王浩然，張 希，王天月，李 倩，李青吉，郭明霞

（1.天津醫(yī)科大學(xué)醫(yī)學(xué)影像學(xué)院，天津 300203，2.天津市泰達(dá)醫(yī)院設(shè)備科，天津 300457，3.天津市腫瘤醫(yī)院放射科，天津 300060，4.天津市愛爾眼科醫(yī)院綜合科，天津 300384）

弱視作為一種常見的視覺疾病，是兒童低視力的主要原因，主要是由于視覺發(fā)育的早期階段雙眼接受異常的視覺經(jīng)驗所致[1]。近年來，越來越多的研究采用靜息狀態(tài)功能磁共振成像 (resting-state functional magnetic resonance imaging,rs-fMRI)技術(shù)來探索弱視患者的大腦皮層結(jié)構(gòu)和功能的異常。研究發(fā)現(xiàn)，弱視患者存在多腦區(qū)功能、白質(zhì)結(jié)構(gòu)及灰質(zhì)形態(tài)的損傷[2]，而且損傷不僅存在于視覺皮層、背側(cè)及腹側(cè)視覺通路，還存在于視覺注意、視覺認(rèn)知相關(guān)的高級腦區(qū)；損傷不僅表現(xiàn)為多個獨(dú)立腦區(qū)的變化，還表現(xiàn)為這些腦區(qū)間功能連接的變化[3]。然而，這些關(guān)于弱視的研究都是弱視患者腦區(qū)之間功能變化的研究。大腦活動實際上是腦網(wǎng)絡(luò)的活動。視覺認(rèn)知功能的變化可能與網(wǎng)絡(luò)功能連接的變化密切相關(guān)。多變量模式分析（Multivariate Pattern Analysis，MVPA）方法是對傳統(tǒng)單變量分析的一種有效補(bǔ)充，它可以通過使用機(jī)器學(xué)習(xí)算法訓(xùn)練分類器來更全面地解碼fMRI數(shù)據(jù)中的變量[4]。本研究結(jié)合MVPA方法，單變量分析方法，以及靜息態(tài)功能連接（resting state functional connectivity，rsFC）分析方法對屈光參差性弱視兒童（AAC）和正常視力兒童（NSC）進(jìn)行分類和組間比較，探索屈光參差性弱視兒童長期異常視覺經(jīng)驗對其靜息態(tài)下腦網(wǎng)絡(luò)內(nèi)和網(wǎng)絡(luò)間功能連接的影響，為進(jìn)一步了解弱視對腦功能的影響提供實驗依據(jù)。

1 對象和方法

1.1 研究對象 對14例屈光參差性弱視兒童[11例男性，3例女性；年齡：（9.67 ± 2.9）歲，5～15 歲]和9例與之年齡、性別相匹配的正常視力兒童[男6例，女 3 例；年齡（11.37±2.9）歲，5～15 歲]進(jìn)行 fMRI檢查。所有被試均接受了一系列的眼科檢查，包括視力測試、眼內(nèi)壓和屈光測試、眼能動力和眼底檢查等。弱視眼矯正視力≤0.6，對側(cè)非弱視眼的裸眼或最佳矯正視力≥0.9的患者被確診為單眼屈光參差性弱視。所有對照組兒童的雙眼裸眼視力或最佳矯正視力均≥1.0。并且，所有被試均無中樞神經(jīng)系統(tǒng)器質(zhì)性病變、精神病史或者M(jìn)RI禁忌癥。

