工作记忆区域的测试采用Trail Making Test (Giovagnoli et al., 1996)和韦氏成人智力量表第四版(WAIS IV)的数字广度排序。

使用Stroop色词测试和WAIS-IV相似性部分评估执行功能。采用瑞-奥斯特列斯复杂图形延迟重现法（the Rey-Osterrieth Complex Figure delayed recall）和散文记忆测试对记忆进行评估。语言能力通过语义流畅性测试和Novelli命名测试进行评估。通过Benton的直线定向判断测试(Gullett et al.，2013)和对视觉对象与空间感知中一系列的不完整的字母的识别任务，来评估视空间能力和视觉空间感知功能。此外，作者还使用了有8项测试对象的帕金森病生活质量量表(PDQ-8)、贝克抑郁量表(BDI-II)、状态-特质焦虑量表(STAI-I和II)、斯塔克斯坦冷漠量表(AS)和巴拉特冲动量表(BIS-11)分别评估了帕金森病人的生活质量和抑郁、焦虑、冷漠和冲动的存在情况（具体的认知测量结果见补充材料，这里给出作者对这些认知功能结果做的统计检验结果表，见表一，行为量表数据的采集也下足了功夫）。最后，作者还计算了所有认知测量的综合z得分，以衡量每个被试的整体认知水平。

表一 认知测量结果统计检验图

数据收集与预处理：

 使用1.5T的飞利浦核磁共振扫描仪（使用1.5T做研究的读者，请注意关注参数设置），结构像采集参数为：TR：8.3ms，翻转角度：8度、FOV：250*250mm、矩阵大小288*288、187层、体素大小：0.87 * 0.87 * 0.87。

  静息态数据采集参数：TR：1939.4 ms，转角度：90度、FOV230*230、矩阵大小80*80、体素大小2.875 *2.85 *5.20 mm （分辨率也不是一切）。静息态数据一共进行了两次连续扫描，每次8分钟，被试是闭眼躺在磁共振仪器中的。采用耳机来降低扫描仪噪声，泡沫填充抑制头部运动;此外，帕金森病患者在MRI扫描期间服用多巴胺能药物，以控制头部不自主运动。

  在预处理之前，作者进行了严格的图像质量控制（必须要保证图像采集质量）。质控主要针对信号异常和头动控制，头动控制采用mean FD值，阈值为0.2mm，采用scrub的方法对mean FD大于0.2的图片进行删除，删除超过30%的数据会被直接排除该被试（30%并不是一个金标准，要视你的数据扫描时长来确定哦）。根据这样的标准，作者一共剔除了13个病人组被试和1个健康组被试数据。

使用SPM12进行数据预处理，包括了头动矫正、两步配准法和6mm的高斯平滑。 

作者使用GIFT工具包来进行ICA数据处理以及DFC分析的构建。分析包括两个过程，第一个过程作者进行了被试层面的PCA分析，第二个过程进行了组层面的ICA分析（即group ICA）。首先在被试层面将特定于被试的成分数减少到120个，被试的数据是跨时间连接的。在组层面，采用期望最大化算法将成分数约简为100个组独立分量(ICs)。作者使用了ICASSO方法(Bell and Sejnowski, 1995)，这种方法可以通过重复独立分量分析算法20次，保证infomax独立分量分析算法的可靠性和稳定性。

将得到的成分进行聚类，估计其可靠性，并选择值为大于0.80的成分。利用逆向重建方法(GICA)得到了特定于被试的空间图和时间序列（即被试层面的成分）。

在100个独立成分中，作者采用手动和与模板进行空间相关计算的方法，确定了35个有意义的独立成分，并确定为7个网络，分别是：

默认网络（DMN）、基底神经节网络、听觉网络（AUD）、视觉网络（VIS）、感觉运动网络（SMN）、认知执行网络（CEN）和小脑网络（见图一）。作者对这35个独立成分数据还使用AFNI的3d-spike工具进行了滤波。

图一  七个独立成分网络图

作者采用滑动窗方法来进行DFC分析。窗长时间为22个TR（44s），步长为一个TR（2s），作者给出了这种选择方法的参考文献（Allen et al., 2014，方法有据是很重要的）。由于短时间序列的协方差估计具有较大的噪声，作者采用了正则化逆协方差矩阵。为了提高图像LASSO回归的稀疏性，作者通过100次重复增加了一个额外的用于精度矩阵的L1范数。计算DFC后，利用Fisher's z变换将所有函数连接矩阵转换为z-scores，以稳定方差（更服从正态分布），然后进行进一步分析。

