静息态脑功能网络分析方法及在肝性脑病的研究进展

钟毅欣 赵建农*

血氧水平依赖功能MRI （blood oxygen leveldependent functional MRI,BOLD-fMRI） 通过评价脑生理代谢和血流动力学功能进行成像，是构建脑功能网络常用的成像技术。 脑功能网络是对基于脑结构网络的不同神经元、神经元集群或各功能脑区等脑功能单元之间动态活动强弱在某一时间段的直观描述。 静息态脑功能网络则是指被试者在未执行特殊任务的静息状态下大脑仍存在的有序活动的网络，通常包括脑默认网络、注意网络及视觉网络等。 近年来随着基于大尺度即功能脑区的研究逐步深入，研究者们认识到人脑的各个脑区并不是孤立存在，而是彼此构成一个相互协作、密切联系的网络， 并且发现许多疾病都与脑功能网络受损有关。目前的研究将脑功能网络连接分为描述大脑解剖生理活动相关性的功能网络连接和反映脑结构网络各节点信息交流方向性的效应性网络连接[1]。

1 BOLD-fMRI 简介及脑功能网络分析方法

1990 年Ogawa 等[2]利用人体内的血红蛋白作为内在对比剂，通过血氧饱和度对比来反映脑神经功能活动的变化，即BOLD-fMRI。BOLD-fMRI 的成像基础是当大脑神经元集群受到刺激引发功能活动时，其邻近血管床血流量和血容量增加，且两者的增加大于氧代谢的消耗，使该区域的氧合血红蛋白含量高于其他脑区，脱氧血红蛋白含量低于其他脑区。 由于脱氧血红蛋白是一种顺磁性的物质，它会减少T2的权重，所以被激活的功能脑区信号明显高于其他脑区。 另一方面，存在脑功能网络连接的脑区之间有同步的血氧水平依赖， 故BOLD-fMRI 可以用来描述各个脑区相互配合协作的脑网络模式。 2005 年Salvador 等[3]首次利用静息态功能MRI（resting state fMRI，rs-fMRI）对12 名年龄为23～48岁正常人构建出静息态脑功能网络，并分析认为这些健康人的脑功能网络具有“小世界”属性。 此次研究开启了基于BOLD-fMRI 的脑功能网络研究序幕。

2 脑功能网络分析方法的构建步骤

将fMRI 预先收集到的数据进行标准化处理，即采用MATLAB 的DPASFA（http：/www.restfmri.net）软件对数据进行头动校正、时间点校正及空间标准化，然后运用滤波（0.008～0.080 Hz）去除由呼吸、心跳引起的高频生理噪声及低频漂移。

与脑结构网络构建相似，脑功能网络也需要定义网络节点与连接。 目前研究者普遍采用将全脑分割为90 个功能脑区的自动解剖标定（automated anatomical labeling,AAL）标准脑模板[4]定义节点，该模板定义的节点即为兴趣区 （region of interest,ROI），然后以节点为单位计算该脑区内所有体素的平均时间序列，通过计算不同节点之间时间序列的Pearson 相关系数得到不同脑区之间的时间序列同步性，从而反映脑区之间的功能关系[5]。

阈值的设定与功能网络的构建是将第二步计算得到的不同脑区之间的相关系数映射在相应的空间中，若大于设定的阈值，即表示两个脑区之间存在连接边；若小于设定的阈值，即认为两脑区之间的连接边不存在。 此处的阈值设定需保证所有脑区既有边连接又要去除噪声边。

3 复杂性脑功能网络描述

脑功能网络构建好以后，即可采用复杂网络理论对结果进行分析。早期的研究人们是以规则网络和随机网络来描述模拟的复杂系统。后来的研究发现“小世界性”及“无标度性”是复杂网络所具有的重要统计学特征，故此后两者多用于描述真实复杂网络[6]。

3.1 小世界网络 1998 年Watts 等[7]通过对小线虫的神经网络研究发现其具有“小世界”的属性，推测人类大脑神经网络也有此属性，就此揭开了人类脑神经网络连接的研究序幕。 小世界网络具有较大的聚类系数（通过阈值计算出与该节点存在的连边数目占所有可能与该节点连边数目的比值，用于描述网络局部连接特征）和较短的特征路径长度（两节点之间距离的平均值，用于描述网络整体连接特征）。其与规则网络和随机网络不同，规则网络聚类系数与特征路径长度都较大，而随机网络两者均较小。