1.2 數(shù)據(jù)采集與預(yù)處理 所有被試的靜息態(tài)fMRI數(shù)據(jù)均采用GE 1.5T磁共振掃描儀（SignaHDx1.5 Tesla MR Scanner）掃描獲得。在掃描期間，所有被試都被要求要保持睜眼狀態(tài)，身體放松，避免凝視和進(jìn)行具體的思維活動。掃描參數(shù)如下：TR=2 000 ms，TE=60ms，F(xiàn)A=90°，matrix=64×64，F(xiàn)OV=220×220mm2，層厚5 mm，層間隔1 mm，共22層，共采集184個時間點的數(shù)據(jù)。本研究拋棄前4個時間點，選取后續(xù)的180個時間點數(shù)據(jù)用作分析。用DPARSF軟件對fMRI數(shù)據(jù)進(jìn)行預(yù)處理：層面時間校正、頭動校正、空間標(biāo)準(zhǔn)化和重采樣、去線性及帶通濾波（0.01～0.08 Hz）。排除頭動平動超過3 mm、轉(zhuǎn)動超過3°的被試數(shù)據(jù)。計算每個被試的圖像幀位移量（FD），排除平均FD大于0.5的被試數(shù)據(jù)。并通過多重線性回歸去除噪聲的干擾，包括：6個頭動參數(shù)、平均腦脊液信號以及平均白質(zhì)信號。最后，使用半高全寬（full width at half maxima,FWHM）為8 mm的高斯內(nèi)核對fMRI圖像數(shù)據(jù)進(jìn)行空間平滑。

1.3 基于體素的腦網(wǎng)絡(luò)內(nèi)和網(wǎng)絡(luò)間rsFC分析 本研究參考前人文獻(xiàn)中背側(cè)注意網(wǎng)絡(luò)(DAN)、默認(rèn)網(wǎng)絡(luò)（DMN）、額定控制網(wǎng)絡(luò)（FPCN）、腹側(cè)注意網(wǎng)絡(luò)（VAN）和視覺網(wǎng)絡(luò)（VN）的關(guān)鍵節(jié)點 MNI坐標(biāo)（表1）[5]。以坐標(biāo)位置為球心，8 mm為半徑建立種子點，共定義了大腦雙側(cè)60個種子點。使用每個種子點的平均時間序列，計算其與全腦每個體素時間序列之間的Pearson相關(guān)系數(shù)，得到每個被試基于每個種子點的rsFC全腦空間分布圖。經(jīng)過Fisher-z變換之后，60個種子點分別得到60組全腦功能連接z值圖。而后分別進(jìn)行60次獨(dú)立的探照燈法MVPA分析。

表1 網(wǎng)絡(luò)關(guān)鍵節(jié)點坐標(biāo)Tab 1 Coordinates of keynetwork seeds

探照燈法MVPA的步驟如下：

①以每個體素為中心及半徑4 mm范圍內(nèi)的體素作為分類特征，AAC組的分類標(biāo)簽為1，NSC組的分類標(biāo)簽為0；

②留一交叉驗證（LOOCV）：依次將每個被試的數(shù)據(jù)輪流作為測試集，通過預(yù)測該被試的分類標(biāo)簽得到分類正確率，N個被試得到N個正確率；

③為了避免支持向量機(jī)（SVM）分類器在不平衡數(shù)據(jù)集上進(jìn)行訓(xùn)練和測試時產(chǎn)生偏差，取AAC組和NSC組正確率的算術(shù)平均值得到最終的平衡正確率，并將該正確率歸為其對應(yīng)的中心體素的值；

④對每個體素重復(fù)步驟①-③得到所有體素正確率組成的最終分辨圖；

⑤使用最終分辨圖來檢測對AAC組腦網(wǎng)絡(luò)關(guān)鍵節(jié)點的rsFC分類正確率（CA）較高的腦區(qū)；

⑥置換檢驗：i個（i=1 000）排列順序均不同的隨機(jī)標(biāo)簽，對每一個隨機(jī)標(biāo)簽重復(fù)步驟①-④，得到i個最高CA的集合，建立隨機(jī)標(biāo)簽最高CA結(jié)果的零分布；

⑦Family-wise error（FWE）多重比較校正后的P值是由正確標(biāo)簽所得到的最終CA小于或等于由隨機(jī)標(biāo)簽所得到的最高CA零分布的概率，P≤0.05時，CA結(jié)果顯著；