聚类分析

在窗口功能连接矩阵上使用k-means聚类算法(Lloyd, 1982)，评估重复出现的功能连接模式(状态)，这些模式由这些状态的频率和结构表示。我们使用L1距离(Manhattan distance，曼哈顿距离，由十九世纪的赫尔曼·闵可夫斯基所创，是一种使用在几何度量空间的几何学用语，用以标明两个点在标准坐标系上的绝对轴距总和。与我们常说的欧式距离不同)来估计功能连接矩阵窗之间的相似度，这已经被证明是一种有效的高维数据度量方法。此外，为了估计最优聚类数，作者对所有受试者的样本进行了聚类效度分析(silhouette)。使用窗的子集(由功能连接方差中的局部最大值组成)作为被试范例，以减少窗和计算需求之间的冗余。作者根据之前研究的结果，确定最优聚类数为2(k = 2)。

动态连接的组间差异分析：功能连接的时间特性和强度

通过计算每种状态的平均停留时间和分式窗口或窗口比率（fractional windows），以及从一种状态到另一种状态（即网络间）的转换次数，称之为“过度次数“。通过这三个指标来研究了DFC状态的时间特性。平均“停留时间”定义为属于一个状态的连续窗口的数量，fractional windows被定义为属于一个状态的窗口总数（这里其实就是来定义属于某状态的窗口个数，可以理解为分属于某个状态的窗口或者窗口比率的概念，只是这里没有做比值计算而已）。“过渡次数”定义为状态间过渡的次数，表示每个状态的可靠性。

      通过重复测量方差分析，使用两次扫描作为受试者内因素，测试两次扫描在这些时间测量上是否有任何差异。在年龄、性别和受教育程度相匹配的健康对照组和帕金森病患者之间，采用两组样本t检验，观察他们在停留时间、窗口比率和过渡次数上的组间差异（p<0.05,使用FDR方法进行多重比较矫正以控制假阳性）。采用协方差分析研究帕金森病亚组(PD-NC、PD-MCI和PDD)之间的组间差异，并将教育、左旋多巴和多巴胺激动剂效日剂量作为协变量进行控制（p<0.05,使用FDR方法进行多重比较矫正以控制假阳性）。

被试的中位数矩阵通过对组水平每个成分状态的估计得到，采用独立样本t检验比较每个区域配对时每个状态的连接强度（共595对，p<0.05, 使用FDR方法进行多重比较矫正以控制假阳性）。

临床及神经心理学数据分析

使用spss 24.0 分析，采用独立样本T检验对健康对照组和帕金森病患者进行比较，采用单因素ANOVAs（三水平）对帕金森病患者认知状态(PD-NC、PD-MCI、PDD)的亚组进行比较。为比较健康对照组、PD-NC组、PD-MCI组和PDD组四个子组，采用单因素（四水平）ANOVAs。采用皮尔逊卡方检验（皮尔逊x2检验是检验实际频数和理论频数是否较为接近）比较分类变量。对整个组进行了时间属性改变与认知（包括前文测量的MoCA得分、MMSE得分以及认知测量的综合得分和帕金森病的运动严重程度(MDS-UPDRS-III)）的Pearson相关分析，统计分析的阈值为p<0.05，对进行多次比较的统计分析进行多重比较分析。

结果分析

人口统计学、临床和认知特征统计结果

作者的样本包括35名健康对照组和118名帕金森病患者。健康对照组与帕金森病患者整体年龄、文化程度、性别差异无统计学意义(补充资料表二，感兴趣查看补充材料即可，可加微信：siyingyxf获取)。46例(39.0%)符合MCI标准，20例(16.9%)符合痴呆标准，其余52例(44.1%)认知正常。

 

组间神经心理差异

检查结果表明PDD患者主要在注意/工作记忆领域受损(84.2%)，其次是记忆力(72.2%)、执行力、视觉空间(70.6%)和语言能力(38.9%)。在PD-MCI组中，注意力/工作记忆受损最严重(42.2%)，其次是视觉空间(40.0%)、记忆力、执行力和语言能力(分别为26.1%、22.2%和8.7%)。健康对照组与PD-NC无显著性差异。

表2 组间神经心理差异组间统计结果

图2 组间神经心理差异组间统计结果图

 

固定成分（即有效成分35个）网络连接结果

所有35个独立成分的空间图，通过组独立成分分析得到，如图3所示。根据它们的解剖结构和基于假设的功能特性，将独立的组成部分分为以下七个网络:AUD (ICs 97, 98), VIS (ICs 47, 54, 31, 58, 27,37, 55, 74),SMN (ICs 2, 10, 5, 4, 1), CEN (ICs 17, 66, 48, 51, 25, 71,18, 9),DMN (21, 73, 35, 38, 45, 34, 56, 72), and CB (36,44, 65)。具体见图3和图4。 

