轻微型肝性脑病的静息态功能磁共振成像研究进展

周敏辉 李嘉颖 张华妮 孙志超

肝性脑病是由严重肝病引起、以代谢紊乱为基础的神经精神异常综合征，包括轻微型肝性脑病（minimal hepatic encephalopathy，MHE）和显性肝性脑病（overt hepatic encephalopathy，OHE）两种亚型[1]。MHE 是肝性脑病最早、最轻微的表现形式，仅表现为轻度认知功能障碍，且存在神经心理或神经生理异常，在肝硬化患者中发生率高达80%，大部分MHE 患者会随着疾病进展发展为OHE[2]，而OHE 在肝硬化患者中累积发生率至少为30%～45%，其相关复发率和死亡率均较高，严重威胁患者的生命健康[3]。因此，早期诊断和及时干预MHE 可改善肝病患者的生活质量[4]。

近年来，随着磁共振技术的不断发展，功能磁共振成像（functional magnetic resonance imaging，fMRI）成为目前研究人脑功能的重要影像学方法，其中基于血氧水平依赖的功能磁共振成像（blood oxygen level dependent fMRI，BOLD-fMRI）可以将脑组织因代谢产生的Hb 浓度变化以BOLD 信号波动的形式间接反映脑区神经元活动，被应用于检测肝性脑病患者细微的脑功能变化[5]，尤以静息态功能磁共振成像（resting-state fMRI，rs-fMRI）应用最普遍，是在没有任何刺激或特定任务中进行，可研究两个或多个空间分离区域的时间同步性或相关性，适用于潜在认知缺陷的患者。因此，本文对rs-fMRI 用于MHE 的研究进展作一综述，主要包括局部功能研究[区域同质性（regional homogeneity，ReHo）、低频波动振幅（amplitude of low frequency fluctuation，ALFF）]、功能连接研究[独立成分分析（independent component analysis,ICA）、基于种子的功能连接分析]、全脑功能网络分析和人工智能（artificial intelligence，AI）应用。

1 ReHo

ReHo 是基于大脑区域内每个体素的活动均具有与临近体素相似的时间特性（即局部同步）的假设，反映内在脑活动的相似性或一致性[6]。既往研究表明，MHE 患者相关脑区ReHo 改变主要分布在神经-精神智能和小脑-额叶神经环路的相关区域，且与神经测试得分相关[6-9]。Chen 等[7]首先使用fMRI 分析了MHE的肝硬化患者区域脑活动的同质性，结果发现与健康对照组比较，MHE 患者存在楔叶、邻近楔前叶和左侧顶叶的ReHo 显著降低，而左侧海马旁回、右侧小脑蚓部和双侧小脑前叶的ReHo 升高。Lv 等[8]发现MHE 患者前额叶皮层ReHo 升高，视觉、运动关联区和双侧楔前叶ReHo 减低。Sun 等[9]认为MHE 患者视觉网络（visual network，VN）中的右侧梭状、感觉运动网络（sensorimotor network，SMN）中的右中央后回、背侧注意网络（dorsal attention network，DAN）中的右侧额叶和额顶叶控制网络的ReHo 明显升高，而丘脑区域ReHo 减低，且与肝性脑病神经心理量表评分呈正相关。这些研究表明，MHE 患者存在多个脑区的局部活动异常，如认知功能、视觉处理、运动、注意力、记忆和情绪调控等，但大脑额叶为MHE 患者ReHo 变化的主要脑区，额叶作为神经-精神智能脑区的重要组成部分，是引起患者认知功能障碍的主要因素，在疾病进展中也发挥着重要作用。

