鐘毅欣 趙建農(nóng)*

血氧水平依賴功能MRI （blood oxygen leveldependent functional MRI,BOLD-fMRI） 通過評價腦生理代謝和血流動力學功能進行成像，是構建腦功能網(wǎng)絡常用的成像技術。 腦功能網(wǎng)絡是對基于腦結構網(wǎng)絡的不同神經(jīng)元、神經(jīng)元集群或各功能腦區(qū)等腦功能單元之間動態(tài)活動強弱在某一時間段的直觀描述。 靜息態(tài)腦功能網(wǎng)絡則是指被試者在未執(zhí)行特殊任務的靜息狀態(tài)下大腦仍存在的有序活動的網(wǎng)絡，通常包括腦默認網(wǎng)絡、注意網(wǎng)絡及視覺網(wǎng)絡等。 近年來隨著基于大尺度即功能腦區(qū)的研究逐步深入，研究者們認識到人腦的各個腦區(qū)并不是孤立存在，而是彼此構成一個相互協(xié)作、密切聯(lián)系的網(wǎng)絡， 并且發(fā)現(xiàn)許多疾病都與腦功能網(wǎng)絡受損有關。目前的研究將腦功能網(wǎng)絡連接分為描述大腦解剖生理活動相關性的功能網(wǎng)絡連接和反映腦結構網(wǎng)絡各節(jié)點信息交流方向性的效應性網(wǎng)絡連接[1]。

1 BOLD-fMRI 簡介及腦功能網(wǎng)絡分析方法

1990 年Ogawa 等[2]利用人體內(nèi)的血紅蛋白作為內(nèi)在對比劑，通過血氧飽和度對比來反映腦神經(jīng)功能活動的變化，即BOLD-fMRI。BOLD-fMRI 的成像基礎是當大腦神經(jīng)元集群受到刺激引發(fā)功能活動時，其鄰近血管床血流量和血容量增加，且兩者的增加大于氧代謝的消耗，使該區(qū)域的氧合血紅蛋白含量高于其他腦區(qū)，脫氧血紅蛋白含量低于其他腦區(qū)。 由于脫氧血紅蛋白是一種順磁性的物質(zhì)，它會減少T2的權重，所以被激活的功能腦區(qū)信號明顯高于其他腦區(qū)。 另一方面，存在腦功能網(wǎng)絡連接的腦區(qū)之間有同步的血氧水平依賴， 故BOLD-fMRI 可以用來描述各個腦區(qū)相互配合協(xié)作的腦網(wǎng)絡模式。 2005 年Salvador 等[3]首次利用靜息態(tài)功能MRI（resting state fMRI，rs-fMRI）對12 名年齡為23～48歲正常人構建出靜息態(tài)腦功能網(wǎng)絡，并分析認為這些健康人的腦功能網(wǎng)絡具有“小世界”屬性。 此次研究開啟了基于BOLD-fMRI 的腦功能網(wǎng)絡研究序幕。

2 腦功能網(wǎng)絡分析方法的構建步驟

將fMRI 預先收集到的數(shù)據(jù)進行標準化處理，即采用MATLAB 的DPASFA（http：/www.restfmri.net）軟件對數(shù)據(jù)進行頭動校正、時間點校正及空間標準化，然后運用濾波（0.008～0.080 Hz）去除由呼吸、心跳引起的高頻生理噪聲及低頻漂移。

與腦結構網(wǎng)絡構建相似，腦功能網(wǎng)絡也需要定義網(wǎng)絡節(jié)點與連接。 目前研究者普遍采用將全腦分割為90 個功能腦區(qū)的自動解剖標定（automated anatomical labeling,AAL）標準腦模板[4]定義節(jié)點，該模板定義的節(jié)點即為興趣區(qū) （region of interest,ROI），然后以節(jié)點為單位計算該腦區(qū)內(nèi)所有體素的平均時間序列，通過計算不同節(jié)點之間時間序列的Pearson 相關系數(shù)得到不同腦區(qū)之間的時間序列同步性，從而反映腦區(qū)之間的功能關系[5]。