3.2 无标度网络 Barabasi 等[8]研究发现复杂网络的节点具有幂律分布的特性，这种特性被称为无标度网络，该网络的少数节点有大量连接边，另外的大量节点只有少量连接边。 由于随意攻击常针对只有少量连接的节点，所以这种攻击不会对机体的复杂网络产生较大影响。

4 脑功能网络分析方法在肝性脑病中的研究应用

肝性脑病（hepatic encephalopathy, HE）是由严重肝病引起的以血氨等代谢紊乱为特征的一系列神经系统综合征， 是目前肝病的主要死亡原因之一，主要表现为认知功能减退、行为障碍及肝昏迷。明显肝性脑病（overt hepatic encephalopathy,OHE）病人往往临床症状明显，诊断较容易。 轻微型肝性脑病（minimal hepatic encephalopath,MHE）病人没有明显症状，却有潜在的较高风险，因此对MHE 的早期诊断也显得尤为重要。 近年来由于BOLD-fMRI 的应用， 特别是对HE 病人静息态脑功能网络连接的研究，为理解HE 病理生理机制提供了更新的思路。

4.1 种子体素相关性分析 （seed voxel correlation analysis） 首先根据先验知识划定与要研究疾病的某些相关脑区作为种子区，然后记录下该区域的平均时间序列，再通过相关系数的计算分析两个不同种子区之间是否存在功能连接及功能连接的强度。Lin 等[9]在对25 例HE 病人（明显肝性脑病11 例，亚临床肝性脑病14 例） 与16 例无HE 的肝硬化病人的研究中发现，HE 病人后扣带回与左侧楔前叶、右侧前扣带回、左内侧额回连接减弱，并且这些地方的连接减弱与扩散张量成像 （diffusion tensor imaging，DTI）的平均扩散系数的增加成反比。 在以丘脑作为ROI 的分析中，MHE 组的双侧腹侧前核及腹后内侧核连接减弱，尤其是左腹侧前核与双侧壳核及苍白球的连接明显减弱， 这证明MHE 的功能损伤主要位于基底节区，与神经心理反应速度降低、注意力缺陷有关[10]。Qi 等[11]在对103 名健康志愿者、69 例无HE 的肝硬化病人及34 例MHE 病人的研究中发现，后两组在内侧前额回、左额上回、左颞叶、双侧颞中回较健康对照组连接减弱，这些区域都位于脑默认网络（default-mode network,DMN），故可以认为肝硬化病人的DMN 受到损伤， 并且3 组间脑功能连接呈逐渐减弱的趋势。这些结论为MHE的诊断提供了新的线索。 虽然种子体素相关性分析是脑网络连接最常用、最基本的分析方法，但是该方法的研究结果取决于预设的种子区，并不能客观全面地进行多个功能系统的研究。

4.2 独立成分分析（independent component analysis,ICA） ICA 是盲源分析技术， 目前多采用空间独立成分分析法，它可以将得到的BOLD 信号分离成不同的独立成分， 避免种子体素分析方法的选择偏倚，但其不能分析节点间连接强弱，所以目前多将基于数据驱动的独立成分分析与基于假设驱动的种子体素相关性分析联合应用，这样既能得到脑功能网络的空间分布，又能分析各个脑区之间功能网络 连 接 的 强 弱[12-13]。 Chen 等[14]运 用ICA 方 法 提 取DMN，并在对19 名健康者、21 例没有HE 的肝硬化病人、22 例有MHE 的肝硬化病人及20 例曾经发生过明显肝性脑病 （post overt hepatic encephalopathy,post-OHE）的肝硬化病人进行对照研究发现，4 组间在楔前叶、后扣带回、左侧额中回的脑网络连接有显著差异， 并且呈逐步降低的趋势， 尤其是post-OHE 组病人降低最明显，这说明post-OHE 较MHE脑功能损伤的风险更大。 由于注意能力的缺失是MHE 早期的特征，有导致病人驾驶能力下降及车祸的风险。 在进一步的研究中，Chen 等[15]通过ICA 提取出有MHE 的肝硬化病人、没有MHE 肝硬化病人及健康者的腹侧注意网络、 背侧注意网络及DMN进行比较研究后发现，MHE 病人在这些区域脑网络连接强度明显低于其他两组，尤其是左侧顶上及顶下小叶、右侧顶上小叶、双侧后扣带回及楔前叶，这为评价MHE 脑功能的改变提供参考， 说明静息态注意相关网络的改变可能在MHE 注意力缺失中有重要作用。