有研究基于不同子频段的rs-fMRI，发现能提高ReHo 对肝性脑病严重程度分级的精准度，如Zhang等[10]发现在slow-4（0.027～0.073 Hz）频段与肝性脑病患者的神经心理表现和血氨水平的相关性最高，且获得了相对更好的分类精度。这项研究结果扩展了对肝硬化患者静息状态下大脑ReHo 模式改变的了解，在特定频段获得的肝硬化患者大脑改变具有重要临床意义，但相关研究目前仅限于有无肝性脑病，尚未在MHE 上进行研究，仍需进一步探索。ReHo 指标能反映大脑局部区域功能的一致性和连通性的变化，具有很高的重测信度，是反映MHE 神经心理学改变以及局部脑区活动异常的潜在生物标志物。但不足之处在于无法检测出远程区域之间的大脑活动同步信息以及某个脑区的活动强度。

2 ALFF

ALFF 通过检测低频（0.01～0.08 Hz）波动变化来测量局部或整个大脑活动强弱，即ALFF 值减低，则提示相应脑区的自发性活动减低。MHE 患者主要在视觉空间功能、注意力、认知控制及空间工作记忆等相关大脑区域存在异常的自发性脑活动[11-15]。如Qi 等[11]采用ALFF 对不同程度肝性脑病患者及肝硬化患者进行脑活动分析，发现MHE 患者存在自发性脑活动异常，还发现默认模式网络（default mode network，DMN）区域的ALFF 减少和后岛叶皮质的ALFF 增加与肝性脑病的严重程度相关。随着研究的不断深入，许多学者开始探索更稳定的ALFF，如分数ALFF（fraction ALFF，fALFF）和动态ALFF（dynamic ALFF，dALFF）。

fALFF 是指低频范围（0.01～0.08 Hz）每个频率的功率与整个频率范围（0～0.25 Hz）的功率比值，不仅能有效地去除生理噪声，而且还提高了灵敏度和特异度，Zhong 等[13]认为楔前叶及内侧前额叶皮层的ALFF及fALFF 的改变均可作为MHE 诊断的潜在生物标志物。目前研究最多的ALFF 均为静态ALFF（static ALFF，sALFF），认为fMRI 扫描期间大脑的BOLD 信号是静止不变的。然而，近期研究中发现人类大脑活动很有可能是时间依赖和动态变化的[14-15]。结合滑动窗技术的动态ALFF（dynamic ALFF，dALFF）分析方法，将整个时间序列细分为多个切片，并将每个切片中的ALFF 量化，可以有效捕捉脑瞬时活动模式的改变。Guo 等[14]发现MHE 患者存在局部异常的动态大脑功能改变，与神经认知功能障碍和疾病进展相关，且双侧楔前叶/后扣带回的dALFF 变异性指数在识别MHE 患者中具有中等效能（AUC=0.712）。Ji 等[15]使用dALFF和sALFF 来分析有无MHE 的肝硬化患者脑波动特征，发现两者联合的分类效能准确度最高。dALFF 为分析MHE 患者认知功能障碍背后的神经生物学基础提供了新角度。

除了单独分析ALFF 变化，还有学者将ALFF 与质子磁共振波谱相结合，以进一步探索MHE 患者脑内的代谢活动和脑功能偶联之间的联系，如Lu 等[16]发现MHE 肝硬化患者后扣带回的ALFF 和胆碱（chlorine，Cho）/肌酸（creatine，Cr）呈负相关。Chen 等[17]也发现丘脑的Cho/Cr 和肌醇（myo-inositol，mI）与特定频段的局部ALFF 呈正相关。上述研究结果证实了局部神经元的异常活动存在相应的代谢基础，可将多种fMRI 序列相结合深入探究MHE 的神经病理学改变。ALFF、fALFF 和dALFF 揭示了区域的自发大脑活动静态和动态的信号强度，从能量角度反映大脑中各体素活动水平的高低。但也存在不足之处，ALFF 易受对脑活动无关生理噪声的影响，fALFF 对于群体和个体之间的差异敏感度低于ALFF，dALFF 分析结果准确性易受生理噪声和滑动窗口大小的影响。

