糖尿病（diabetes mellitus，DM）作为老年人中最为常见的代谢性疾病之一^[1]，其发病率呈上升趋势，并且预计于2030年将翻倍^[2]。中枢神经系统（central nervous system，CNS)的损伤被认为是DM的诸多并发症之一^[3]，可造成白质纤维束微损伤^[4]，使老年人患痴呆的风险翻倍^[5]。自1922年以来，大量临床研究表明，DM患者存在认知功能和记忆功能的下降^[6,7]。基于图论的复杂网络分析是近年来用于神经科学领域的很有前景的新方法^[8,9,10]，利用图论方法分析脑网络拓扑特性的研究也越来越多^[11]，复杂脑网络分析研究表明脑网络具有小世界属性、高效率和模块化组织等特性^[12]。目前，基于复杂网络理论的T2DM患者CNS损伤的功能脑网络分析研究较少^[13]。本研究的目的是通过构建T2DM患者和健康志愿者的静息态功能磁共振成像（resting-state functional magnetic resonance imaging，rs-fMRI）脑功能网络，利用网络拓扑参数（节点度分布、聚类系数和模块化组织）分析组间脑网络的同源性和异质性，并分析脑功能网络的模块化组织，从而探讨T2DM患者和健康志愿者脑功能网络的差异。

1　材料与方法

1.1　受试者

       于2011年8月至12月，纳入24例T2DM患者和26名年龄、性别、学历匹配的健康志愿者。DM组由13例男性和11例女性组成，平均年龄（48±10)岁，年龄跨度27~65岁；对照组由13名男性和13名女性组成，平均年龄（44±10）岁，年龄跨度26~59岁。两组的年龄、性别、文化程度差异均无统计学意义(P>0.05)。所有受试者均签署知情同意书。本研究已经过苏州大学附属第一医院伦理委员会批准。

       DM组纳入标准：符合世界卫生组织2006年T2DM标准^[14]，被纳入研究的患者符合如下任一条：(1)正在接受DM治疗；(2）空腹血糖≥7.0 mmol/L (1260 mg/L)；(3）餐后2 h血糖≥11.1 mmol/L (2000 mg/L)。所有入组患者均不伴发代谢综合征。对照组纳入标准：在不使用DM药物的情况下，空腹血糖<6.1 mmol/L，或餐后2 h血糖≤7.8 mmol/L。

       DM组和对照组的排除标准均为：(1)常规MRI平扫发现颅内异常信号；(2)经病史或检查确定的神经内科或神经外科疾病；(3）高血压、高胆固醇血症、心血管疾病、抑郁症和酒精成瘾。

       记录受试者的一般情况，并采集患者的临床信息，包括病程年限、糖化血红蛋白、空腹血糖、空腹胰岛素、胰岛β功能指数、胰岛素抵抗指数、胰岛素敏感指数、C肽、胰高血糖素。临床指标的均值如下：病程年限(9.0±1.0)年、糖化血红蛋白(9.5±0.6)%、空腹血糖（9.2±0.8) mmol/L、空腹胰岛素（5.9±1.6) μU/mL、胰岛β功能指数59.4±34.4、胰岛素抵抗指数2.4±0.7、胰岛素敏感指数-2.8±0.4、C肽(310±120) ng/L、胰高血糖素（109.7±12.3) ng/L。

1.2　静息态脑功能MR扫描及参数

       本研究采用3.0 T MR (Signa HDxt，GE Healthcare，Milwaukee ，WI)扫描仪进行扫描，运用8通道线控阵头颅线圈。受试者平卧，采用头先进扫描方式，头部两侧对称性放置海绵垫以减少运动。在检查过程中，受试者需保持静止、闭眼的清醒状态，且尽量不要进行任何特定的思维活动。采集静息状态血氧水平依赖（blood oxygenation level dependent，BOLD)序列和三维快速变化梯度回波（three-dimensioned fast spoiled gradient recalled，3D-FSPGR）序列。BOLD序列扫描参数：TR 2000 ms，TE 30 ms，FOV 256 mm×256 mm，矩阵为64×64，层数33层，层厚3 mm，层间距1 mm，NEX为1，扫描时间为8 min。3D-FSPGR序列用于结构数据的采集：TR 6 ms，TE 2 ms，TI 380 ms，FOV 256 mm×256 mm，层厚1 mm，无层间距，矩阵256×256 ，NEX为1，翻转角度15° ，频宽为41.67 Hz，扫描时间1 min 40 s。

1.3　静息态脑功能数据预处理

       rfMRI数据用SPM5(www.fil.ion.ucl.ac.uk/spm）进行处理。首先，进行层间时间和头部运动校正；然后，使用回声平面成像模板，将数据重新采样为3 mm各向同性体素；最后归一化到蒙特利尔神经研究所(Montreal Neurological Institute，MNI）空间。采用全宽半高值（full width half maximum，FWHM）为4 mm的高斯核平滑后，再对图像进行去线性漂移、滤波（滤波的频带为0.06~ 0.11 Hz)^[12,15]。