閾值的設定與功能網(wǎng)絡的構建是將第二步計算得到的不同腦區(qū)之間的相關系數(shù)映射在相應的空間中，若大于設定的閾值，即表示兩個腦區(qū)之間存在連接邊；若小于設定的閾值，即認為兩腦區(qū)之間的連接邊不存在。 此處的閾值設定需保證所有腦區(qū)既有邊連接又要去除噪聲邊。

3 復雜性腦功能網(wǎng)絡描述

腦功能網(wǎng)絡構建好以后，即可采用復雜網(wǎng)絡理論對結果進行分析。早期的研究人們是以規(guī)則網(wǎng)絡和隨機網(wǎng)絡來描述模擬的復雜系統(tǒng)。后來的研究發(fā)現(xiàn)“小世界性”及“無標度性”是復雜網(wǎng)絡所具有的重要統(tǒng)計學特征，故此后兩者多用于描述真實復雜網(wǎng)絡[6]。

3.1 小世界網(wǎng)絡 1998 年Watts 等[7]通過對小線蟲的神經(jīng)網(wǎng)絡研究發(fā)現(xiàn)其具有“小世界”的屬性，推測人類大腦神經(jīng)網(wǎng)絡也有此屬性，就此揭開了人類腦神經(jīng)網(wǎng)絡連接的研究序幕。 小世界網(wǎng)絡具有較大的聚類系數(shù)（通過閾值計算出與該節(jié)點存在的連邊數(shù)目占所有可能與該節(jié)點連邊數(shù)目的比值，用于描述網(wǎng)絡局部連接特征）和較短的特征路徑長度（兩節(jié)點之間距離的平均值，用于描述網(wǎng)絡整體連接特征）。其與規(guī)則網(wǎng)絡和隨機網(wǎng)絡不同，規(guī)則網(wǎng)絡聚類系數(shù)與特征路徑長度都較大，而隨機網(wǎng)絡兩者均較小。

3.2 無標度網(wǎng)絡 Barabasi 等[8]研究發(fā)現(xiàn)復雜網(wǎng)絡的節(jié)點具有冪律分布的特性，這種特性被稱為無標度網(wǎng)絡，該網(wǎng)絡的少數(shù)節(jié)點有大量連接邊，另外的大量節(jié)點只有少量連接邊。 由于隨意攻擊常針對只有少量連接的節(jié)點，所以這種攻擊不會對機體的復雜網(wǎng)絡產(chǎn)生較大影響。

4 腦功能網(wǎng)絡分析方法在肝性腦病中的研究應用

肝性腦?。╤epatic encephalopathy, HE）是由嚴重肝病引起的以血氨等代謝紊亂為特征的一系列神經(jīng)系統(tǒng)綜合征， 是目前肝病的主要死亡原因之一，主要表現(xiàn)為認知功能減退、行為障礙及肝昏迷。明顯肝性腦?。╫vert hepatic encephalopathy,OHE）病人往往臨床癥狀明顯，診斷較容易。 輕微型肝性腦病（minimal hepatic encephalopath,MHE）病人沒有明顯癥狀，卻有潛在的較高風險，因此對MHE 的早期診斷也顯得尤為重要。 近年來由于BOLD-fMRI 的應用， 特別是對HE 病人靜息態(tài)腦功能網(wǎng)絡連接的研究，為理解HE 病理生理機制提供了更新的思路。