3 ICA

ICA 是一种基于盲源分离的数据驱动技术，从BOLD 信号中分离出一组空间独立的成分，关注每个独立成分（网络）内的综合相关性。基于种子的分析可以发现种子区域和整个大脑体素之间的单一相互作用，以及大脑中多个不同网络的体素到体素间的同时相互作用。DMN、VN、SMN、认知控制网络（cognitive control network，CCN）、听觉网络（auditory network，AN）、显著网络（salience network，SN）、中央执行网络（central executive network，CEN）、皮层下网络（subcortical network，SCN）、腹侧注意网络（ventral attention network，VAN）、颞叶网络（temporal lobe network，TLN）在MHE 患者中出现异常的功能连接改变[18-22]。

DMN 是目前最常用和最重要的静息态网络，其涉及楔前叶、后扣带回、外侧顶叶区和内侧前额叶皮层的区域系统[23]，主要参与维护静息态下大脑的基本活动，如自我意识的调节与控制、情景的加工与记忆以及对外界环境和信息的整合、评价等脑功能活动，在休息期间具有较高的代谢活性[24-26]。多项研究表明MHE 患者会出现DMN 网络的功能连接下降，且随着疾病进展会出现功能连接逐渐减少的趋势[18-19,25]。例如，Chen 等[25]发现大脑DMN 网络与认知功能障碍密切相关，在MHE 患者中楔前叶、后扣带皮层和左额内侧回这两个重要区域会出现功能连接明显下降。除DMN 之外，Bajaj 等[27]认为改善CCN 和VN 之间的联系将增强MHE 患者的工作记忆、心理运动速度和视觉运动协调性。Chen 等[28]认为SN、DMN 和CEN 之间的异常功能耦合是MHE 的核心特征。部分研究深入探索发现MHE 患者的DMN 内还存在异常的动态脑功能网络连接（dynamic functional network connectivity，dFNC）[26]。dFNC 是基于大脑活动的时变特性来识别不同网络之间的动态功能交互，提供了不同状态下的脑功能连接信息。Jiang 等[29]发现MHE 肝硬化患者存在dFNC 减少，涉及DMN 和CCN、SMN 和SCN 之间的连接。Lin等[30]发现CCN 和VN 的dFNC 在MHE 患者中会出现显著降低。这些研究表明，改变脑网络之间的连通性可能是未来改善MHE 的潜在方向，动态脑功能连接可能是未来监测MHE 发展的重要辅助工具。

ICA 通过将整个研究参与者的数据集暂时连接或连接到单个大数据集，可以在一组研究参与者中实施单个ICA，也可以用于进行群体水平的分析。但群组ICA（group ICA，GICA）算法在rs-fMRI 中存在变异性和不稳定性。而近来新提出的稳定ICA 算法（subject order independent GICA，SOI-GICA）较好地解决了GICA 存在的不足。ICA 描述了隐藏成分或网络的时间和空间特征，尽管对源信号的处理不需要先检验，但研究者需要凭借经验从噪声中识别ICA 的网络成分，而且对独立信号个数的确定比较困难。此外，ICA 不能测量大脑区域之间的联合强度，也不能同时检查多个网络。

4 基于种子的功能连接

基于种子的功能连接分析主要是研究特定脑区或全脑的功能连接变化，确定预先选择的种子或感兴趣区域（region of interest，ROI）与全脑体素之间的时间相关性。目前，已有大量研究对MHE 患者的丘脑、后扣带回皮层、前扣带回皮层、基地神经节、纹状体、海马以及形成DMN 的关键脑区的功能连接变化进行了分析[31-35]，均是通过预选择一个或一组ROI 进行功能连接分析，发现MHE 患者会出现功能连接显著减弱。ROI 不仅可以设定为特定的大脑网络或结构，还可以覆盖整个大脑。Zhang 等[36]通过在全脑水平上分析MHE 患者的ROI 功能连接变化，发现MHE 患者会出现广泛的皮质和皮质下网络功能连接改变，且与健康对照组相比存在ROI 功能连接减弱，并提出基底神经节-丘脑-皮层回路的异常可能与MHE 患者精神运动速度和注意力缺陷等认知功能障碍相关。