1.4　静息态脑功能网络的构建

       数据预处理后，通过回归分析去除干扰协变量，包括头动参数、灰质、白质及脑脊液信号。使用自动解剖标签（automated anatomical labeling，AAL）模板把大脑分割成90个脑区^[16]，并提取每个脑区的时间序列，把每一个脑区作为一个节点；利用Pearson非参数性相关方法计算90个脑区中任意两个脑区的相关系数(r值），把r值大于阈值的值设为1，小于阈值的值设为0，依次构建连接矩阵；使用Fisher变换，将r值转变为z值（非高斯分布到高斯分布）；设置基于非参P值的阈值，相邻矩阵P值范围为0.45~0.60，间隔0.01。在此基础上，采用不同阈值构建各受试者的脑功能网络。

       脑网络拓扑参数统计：脑网络分析的参数包括网络效率、平均聚类系数、节点度分布和模块化组织等参数。这些参数的定义详见Bullmore等^[12]的研究。(1)使用特定的阈值计算每个受试者的网络效率和平均聚类系数，然后获得病变组和对照组受试者的组平均值。通过不同阈值的重复计算，得到两组的平均全局效率和平均聚类系数。(2)度分布：通过应用阈值为0.5的90×90的相关系数矩阵，建立每个受试者的布尔矩阵，获得每个受试者的节点度，然后计算病变组和对照组的组平均节点度，最后计算节点度的概率，得到节点度的概率分布。研究表明，脑网络的节点度分布是符合高斯分布的^[17]。因此，节点度的概率分布曲线与高斯分布拟合。(3）模块化组织：在相同阈值(0.5)下计算每个受试者的网络模块数，比较病变组和对照组的平均网络模块数。此外，为了评估模块的不同组份，运用每个受试者90×90的相关系数矩阵的绝对值来获得病变组和对照组的平均矩阵。设定阈值为0.35 ，将平均矩阵转化为布尔矩阵，用于识别T2DM患者和健康志愿者脑功能网络中的模块成分。

1.5　统计学分析

       采用标准统计软件（SPSS 13.0)，应用两样本t检验比较T2DM患者和健康志愿者的全局效率、聚类系数和节点度的概率分布。P<0.05认为有统计学意义，P值采用FWE校正。

2　结果

       在不同阈值条件下，T2DM患者脑功能网络全局效率和平均聚类系数均显著低于健康志愿者(P<0.05；图1，图2)。T2DM患者和健康志愿者的节点度概率分布如表1所示。健康志愿者脑功能网络节点度大于10的概率为32.31%，T2DM患者的为17.77% （表1)。健康志愿者节点度概率分布明显大于患者组(P<0.05)。对高斯分布进行拟合，得到两条曲线，如图3所示。在节点度大于8.5的条件下，T2DM组的节点度概率分布小于健康志愿者。

       健康对照组和T2DM患者的脑功能网络重建为节点和弧线，投射在三维半透明大脑上（图4，图5)。T2DM患者脑功能网络平均模块数为8.5个，而对照组脑功能网络平均模块数为6.4个，病变组的脑功能网络平均模块数显著高于对照组(P<0.05)。对照组的脑功能网络共有5个模块，节点数从11个到31个不等，而病变组的脑功能网络共有7个模块，节点数从2个到19个不等。各模块的具体组分如表2(健康志愿者）和表3 (T2DM患者)所示。

点击查看大图

图1  不同阈值条件下，糖尿病患者的脑功能网络的整体效率（红线）比对照组（蓝线）减低；整体效率随着阈值的升高而减小
图2  在不同的阈值下，糖尿病患者的脑功能网络的平均聚类系数（红线）比对照组（蓝线）减低；随着阈值增大聚类系数减小
图3  糖尿病患者（红色曲线）和健康对照组（蓝线曲线）的节点度分布符合高斯平滑曲线
Fig. 1  Global efficiencies of the functional brain networks in DM patients (red) were less than those of healthy volunteers (blue) using various thresholds. Decreased global efficiencies were observed with increasing threshold values.
Fig. 2  Mean clustering coefficients of the functional brain networks in DM patients (red) were less than those of healthy volunteers (blue) using various thresholds. Decreased clustering coefficients were observed for increasing threshold values.
Fig. 3  Distribution of node degrees in DM patients (red curve) and healthy volunteers (blue curve) fit to Gaussian curves.