4.3 效应网络连接 前两种方法只考虑节点间连接强弱而不考虑连接的方向性。 效应网络连接能描述两节点间统计学的因果效应，反映节点间的连接方向，该方法需根据先验知识设定特定脑区，并依赖于统计模型的构建。 目前较常用的构建模型为动态因果模型（dynamic causal modeling,DCM）及格兰杰因果模型[16]。 以往的研究发现由于锰的蓄积，HE病人基底节区在T1WI 上表现为高信号， 尤其是苍白球区域[17]。故Qi 等[18]在35 例低级别HE 病人与健康对照者的研究中，以苍白球作为ROI，建立格兰杰因果模型。 发现低级别HE 组较健康对照组左侧苍白球向左侧前扣带皮质、双侧楔叶、右侧颞中回的效应连接减弱，而在其他脑区向左侧苍白球效应连接中发现左侧前扣带皮质、右侧楔叶、壳核等脑区向左侧苍白球效应连接减弱。 并且，在以右侧苍白球为ROI 的研究中也有相应脑区的类似改变。 这说明低级别HE 基于基底节区的效应连接已经被破坏， 可能为进一步理解HE 神经心理学机制提供了帮助。

4.4 其他功能连接研究 基于图论的复杂网络研究发现不论正常人或神经精神疾病病人的脑网络均具有“小世界”特性，不同的是聚类系数及特征路径长度较正常人发生了改变[19]。 Zhang 等[20]对MHE及没有HE 的肝硬化病人的研究证实肝硬化病人的“小世界”属性较正常人发生改变，并且从没有HE的肝硬化到MHE 的病情进展中， 病人的脑网络的架构可能发生了变化， 尤其是基底节-丘脑皮质回路，这与其他脑网络分析方法的研究结果类似[9]。 近年来除了基于BOLD-fMRI 的脑功能网络研究，还有基于脑磁图或脑电图等多模态的脑功能网络研究，后两者能在神经元级别揭示前者研究结果的准确性[21-23]。这类研究或许可以为进一步揭示HE 病人脑网络改变与脑水肿之间的关系，尤其是在细胞水平探究形态、 功能改变的因果关系提供新的思路，但目前BOLD-fMRI 与脑磁图、 脑电图的联合应用在HE 的研究较少，故还需做进一步的相关研究。

5 展望

静息态脑功能网络研究在疾病的病理生理学机制及疾病进展期脑功能网络重新架构有重要作用。但有研究者发现，不同的脑网络连接方式会对研究结果产生不同的影响[24]，这需要对脑功能网络连接做进一步的探索及研究。 另一方面，最新的研究发现基于度中心性[25]及功能连接密度图[26-27]的种子体素选择方法的应用，能更好地规避噪声干扰及种子区的选择偏倚， 得到更为优化及准确的数据结果。 综上，随着影像技术的发展，脑功能网络分析方法的不断完善，BOLD-fMRI、脑磁图、脑电图等多模态成像方式及脑结构网络和脑功能网络的联合应用，可以得到更为集中和可靠的研究数据，为临床疾病诊断提供更有价值的依据。

[1] 梁夏, 王金辉,贺永.人脑连接组研究：脑结构网络和脑功能网络[J]. 科学通报,2010，55：1565-1583.

[2] Ogawa S,Lee TM,Kay AR,et al.Brain magnetic resonance imaging with contrast dependent on blood oxygenation[J].Proc Natl Acad Sci USA,1990,87：9868-9872.

[3] Salvador R, Suckling J, Coleman MR, et al. Neurophysiological architecture of functional magnetic resonance images of human brain[J].Cereb Cortex,2005,15：1332-1342.

[4] Tzourio Mazoyer N, Landeau B, Papathanassiou D, et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain[J].Neuroimage,2002,15：273-289.

[5] Hampson M, Peterson BS, Skudlarski P, et al. Detection of functional connectivity using temporal correlations in MR images[J].Hum Brain Mapp,2002,15：247-262.