体素镜像同位连接性（voxel-mirrored homotopic connectivity，VMHC）是一种以大脑半球为种子，测量对称半球间体素之间功能连接改变的方法，可对静息状态下双侧大脑半球相同脑区等位体素功能连接的强度进行量化评价，通过评价双侧大脑半球之间的协调性，间接反映认知、感觉和行为等特征的改变。Chen等[37]采用VMHC 与弥散张量成像（diffusion tensor imaging，DTI）相结合的研究方法分析了大脑半球之间的相互作用，发现MHE 患者额内侧回、额上灰、前扣带回、顶下小叶、中央后回、舌回和枕中回区域的VMHC 降低，且胼胝体区的各向异性分数（fraction alanistrophy，FA）值降低和平均弥散率（mean diffusivity，MD）值升高，表明存在半球间协调异常，且前扣带回/额内侧回的VMHC 与胼胝体白质结构损伤相关。基于胼胝体作为连接两大脑半球皮质区域的最大白质结构，Ye 等[38]对胼胝体进行更深入的探讨，发现MHE患者存在大脑半球间VMHC 连接障碍和胼胝体体积减少（以中后部为著），且随着疾病进展逐渐受损，同时联合VMHC 和胼胝体体积对区分无肝性脑病和MHE 的肝硬化患者方面具有更高的鉴别价值。以上研究表明，在大脑半球连接分离的特定模式下两大脑半球间的沟通和协调功能与疾病进展及病理生理状况有关。

基于种子点的分析简单且易于解释，目前已经发展成为了功能连接分析的主要技术手段，种子点的选取是这类研究的重点。虽然依赖于预选择种子点且不能用于分析大量节点，但在全脑水平上分析在一定程度上避免了ROI 的选择偏差。对于不同脑区的有向脑网络或者网络信息因果关系的探索，基于种子点的分析具有能够和先验假设配合的优势，相比于其他方法在探究动态变化和因果关系的研究中具有更广阔的前景。

5 全脑网络分析

全脑功能网络分析是基于图论、无偏见和无先验假设的，通过将整个大脑建模为一个网络来进行功能性的连接体分析，已经成为研究MHE 一种常用方法。目前，功能连接密度（functional connectivity density，FCD）被许多学者用于MHE 诊断[39-42]。FCD 是基于体素水平的全脑功能网络分析，其通过测量全脑中一个体素与其他体素之间的内在联系，反映整个大脑体素之间的连接数量。此外，FCD 可以根据不同大脑体素之间的相邻关系来区分短距离和长距离的FCD 对象[39-40]。Cai 等[41]通过测量动态FCD 的一致性来评价脑网络的功能稳定性，发现MHE 患者在右侧缘上回、右侧中扣带皮层、左侧额上回和双侧后扣带皮层上的功能连接减少，而在左侧枕中回和右侧颞极上的功能连接增加，这些脑区均与认知功能相关（如注意力、记忆和视觉功能），表明脑网络功能稳定性改变可能是MHE 患者认知障碍的神经病理学基础。