⑧得到CA較高且顯著的結(jié)果腦區(qū)。

網(wǎng)絡(luò)節(jié)點與對應(yīng)結(jié)果腦區(qū)之間的rsFC便是能夠顯著區(qū)分AAC組和NSC組的rsFC。采用SPSS18.0（Statistical Package for the Social Science version 18.0，Chicago，IL，USA）對網(wǎng)絡(luò)節(jié)點與對應(yīng)結(jié)果腦區(qū)之間的rsFC進(jìn)行單樣本t檢驗及雙樣本t檢驗得到組間差異。根據(jù)結(jié)果腦區(qū)的峰值點坐標(biāo)參考前人的腦網(wǎng)絡(luò)劃分確定其所屬的本征腦網(wǎng)絡(luò)[5]，包括 DMN、DAN、FPCN、VAN、VN、感覺運(yùn)動網(wǎng)絡(luò)（SMN）、邊緣系統(tǒng)（Limbic system）和皮質(zhì)下腦區(qū)（Subcortex）。根據(jù)網(wǎng)絡(luò)關(guān)鍵節(jié)點和結(jié)果腦區(qū)的網(wǎng)絡(luò)位置，確定它們之間能夠顯著區(qū)分AAC組和NSC組的rsFC所屬的網(wǎng)絡(luò)連接。再根據(jù)各網(wǎng)絡(luò)連接內(nèi)所包含的功能連接的個數(shù)，得到所有功能連接的網(wǎng)絡(luò)分布情況。

1.4 基于感興趣區(qū)的腦網(wǎng)絡(luò)內(nèi)和網(wǎng)絡(luò)間rsFC分析 將探照燈法MVPA得到的結(jié)果腦區(qū)作為感興趣區(qū)（ROI），用Pearson相關(guān)系數(shù)求每個被試n個ROI兩兩之間的功能連接，得到n×n的對稱矩陣。經(jīng)過z變換后，取其下三角矩陣，得到一個n（n-1）/2維的特征向量作為分類特征。鑒于樣本數(shù)量遠(yuǎn)小于特征向量的數(shù)量，我們使用基于權(quán)重的特征選取SVM策略來檢測AAC組和NSC組之間具有辨別力的特征向量。同樣采用LOOCV來估計分類器性能，在每一次的交叉驗證期間，SVM分類器根據(jù)每個特征向量的分類權(quán)重對其進(jìn)行排序，找到具有較高權(quán)重的特征向量，并遞歸循環(huán)逐漸增加特征向量集的尺寸，找到擁有最高CA的特征向量集,并得到相應(yīng)的CA以及該特征集所包含的各個特征向量的分類權(quán)重。隨后，使用2 000個隨機(jī)標(biāo)簽對得到的最終CA進(jìn)行置換檢驗，得到隨機(jī)標(biāo)簽CA結(jié)果的零分布。P≤0.05時，CA結(jié)果顯著。

在每次LOOCV中，選取的特征會有所不同，其中每次都被選到的特征是弱視兒童發(fā)生異常的一致特征。使用SPSS18.0對一致特征進(jìn)行單樣本t檢驗及雙樣本t檢驗來檢測其在AAC組和NSC組之間的組間差異。并根據(jù)各ROI的網(wǎng)絡(luò)位置，確定所有一致特征所屬的網(wǎng)絡(luò)連接，通過對每個網(wǎng)絡(luò)連接里所包含的一致特征的權(quán)重相加得到所有一致特征的網(wǎng)絡(luò)分布情況。

2 結(jié)果

2.1 AAC組基于體素的腦網(wǎng)絡(luò)內(nèi)和網(wǎng)絡(luò)間rsFC變化 探照燈法MVPA能夠成功對AAC組和NSC組的腦網(wǎng)絡(luò)關(guān)鍵節(jié)點與全腦體素之間的rsFC進(jìn)行分類，并得到CA顯著較高的結(jié)果腦區(qū)（CA＞85%，P＜0.05，置換檢驗，1 000 次，F(xiàn)WE 校正)。各網(wǎng)絡(luò)的關(guān)鍵節(jié)點所得到的結(jié)果腦區(qū)如圖1 a-e所示。各網(wǎng)絡(luò)的關(guān)鍵節(jié)點與對應(yīng)結(jié)果腦區(qū)之間的rsFC分別在AAC組和NSC組中的具體平均值及組間差異情況如圖1 f-j所示。網(wǎng)絡(luò)關(guān)鍵節(jié)點與結(jié)果腦區(qū)之間能夠顯著區(qū)分AAC組和NSC組的rsFC主要分布在DMN網(wǎng)絡(luò)和DAN網(wǎng)絡(luò)內(nèi)部，以及DMN網(wǎng)絡(luò)分別與FPCN網(wǎng)絡(luò)、DAN網(wǎng)絡(luò)和VAN網(wǎng)絡(luò)之間（圖2）。單變量分析的結(jié)果顯示，其中，AAC組的DMN網(wǎng)絡(luò)和DAN網(wǎng)絡(luò)內(nèi)部，以及DMN網(wǎng)絡(luò)分別與FPCN網(wǎng)絡(luò)和DAN網(wǎng)絡(luò)之間的rsFC均減弱。

