0 引言

       阿尔茨海默病（Alzheimer's disease, AD）是最常见的痴呆类型，其发病率逐年上升^[1]。据估计，目前有670万65岁及以上的美国人患有AD，到2060年，这一数字可能会增长到1380万^[2]。高昂的AD治疗费用及护理费用给患者及其家属造成了沉重的经济负担和心理压力，尤其是新冠肺炎的出现更是加重了这一现象^[3]。因此，探究AD患者大脑影像学改变以期为临床提供重要的神经影像学机制尤为重要。

       进行性的神经元和突触丧失会导致AD患者脑萎缩^[4]。结构MRI是一种非侵入性的检查方法，可以评估AD患者的脑萎缩，并且其已被尸检组织学证明是AD相关神经变性的有效标志^[5]。既往结构MRI研究表明，AD患者的大脑会发生一系列形态学的改变，如灰质皮层厚度下降、灰质体积减小、皮下灰质核团萎缩及白质纤维束异常，并且这些形态学的改变和认知能力下降以及AD病理标记物相关^{[5, 6, 7]}。值得注意的是，人脑是一个复杂的神经网络结构，各个脑区并非孤立存在，而是相互影响，促进信息的整合和传递^[8]。先前的大多数研究揭示了单个脑区的形态学变化，并未进一步分析与之相关的脑网络的改变。结构协变网络（structural covariance networks, SCN）是指通过计算灰质脑区间形态学的相关性来描绘全脑连接模式。基于灰质厚度和体积构建的SCN与神经纤维束构建的脑网络具有相似的拓扑原理，反映了大脑灰质形态的精确协调性^[8]。因此，本研究旨在利用基于体素的形态学测量法（voxel- based morphometry, VBM）和基于表面的形态学测量法（surface-based morphometry, SBM）探讨AD患者大脑形态学及SCN的改变。

1 材料与方法

1.1 研究对象

       本研究的被试来源于阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）数据库。ADNI是一个公开的神经影像数据库，为研究者提供了丰富全面的研究数据，包括基因标记物、血浆及脑脊液生化标记物、MRI及PET图像等。截止2022年底，ADNI临床数据下载量超过480万次，影像数据下载量超过3亿次，已发表使用ADNI数据库的研究高达5000多项^[9]。该数据库的设立符合赫尔辛基宣言，纳入的被试者均已签署知情同意书。本研究已取得ADNI委员会的同意批准。

       被试纳入标准如下：（1）诊断为AD或认知功能正常；（2）年龄60至80岁；（3）多次随访的被试选择基线数据。排除标准为磁共振图像伴有明显伪影或后处理后图像质量等级（imaging quality rating, IQR）低于80%。根据以上纳入标准，共下载327例影像数据。图像质量评估由广州中医药大学一附院影像科两名主治医师进行。排除有明显伪影以及后处理后IQR低于80%的数据77例，最终共纳入被试250例，其中AD组100例，健康对照（healthy controls, HCs）组150例。

1.2 磁共振数据获取

       本研究采用了飞利浦（Philips Medical Systems, Netherlands）、西门子（Siemens, Germany）的3D MPRAGE序列以及GE（GE Medical Systems, USA）的3D Sag IR-SPGR序列。飞利浦磁共振扫描仪（Philips Medical Systems）参数如下：Field Strength=3.0 T，Flip Angle=9.0°，Matrix X=256.0 pixels，Matrix Y=256.0 pixels，Matrix Z=170.0 pixels，Pixel Spacing X=1.0 mm，Pixel Spacing Y=1.0 mm，Pulse Sequence=GR，Slice Thickness=1.2 mm，TE=3.2 ms，TI=0.0 ms，TR=6.8 ms，Weighting=T1。西门子磁共振扫描仪参数如下：Field Strength=3.0 T，Flip Angle=9.0°，Matrix X=240.0 pixels，Matrix Y=256.0 pixels，Matrix Z=176.0 pixels，Pixel Spacing X=1.0 mm，Pixel Spacing Y=1.0 mm，Pulse Sequence=GR/IR，Slice Thickness=1.2 mm，TE=3.0 ms，TI=900.0 ms，TR=2 300.0 ms，Weighting=T1。GE磁共振扫描仪（GE Medical Systems）参数如下：Field Strength=3.0 T，Flip Angle=11.0°，Matrix X=256.0 pixels，Matrix Y=256.0 pixels，Matrix Z=196.0 pixels，Pixel Spacing X=1.0 mm，Pixel Spacing Y=1.0 mm，Pulse Sequence=GR，Slice Thickness=1.2 mm，TE=2.8 ms，TI=400.0 ms，TR=7.0 ms，Weighting=T1。