基于图论的方法常用于全脑网络的功能连接组分析，包括小世界属性、聚类系数、网络效率、节点效率、模块化等，MHE 患者功能性全脑网络的拓扑组织往往更随机、更少集群和更少模块化[42-44]。人脑解剖和功能网络具有有效的小世界性质，Zhang 等[43]研究发现MHE 患者会出现大脑功能连接中断、小世界属性丢失，以及在疾病发展过程中发生脑网络重组，特别是基底神经节-丘脑皮层回路的紊乱。全脑功能网络分析中的另一种非参数统计方法是“基于网络的统计”（network-based statistic，NBS），能更敏感地识别连接组件（子网络）之间的差异，对全脑网络连接进行更高维度的分析。Zhan 等[45]在全脑功能连接组水平进行NBS 分析并识别与MHE 相关的功能连接变化，发现MHE 患者在涉及DMN 网络区域的子网络中出现功能连接显著减少，且DMN 与体感网络和语言网络相关区域之间的连接性也明显减少。NBS 作为一种在全脑连通性分析过程中处理多重比较的有效统计方法，但阈值选择的随意性会影响研究结果的稳定性和可靠性。

全脑功能网络分析与局部功能研究相比，具有多维度探索MHE 的神经病理学机制和功能网络重组关系的优势。FCD 是一种快速且无偏见的方法，不依赖于种子区域的先验选择。它能够高效地识别功能连接密集的区域，但不足之处在于FCD 分析中预处理参数的选择会对研究结果产生一定的影响。

6 AI 的应用

随着计算机技术的迅速发展，AI 被广泛用于疾病的发生、发展和预后预测等方面，是一种新兴的统计分析方法，能够对大数据进行深度挖掘与分析，包括机器学习和深度学习[6,12,15,20,46-48]。机器学习算法包括常规算法（逻辑回归、贝叶斯、决策树和支持向量机等）和集成算法（随机森林、XGBoost 和极限树等）。目前越来越多的研究将机器学习算法应用到肝性脑病领域并获得良好的诊断与预测结果，但与rs-fMRI 相结合来探索MHE 的研究尚处于初步阶段。其中支持向量机（support vector machine，SVM）是机器学习最典型的算法，是一种具有高分类精度的分类器，适用于具有小样本量和高维度的rs-fMRI 数据。

Chen 等[6]通过SVM 方法探索大脑内在活动的局部同质性，发现该模型在识别MHE 肝硬化患者上具有良好的诊断效能，其准确度、灵敏度和特异度分别为0.829、0.813 和0.842。Jiao 等[20]采用SVM、决策树（C4.5、CART）、逻辑回归和贝叶斯5 种机器学习算法来探索DMN 内异常功能整合与临床变量之间的关联以区分MHE 和健康人群，发现贝叶斯算法较其他算法具有更高的分类准确度（98%）。Cheng 等[48]通过结合SVM 及大脑连接的时变特性，发现功能连接的3 个动态特征（强度、稳定性和变异性）在诊断MHE 上具有更高的判别精度。AI 与rs-fMRI 相结合不仅能够使脑磁共振成像信息作为输入数据来识别肝硬化患者是否患有MHE，还能够间接评估大脑静态和动态的大脑功能连接变化[48]，提高了传统rs-fMRI 分析的准确度和特异度，也弥补了目前rs-fMRI 研究中存在的一些不足，比如人为数据处理耗时、易产生偏倚和图像分辨率低等。深度学习方法是AI 的另一个分支，相对于机器学习具有更高的大数据学习能力，但目前应用于rs-fMRI和MHE 的研究甚少，可能是未来研究MHE 精准诊断和监测的有效的影像生物学标志物。

7 展望

rs-fMRI 作为一种无创性的影像学检查技术，在显示脑形态学结构的同时，能更好地反映脑功能连接、局部大脑活动变化和全脑网络的拓扑特征，目前已被广泛应用于临床研究。rs-fMRI 为MHE 的早期诊断及疾病进展监测起到了积极作用，随着近年来研究的深入，实现了单个大脑网络、大规模脑网络到全脑拓展，由静态到功态功能连接的突破，来挖掘大脑网络的动力学、稳健性和相互作用。但随着大数据和精准医疗的驱动下，神经影像的多模态联合分析以及与AI 相结合的跨学科研究，为未来探索MHE 的病生理机制、诊断、预测和病情监测提供了一条新的研究途径。