圖1 探照燈法MVPA得到的DAN網(wǎng)絡(luò) (圖a)、DMN網(wǎng)絡(luò) (圖b)、FPCN網(wǎng)絡(luò)(圖c)、VAN網(wǎng)絡(luò)(圖d)和VN網(wǎng)絡(luò)(圖e)關(guān)鍵節(jié)點的對應(yīng)結(jié)果腦區(qū)；各網(wǎng)絡(luò)的關(guān)鍵節(jié)點與其對應(yīng)結(jié)果腦區(qū)之間功能連接在AAC組和NSC組中均值的條形圖Fig 1 The brain regions of seeds form DAN(a),DMN(b),FPCN(c),VAN(d)and VN(e)obtained by searchlight MVPA;Bar plot showing the average values of the functional connectivity between seeds of each network and the brain regions for the AAC and NSC groups

圖2 網(wǎng)絡(luò)關(guān)鍵節(jié)點與結(jié)果腦區(qū)之間功能連接的網(wǎng)絡(luò)分布Fig 2 The network distribution of functional connectivity between network seeds and the brain regions

2.2 AAC組基于ROI的腦網(wǎng)絡(luò)內(nèi)和網(wǎng)絡(luò)間rsFC變化 基于權(quán)重的特征選取MVPA能夠顯著區(qū)分AAC組和NSC組之間基于ROI的rsFC，分類正確率為86.95%（P＜0.001，置換檢驗，2 000次）。經(jīng)過交叉驗證之后，共有131個在AAC組發(fā)生異常的一致特征（圖3）。并且，一致特征主要分布在DMN內(nèi)部，DMN網(wǎng)絡(luò)分別與FPCN網(wǎng)絡(luò)、DAN網(wǎng)絡(luò)和SMN網(wǎng)絡(luò)之間，以及VAN網(wǎng)絡(luò)與皮質(zhì)下腦區(qū)之間（圖4）。單變量分析的結(jié)果顯示，其中，AAC組的DMN網(wǎng)絡(luò)內(nèi)部，DMN網(wǎng)絡(luò)分別與FPCN網(wǎng)絡(luò)、DAN網(wǎng)絡(luò)以及SMN網(wǎng)絡(luò)之間，以及VAN與皮質(zhì)下區(qū)域之間的rsFC均減弱。其中，DMN網(wǎng)絡(luò)內(nèi)部以及DMN網(wǎng)絡(luò)分別與FPCN網(wǎng)絡(luò)和DAN網(wǎng)絡(luò)之間的rsFC變化結(jié)果與探照燈MVPA方法得到的結(jié)果一致。

圖3 131個一致特征的示意圖Fig 3 Illustration of 131 consensus features

圖4 131個一致特征的的網(wǎng)絡(luò)分布情況Fig 4 The network distribution of 131 consensus features