1.3 基本信息和量表获取

       本研究的被试基本信息包括：性别、年龄、受教育年限。在神经心理学测试中，统计了简易精神状态检查量表（Mini-Mental State Examination, MMSE）分数及临床痴呆评定量表总和（Clinical Dementia Rating Sum of Boxes, CDR-SB）分数。

1.4 VBM及SBM分析

       本研究在Matlab（R2022a, MathWorks, Natick, MA, United States）平台利用CAT12（http://dbm.neuro.uni-jena.de/cat12/）和SPM12（https://www.fil.ion.ucl.ac.uk/spm/software/spm12/）工具包进行VBM和SBM分析。处理之前先利用MRIcron（https://www.nitrc.org/projects/mricron）工具包进行数据格式转化，将DICOM格式的图像转化为NII格式。VBM具体处理流程包括以下几个步骤：（1）组织分割，利用组织概率图（tissue probability map, TPM）和DARTEL算法将大脑分割为灰质、白质及脑脊液；（2）空间标准化，将分割后的灰质图像配准到蒙特利尔神经学研究所（Montreal Neurological Institute, MNI）标准空间便于做组水平统计分析；（3）调制，校正空间标准化过程中产生的偏差；（4）平滑，采用8 mm平滑核对校正后的图像进行平滑。SBM处理流程包括以下几个步骤：（1）配准和标准化，利用SPM12中的TPM及MNI标准空间模板进行DARTEL算法配准；（2）分割、校正，将配准后的图像分割为灰质、白质及脑脊液，并进行噪声、强度及不均一性校正；（3）评估皮层厚度，应用基于投射的皮质厚度测量法（projection based thickness, PBT）重建脑表面并且评估皮层厚度；（4）平滑，采用15 mm平滑核对图像进行平滑以提高图像信噪比。

1.5 数据同质化

       为消除不同扫描仪器之间的数据差异，本研究采用了ComBat方法消除批次效应^[10]，该方法是目前公认的一种方便快速的数据同质化方法^[11]。将平滑后的灰质图像和皮层厚度图像进行同质化用于统计分析及网络构建。

1.6 SCN构建及图论分析

       第一，提取皮层厚度。利用DK模板（Desikan-Killiany atlas）将同质化后的大脑分割为68个不同的脑区，并提取所有被试各个脑区的皮层厚度值。第二，计算相关系数。计算各个脑区之间皮层厚度的相关系数。SCN的节点为68个脑区，节点之间的连边为不同脑区之间的皮层厚度的相关系数。最终得到68×68的相关矩阵，即基于组水平的SCN。第三，确定网络稀疏度。最小稀疏度为该稀疏度下，网络中所有节点均处于连接状态，无任何孤立节点^[12]，本研究最小稀疏度为0.06，由GRETNA（https://www.nitrc.org/projects/gretna）工具包计算得出。最大稀疏度为两组脑网络同时满足小世界属性时对应的稀疏度^[13]，本研究中的最大稀疏度为0.40。因此，本研究中的稀疏度取值范围为0.06~0.40，间隔为0.01。基于该网络稀疏度，将相关矩阵转换成二值矩阵，此二值矩阵用于计算图论参数。第四，图论方法分析脑网络的全局属性和局部属性。全局属性包括小世界属性、局部效率、全局效率、聚类系数及最短路径；局部属性包括节点介数和节点度。