点击查看大图

图4  健康志愿者的脑功能网络（由节点和节点间连接组成）
图5  糖尿病患者的脑功能网络（由节点和节点间连接组成)
Fig. 4  Brain functional networks of healthy volunteers overlaid on a three-dimensional translucent whole brain with nodes (spheres) and arcs (lines connecting the spheres).
Fig. 5  Brain functional networks of DM patients overlaid on a three-dimensional translucent whole brain with nodes (spheres) and arcs (lines connecting the spheres).

点击查看表格

表1  节点度分布
Tab. 1  Distribution of node degree

点击查看表格

表2  健康志愿者的详细自动解剖标签分区
Tab. 2  Detailed automated anatomical labeling regions in modules of the healthy volunteers

点击查看表格

表3  糖尿病患者的详细自动解剖标签分区
Tab. 3  Detailed automated anatomical labeling regions in modules of diabetes mellitus patients

3　讨论

3.1　DM患者脑功能网络的全局效率

       CNS异常是DM的潜在并发症。本研究利用rsfMRI和复杂网络理论比较T2DM患者和健康志愿者的脑功能网络变化，通过分析拓扑参数发现DM患者脑功能网络的全局效率降低、含有较高节点度的可能性较小、脑功能网络模块的数量和组成发生了改变。在复杂网络理论中，全局网络效率反映了网络节点间信息交换的便捷性^[18,19]。脑网络模块化组织的优化和全局效率的升高，有助于信息的快速交换^[10,20]。以往研究表明，中风患者和精神障碍患者的神经网络全局效率有所下降^[21]，而本研究也同样证实了DM患者存在神经网络效率的下降。以往研究表明脑功能网络全局效率的降低与认知功能和记忆的衰退有关^[22,23]，也有研究证实认知障碍与DM有关^[7,24,25]。因此，本研究中DM患者全局网络效率的降低可能与这些患者的认知能力下降有关，这些改变可能是由于DM患者脑功能网络的内在结构和网络连接发生改变所致。

3.2　DM患者脑功能网络的平均聚类系数

       聚类系数是表示节点聚类程度的系数，基于相邻网络节点对中的相互连接点的比例^[12]，是反映网络内部连接水平的重要指标。不同阈值条件下的DM患者脑功能网络的平均聚类系数低于健康志愿者，表明DM患者脑功能网络中相邻节点间的耦合程度降低可能是导致全局效率下降的原因。DM患者往往有血压和血糖升高的情况，而高血压和高血糖可以损伤CNS并导致其结构发生改变^[26,27]，其功能网络节点的受损可能是平均聚类系数降低的根本原因。

3.3　DM患者脑功能网络中高节点度的节点数量

       节点度是反映节点连接的一个重要指标，反映了网络演化的特征^[12]。节点度越高，表明该节点在全局网络中越重要。例如，脑网络中高节点度聚集的脑区在认知过程中起重要作用，Damoiseaux等^[28]研究发现，正常老年化过程中与认知相关的脑区功能连接下降。高节点度反映了脑网络的稳定性^[29]。高节点度节点数减少意味着网络的稳定性受到了损害。

3.4　DM患者脑功能网络的模块化组织

       DM患者较对照组脑网络模块数增多且每个模块的组分都发生了改变，表明DM患者的脑网络模块化组织更加随机，这可能与脑组织损伤后出现代偿性的节点重新连接有关。DM患者的脑网络模块数量较健康志愿者的增多，而且这些模块化组织呈现出分化趋势，如健康志愿者脑功能网络中的模块1在DM患者中被分成了更小的模块。功能分离和整合描述了大脑处理信息的方式。功能分离是指利用独立的大脑模块完成独立的功能，而功能整合则是指模块之间协作完成特定的功能^[30]，复杂网络中的模块化组织可以用来解释功能分离和整合^[31]。已有研究证明人脑的复杂功能网络存在模块化组织^[32]。健康志愿者和DM患者模块1中存在相同的组分（rolandic脑区、岛叶、颞上回、颞上极和颞横回），这些脑区被认为在感知和记忆中发挥着重要作用^[23]。DM患者脑网络模块化组织的分化，意味着DM患者感知和记忆功能的受损。DM患者脑功能网络中存在一个非常小的独立模块（模块7），说明DM患者脑功能网络连接密度较对照组减低。DM患者脑功能网络的模块2和模块3与对照组相似，提示模块化重组仅发生于脑功能网络的部分区域。

       本研究的局限性主要是样本量较小、在模块分析中没有考虑到组内个体差异，有待进一步完善。其次，本研究虽然发现了DM患者脑网络拓扑指标的变化，并探讨其潜在机制，但仍需进一步研究和证实。

       结论：本研究采用rs-fMRI脑功能网络分析技术，发现DM患者脑功能网络的全局效率减低、平均聚类系数减小和高节点度节点减少，这可能与DM患者的认知功能下降有关。此外，DM患者的模块化组织（模块数量和组分）发生改变，提示DM患者的某些功能发生分化和重组。