3 討論

本研究的結(jié)果表明，多變量模式分析方法可以對弱視兒童和正常視力兒童的腦網(wǎng)絡(luò)內(nèi)和網(wǎng)絡(luò)間的功能連接進(jìn)行分類，并且弱視兒童的rsFC在DMN網(wǎng)絡(luò)內(nèi)部以及DMN網(wǎng)絡(luò)分別與FPCN網(wǎng)絡(luò)和DAN網(wǎng)絡(luò)之間均減弱。DMN網(wǎng)絡(luò)是一個高級認(rèn)知網(wǎng)絡(luò)，在大腦執(zhí)行各種注意力需求或目標(biāo)導(dǎo)向任務(wù)時處于負(fù)激活狀態(tài)，而在大腦處于靜息狀態(tài)時呈激活狀態(tài)。研究表明，當(dāng)被試處于無約束的被動狀態(tài)時，整個DMN網(wǎng)絡(luò)系統(tǒng)與內(nèi)部導(dǎo)向認(rèn)知即自發(fā)認(rèn)知的功能相關(guān)聯(lián)，特別是當(dāng)被試回憶過去發(fā)生過的事情和規(guī)劃未來目標(biāo)時[6-7]。前內(nèi)側(cè)前額葉皮質(zhì)和后扣帶回作為DMN網(wǎng)絡(luò)的關(guān)鍵節(jié)點在整個DMN網(wǎng)絡(luò)系統(tǒng)中功能連接分布水平較高，從而在集成DMN網(wǎng)絡(luò)的功能上發(fā)揮著關(guān)鍵作用[6-8]。并且，前人的研究發(fā)現(xiàn)，屈光參差性弱視患者的內(nèi)側(cè)前額葉皮質(zhì)和后扣帶回的局部一致性和功能連接密度均顯著減弱[9-10]。因此，我們的研究結(jié)果與前人的研究結(jié)果一致。相比于DMN網(wǎng)絡(luò)與內(nèi)部導(dǎo)向認(rèn)知相關(guān)，DAN網(wǎng)絡(luò)在支持外部導(dǎo)向認(rèn)知上發(fā)揮著重要作用[11]。由于不同的網(wǎng)絡(luò)具有不同的特定功能，需要外部指導(dǎo)注意力的任務(wù)通常會通過激活DAN網(wǎng)絡(luò)的活動同時抑制DMN網(wǎng)絡(luò)的活動來確保有足夠的注意力處理外部信息，反之亦然[12]。而DMN網(wǎng)絡(luò)和DAN網(wǎng)絡(luò)之間的rsFC減弱則意味著兩者之間的功能連接有效性減弱。FPCN網(wǎng)絡(luò)包含了一系列被認(rèn)定為支持認(rèn)知控制的腦區(qū)，它可以作為一個靈活的網(wǎng)絡(luò)中樞，根據(jù)具體的任務(wù)來改變與其它神經(jīng)網(wǎng)絡(luò)之間的功能連接[13]。Spreng等發(fā)現(xiàn)，在自傳計劃任務(wù)期間FPCN網(wǎng)絡(luò)的活動與DMN網(wǎng)絡(luò)相耦合，而與DAN網(wǎng)絡(luò)脫耦合；在視覺空間規(guī)劃任務(wù)期間，F(xiàn)PCN網(wǎng)絡(luò)的活動與DAN網(wǎng)絡(luò)相耦合，而與DMN網(wǎng)絡(luò)脫耦合[14]。并且在隨后的研究中提出FPCN網(wǎng)絡(luò)在目標(biāo)導(dǎo)向認(rèn)知中扮演著一個重要的“守門人”角色，其通過靈活的與DMN網(wǎng)絡(luò)或者DAN網(wǎng)絡(luò)相耦合來分別支持內(nèi)部指導(dǎo)性認(rèn)知和外部指導(dǎo)性認(rèn)知的過程[15]。因此，DMN網(wǎng)絡(luò)、DAN網(wǎng)絡(luò)和FPCN網(wǎng)絡(luò)三者之間的相互作用形成了一個負(fù)責(zé)調(diào)節(jié)外部和內(nèi)部導(dǎo)向認(rèn)知之間動態(tài)平衡和相關(guān)轉(zhuǎn)換的重要系統(tǒng)。而在弱視兒童組中觀察到的DMN網(wǎng)絡(luò)內(nèi)部，DMN網(wǎng)絡(luò)與FPCN網(wǎng)絡(luò)和DAN網(wǎng)絡(luò)之間的rsFCs減弱可能表明弱視兒童在調(diào)節(jié)外部和內(nèi)部導(dǎo)向認(rèn)知之間的動態(tài)平衡和相互轉(zhuǎn)換以滿足任務(wù)需求的能力減弱。

綜上，基于腦網(wǎng)絡(luò)功能連接的多變量模式分析可以將弱視兒童識別出來。同時，本研究還發(fā)現(xiàn)了弱視兒童的腦網(wǎng)絡(luò)內(nèi)和網(wǎng)絡(luò)間功能連接的變化。然而，該研究也存在一些局限性：第一，樣本數(shù)目偏小；第二，fMRI數(shù)據(jù)圖像的空間分辨率相對較低。