[6] Bressler SL, Menon V. Large-scale brain networks in cognition：emerging methods and principles[J]. Trends Cogn Sci, 2010,14：277-290.

[7] Watts DJ, Strogatz SH. Collective dynamics of 'small -world'networks[J].Nature,1998,393：440-442.

[8] Barabasi AL,Albert R.Emergence of scaling in random networks[J].Science,1999,286：509-512.

[9] Lin WC, Hsu TW, Chen CL, et al. Connectivity of default-mode network is associated with cerebral edema in hepatic encephalopathy[J].PLoS One,2012,7：e36986.

[10] Qi R, Zhang LJ, Zhong J, et al. Disrupted thalamic resting-state functional connectivity in patients with minimal hepatic encephalopathy[J].Eur J Radiol,2013,82：850-856.

[11] Qi R, Zhang LJ, Luo S, et al. Default mode network functional connectivity： a promising biomarker for diagnosing minimal hepatic encephalopathy：CONSORT-compliant article[J].Medicine(Baltimore),2014,93：e227.

[12] van der Werff SJ, Pannekoek JN, Andela CD, et al. Resting-state functional connectivity in patients with long -term remission of cushing’s disease[J].Neuropsychopharmacology,2015,38：1-11.

[13] Dipasquale O, Griffanti L, Clerici M, et al. High-dimensional ICA analysis detects within-network functional connectivity damage of default-mode and sensory-motor networks in Alzheimer’s disease[J].Front Hum Neurosci,2015,9：43.

[14] Chen HJ,Jiao Y, Zhu XQ, et al. Brain dysfunction primarily related to previous overt hepatic encephalopathy compared with minimal hepatic encephalopathy： resting -state functional MR imaging demonstration[J].Radiology,2013,266：261-270.

[15] Chen HJ,Wang Y,Zhu XQ,et al.Classification of cirrhotic patients with or without minimal hepatic encephalopathy and healthy subjects using resting-state attention-related network analysis[J].PLoS One,2014,9：e89684.

[16] Stephan KE , Roebroeck A. A short history of causal modeling of fMRI data[J].Neuroimage,2012,62：856-863.

[17] McPhail MJ, Patel NR, Taylor-Robinson SD. Brain imaging and hepatic encephalopathy[J].Clin Liver Dis,2012，16：57-72.

[18] Qi R, Zhang LJ, Zhong J, et al. Altered effective connectivity network of the basal ganglia in low-grade hepatic encephalopathy：a resting-state fMRI study with Granger causality analysis[J]. PLoS One,2013,8：e53677.

[19] He Y, Chen ZJ, Evans AC. Small-world anatomical networks in the human brain revealed by cortical thickness from MRI[J]. Cereb Cortex,2007,17：2407-2419.

[20] Zhang LJ, Zheng G, Zhang L, et al. Disrupted small world networks in patients without overt hepatic encephalopathy： a resting state fMRI study[J].Eur J Radiol,2014,83：1890-1899.

[21] Tal O, Diwakar M, Wong CW, et al. Caffeine -induced global reductions in resting-state BOLD connectivity reflect widespread decreases in MEG connectivity[J].Front Hum Neurosci,2013,7：63.

[22] Chang C. Liu Z, Chen MC, et al. EEG correlates of time-varying BOLD functional connectivity[J].NeuroImage,2013,72：227-236.

[23] Hiltunen T, Kantola J, Abou Elseoud A, et al. Infra-slow EEG fluctuations are correlated with resting-state network dynamics in fMRI[J].J Neurosci,2014,34：356-362.

[24] 李亚鹏, 沈茗，戴慧，等. 探索大脑网络连接的几种方式——基于静息态功能磁共振数据[J]. 中国医学物理学杂志,2013,30：3898-3902.

[25] Zhang D, Liu X, Chen J, et al. Widespread increase of functional connectivity in Parkinson’s disease with tremor： a resting-state FMRI study[J].Front Aging Neurosci,2015,7：6.

[26] Zhang J, Bi W, Zhang Y, et al. Abnormal functional connectivity density in Parkinson’s disease[J].Behav Brain Res,2015,280：113-118.

[27] Wang T, Li Q, Guo M, et al. Abnormal functional connectivity density in children with anisometropic amblyopia at resting-state[J].Brain Res,2014,1563：41-51.