图3 ICA成分图

     动态功能连接状态分析

     动态功能连接状态分析确定了结构化功能连接状态的两种模式，在单个扫描期间、跨受试者和两次扫描运行之间重复出现。也就是说，一个更频繁和相对稀疏连接的状态I，和一个不那么频繁和更强连接的状态II。这两种状态的总发生率相差很大，状态I比状态II更频繁(66%)。如图5所示。

     组内的重复测量方差分析排除了时间特性的差异与扫描次数和组间关系有关。

图5 功能连接状态的两种模式

 作者对HC组和PD组聚类分析的结果进行了进一步分析，结果发现状态I的特征是稀疏的相互独立的组件连接，这些组件连接主要位于以下网络中(AUD、VIS、SMN、CEN、DMN和CB)。在状态II中，观察到较强的网络连接，包括AUD、VIS、SMN、CEN和DMN网络。在帕金森病中，I型（69.42 +27.10%）比II型（30.58 +27.10%）更常见；与帕金森病相比，在健康对照组中，状态I发生的频率较低（55.53 +26.43%）（p=0.008），状态II更常见（44.47+26.43%）（p=0.008），见图7。

图6 聚类分析的结果和网络内及网络间连接强度统计结果图 

在状态I的平均停留时间上，组间存在显著差异(帕金森病与健康对照组)。具体来说，帕金森病组在状态I的平均停留时间明显更长（帕金森病人组: 75.48+58.67,健康对照组: 46.39 +39.60;P = 0.007）。而在健康对照组中，状态II的平均停留时间有延长的趋势（健康对照组: 30.13 +24.43, 帕金森病人组:23.10 +24.48;P = 0.137）。

帕金森病亚组间比较显示，PDD患者在I状态下的时间明显多于PD-MCI和PD-NC患者(PDD:115.75+63.80, PD-MCI: 67.51+53.12, PDNC: 67.05+55.91, P<0.05,FDR correction)。同时，与PD-MCI相比，处于第二状态的时间更少，见图8。

与帕金森病(4.59 +2.64)患者相比，健康对照组(5.94±2.32)在大脑状态之间的变化更为频繁(P = 0.007)。最后，帕金森病亚组分析显示，与PD-MCI组和PD-NC组相比，PDD组的转换更少，见图9。

图7 窗口比率统计结果图

图8 平均停留时间统计结果图

图9 转换次数统计结果图

动态功能连接强度分析

对于状态I，我们观察到与帕金森病患者相比，健康对照组的60个连边在网络内和网络间连接更强(健康对照组>帕金森病人组, P =0.0125, FDR矫正)。这些连接中有20%在网络内部(SMN和DMN);其余为网络间(AUD-VIS、AUD-SMN、VIS-SMN、VIS-DMN、VIS-CEN、SMN-CEN、CEN-DMN,CEN-CB和DMN-CB)。

同时，作者还观察到13个帕金森病患者与健康对照组相比网络间连接更强的网络间连边（见图6B）。总的来说，这些分析表明较差的帕金森病认知能力可能与连接强度的改变有关。特别是帕金森病在DMN和CEN网络大于健康对照者的连接可能与帕金森病潜在的认知缺陷有关。

 

临床测量与动态功能连接特性之间的相关性

相关分析用于检验DFC特性是否与临床特征相关。作者发现状态I中的停留时间与注意力/工作记忆、执行力、记忆和视觉空间领域的认知表现呈负相关，与整体认知水平(MMSE和MoCA)也呈负相关（具体结果见图10）。这意味着较差的认知表现与长时间处于较稀疏的网络内连接状态I有关。相反，停留在状态II中的时间与认知得分无关。

作者还发现，窗口比率与记忆、视觉空间以及MoCA的认知表现之间存在负相关关系，这表明在每种状态下所花费的总时间百分比越高，认知功能越差。此外，转换次数与认知表现(在所有认知领域和总体认知量表上)呈正相关。此外，值得注意的是，DFC的时间特性与MDS-UPDRS-III无关。

图10临床测量与动态功能连接特性之间的相关性

     总结：总而言之，这是第一个评估帕金森病认知整体谱系的动态连接特性的大型研究，范围从正常认知到痴呆。重要的是，作者证明了帕金森病和健康对照组以及帕金森病和痴呆患者的动态功能时间特性(窗口比率、停留时间和转换次数)发生了变化。

     研究结果表明，在分离状态中停留时间的增加和状态间转换次数的减少与帕金森病中痴呆的存在有关。作者认为，功能连接的时间动态性，可能是一个有用的成像生物标记，能够监测帕金森病的认知变化。

 

原文：

Dynamic functional connectivity changes associated with dementia in Parkinson's disease

E Fiorenzato, AP Strafella, J Kim, R Schifano, L Weis… - Brain, 2019