4.1 種子體素相關性分析 （seed voxel correlation analysis） 首先根據(jù)先驗知識劃定與要研究疾病的某些相關腦區(qū)作為種子區(qū)，然后記錄下該區(qū)域的平均時間序列，再通過相關系數(shù)的計算分析兩個不同種子區(qū)之間是否存在功能連接及功能連接的強度。Lin 等[9]在對25 例HE 病人（明顯肝性腦病11 例，亞臨床肝性腦病14 例） 與16 例無HE 的肝硬化病人的研究中發(fā)現(xiàn)，HE 病人后扣帶回與左側楔前葉、右側前扣帶回、左內(nèi)側額回連接減弱，并且這些地方的連接減弱與擴散張量成像 （diffusion tensor imaging，DTI）的平均擴散系數(shù)的增加成反比。 在以丘腦作為ROI 的分析中，MHE 組的雙側腹側前核及腹后內(nèi)側核連接減弱，尤其是左腹側前核與雙側殼核及蒼白球的連接明顯減弱， 這證明MHE 的功能損傷主要位于基底節(jié)區(qū)，與神經(jīng)心理反應速度降低、注意力缺陷有關[10]。Qi 等[11]在對103 名健康志愿者、69 例無HE 的肝硬化病人及34 例MHE 病人的研究中發(fā)現(xiàn)，后兩組在內(nèi)側前額回、左額上回、左顳葉、雙側顳中回較健康對照組連接減弱，這些區(qū)域都位于腦默認網(wǎng)絡（default-mode network,DMN），故可以認為肝硬化病人的DMN 受到損傷， 并且3 組間腦功能連接呈逐漸減弱的趨勢。這些結論為MHE的診斷提供了新的線索。 雖然種子體素相關性分析是腦網(wǎng)絡連接最常用、最基本的分析方法，但是該方法的研究結果取決于預設的種子區(qū)，并不能客觀全面地進行多個功能系統(tǒng)的研究。

4.2 獨立成分分析（independent component analysis,ICA） ICA 是盲源分析技術， 目前多采用空間獨立成分分析法，它可以將得到的BOLD 信號分離成不同的獨立成分， 避免種子體素分析方法的選擇偏倚，但其不能分析節(jié)點間連接強弱，所以目前多將基于數(shù)據(jù)驅動的獨立成分分析與基于假設驅動的種子體素相關性分析聯(lián)合應用，這樣既能得到腦功能網(wǎng)絡的空間分布，又能分析各個腦區(qū)之間功能網(wǎng)絡 連 接 的 強 弱[12-13]。 Chen 等[14]運 用ICA 方 法 提 取DMN，并在對19 名健康者、21 例沒有HE 的肝硬化病人、22 例有MHE 的肝硬化病人及20 例曾經(jīng)發(fā)生過明顯肝性腦病 （post overt hepatic encephalopathy,post-OHE）的肝硬化病人進行對照研究發(fā)現(xiàn)，4 組間在楔前葉、后扣帶回、左側額中回的腦網(wǎng)絡連接有顯著差異， 并且呈逐步降低的趨勢， 尤其是post-OHE 組病人降低最明顯，這說明post-OHE 較MHE腦功能損傷的風險更大。 由于注意能力的缺失是MHE 早期的特征，有導致病人駕駛能力下降及車禍的風險。 在進一步的研究中，Chen 等[15]通過ICA 提取出有MHE 的肝硬化病人、沒有MHE 肝硬化病人及健康者的腹側注意網(wǎng)絡、 背側注意網(wǎng)絡及DMN進行比較研究后發(fā)現(xiàn)，MHE 病人在這些區(qū)域腦網(wǎng)絡連接強度明顯低于其他兩組，尤其是左側頂上及頂下小葉、右側頂上小葉、雙側后扣帶回及楔前葉，這為評價MHE 腦功能的改變提供參考， 說明靜息態(tài)注意相關網(wǎng)絡的改變可能在MHE 注意力缺失中有重要作用。

4.3 效應網(wǎng)絡連接 前兩種方法只考慮節(jié)點間連接強弱而不考慮連接的方向性。 效應網(wǎng)絡連接能描述兩節(jié)點間統(tǒng)計學的因果效應，反映節(jié)點間的連接方向，該方法需根據(jù)先驗知識設定特定腦區(qū)，并依賴于統(tǒng)計模型的構建。 目前較常用的構建模型為動態(tài)因果模型（dynamic causal modeling,DCM）及格蘭杰因果模型[16]。 以往的研究發(fā)現(xiàn)由于錳的蓄積，HE病人基底節(jié)區(qū)在T1WI 上表現(xiàn)為高信號， 尤其是蒼白球區(qū)域[17]。故Qi 等[18]在35 例低級別HE 病人與健康對照者的研究中，以蒼白球作為ROI，建立格蘭杰因果模型。 發(fā)現(xiàn)低級別HE 組較健康對照組左側蒼白球向左側前扣帶皮質(zhì)、雙側楔葉、右側顳中回的效應連接減弱，而在其他腦區(qū)向左側蒼白球效應連接中發(fā)現(xiàn)左側前扣帶皮質(zhì)、右側楔葉、殼核等腦區(qū)向左側蒼白球效應連接減弱。 并且，在以右側蒼白球為ROI 的研究中也有相應腦區(qū)的類似改變。 這說明低級別HE 基于基底節(jié)區(qū)的效應連接已經(jīng)被破壞， 可能為進一步理解HE 神經(jīng)心理學機制提供了幫助。

4.4 其他功能連接研究 基于圖論的復雜網(wǎng)絡研究發(fā)現(xiàn)不論正常人或神經(jīng)精神疾病病人的腦網(wǎng)絡均具有“小世界”特性，不同的是聚類系數(shù)及特征路徑長度較正常人發(fā)生了改變[19]。 Zhang 等[20]對MHE及沒有HE 的肝硬化病人的研究證實肝硬化病人的“小世界”屬性較正常人發(fā)生改變，并且從沒有HE的肝硬化到MHE 的病情進展中， 病人的腦網(wǎng)絡的架構可能發(fā)生了變化， 尤其是基底節(jié)-丘腦皮質(zhì)回路，這與其他腦網(wǎng)絡分析方法的研究結果類似[9]。 近年來除了基于BOLD-fMRI 的腦功能網(wǎng)絡研究，還有基于腦磁圖或腦電圖等多模態(tài)的腦功能網(wǎng)絡研究，后兩者能在神經(jīng)元級別揭示前者研究結果的準確性[21-23]。這類研究或許可以為進一步揭示HE 病人腦網(wǎng)絡改變與腦水腫之間的關系，尤其是在細胞水平探究形態(tài)、 功能改變的因果關系提供新的思路，但目前BOLD-fMRI 與腦磁圖、 腦電圖的聯(lián)合應用在HE 的研究較少，故還需做進一步的相關研究。

5 展望

靜息態(tài)腦功能網(wǎng)絡研究在疾病的病理生理學機制及疾病進展期腦功能網(wǎng)絡重新架構有重要作用。但有研究者發(fā)現(xiàn)，不同的腦網(wǎng)絡連接方式會對研究結果產(chǎn)生不同的影響[24]，這需要對腦功能網(wǎng)絡連接做進一步的探索及研究。 另一方面，最新的研究發(fā)現(xiàn)基于度中心性[25]及功能連接密度圖[26-27]的種子體素選擇方法的應用，能更好地規(guī)避噪聲干擾及種子區(qū)的選擇偏倚， 得到更為優(yōu)化及準確的數(shù)據(jù)結果。 綜上，隨著影像技術的發(fā)展，腦功能網(wǎng)絡分析方法的不斷完善，BOLD-fMRI、腦磁圖、腦電圖等多模態(tài)成像方式及腦結構網(wǎng)絡和腦功能網(wǎng)絡的聯(lián)合應用，可以得到更為集中和可靠的研究數(shù)據(jù)，為臨床疾病診斷提供更有價值的依據(jù)。

[1] 梁夏, 王金輝,賀永.人腦連接組研究：腦結構網(wǎng)絡和腦功能網(wǎng)絡[J]. 科學通報,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] 李亞鵬, 沈茗，戴慧，等. 探索大腦網(wǎng)絡連接的幾種方式——基于靜息態(tài)功能磁共振數(shù)據(jù)[J]. 中國醫(yī)學物理學雜志,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.