1.7 统计学分析

       人口统计学资料采用SPSS软件（v26.0; IBM Corp., Armonk, NY, USA）进行统计分析。符合正态分布的连续型变量用均数±标准差（x¯±s）表示，采用两独立样本t检验；符合偏态分布的连续型变量用中位数（四分位数间距）[M (IQR)]表示，采用秩和检验；分类变量用比值表示，采用卡方检验。显著性水平为α=0.05。灰质体积组间差异采用SPM12工具包中的两独立样本t检验进行统计分析。性别、年龄、受教育年限及颅内总体积作为协变量。采用体素水平总体误差（family-wise error, FWE）校正，校正后P<0.001认为差异具有统计学意义。为消除边缘效应，将灰度值低于0.20的体素排除进行统计分析。皮层厚度组间差异采用两独立样本t检验，采用SPM12和CAT12工具包进行统计分析。协变量为性别、年龄及受教育年限。采用顶点水平FWE校正，校正后P<0.001认为差异具有统计学意义。将具有组间差异的脑区视为一个感兴趣区（region of interest, ROI），提取每一个ROI的灰质体积和皮层厚度，将其和MMSE量表及CDR-SB量表分别进行偏相关分析，控制变量同上述协变量，并且在Matlab进行错误发现率（false discovery rate, FDR）校正，校正后P<0.001认为差异具有统计学意义。SCN图论参数的组间差异采用双尾置换检验联合曲线下面积^[14]（area under the curve, AUC），置换次数为1000次。对于全局属性，无需进行校正，P<0.05认为组间差异有统计学意义；对于节点属性，FDR校正后P<0.05认为差异具有统计学意义。

2 结果

2.1 人口统计学和临床资料

       两组被试年龄、性别、受教育年限、颅内总体积均无组间差异（所有P>0.05）。AD组MMSE评分低于HCs组（P<0.001），CDR-SB评分高于HCs组（P<0.001）（表1）。

点击查看表格

表1  被试人口统计学和临床资料
Tab. 1  Demographic and clinical characteristics of all participants

2.2 大脑形态学改变

       相较于HCs组，AD组的灰质体积以及皮层厚度均显著下降（FWE校正后P<0.001）。AD组体积下降的脑区主要包括双侧海马、双侧眶额皮层、左侧岛叶、右侧枕下回、左侧楔前叶、左侧中央前回、左侧中央扣带回（图1、表2）。AD组皮层厚度变薄的脑区主要包括双侧颞叶、双侧额叶、双侧顶叶、双侧扣带回、双侧梭状回、双侧岛回、双侧楔前叶等（图2、表3、表4）。

点击查看大图

图1  AD组和HCs组灰质体积组间差异比较。彩色区域表示AD组灰质体积减低的脑区。AD：阿尔茨海默病；HCs：健康对照。
Fig. 1  Comparison of volumetric differences between AD and HCs groups. The colored areas depict brain regions with reduced gray matter volume in AD. AD: Alzheimer's disease; HCs: healthy controls.

点击查看大图

图2  AD组和HCs组灰质皮层厚度组间差异比较。彩色区域（色条为t值）表示AD组皮层厚度变薄的脑区。AD：阿尔茨海默病；HCs：健康对照。
Fig. 2  Comparison of cortical thickness differences between AD and HCs groups. The colored areas (color bar is t value) indicate cerebral cortex with thinner cortical thickness in AD. AD: Alzheimer's disease; HCs: healthy controls.

点击查看表格

表2  AD患者灰质体积减小脑区
Tab. 2  Brain regions with reduced gray matter volume in AD patients

点击查看表格

表3  AD患者左侧大脑半球皮层厚度减低脑区
Tab. 3  The cerebral regions in left hemisphere with decreased cortical thickness in AD patients

点击查看表格

表4  AD患者右侧大脑半球皮层厚度减低脑区
Tab. 4  The cerebral regions in right hemisphere with decreased cortical thickness in AD patients

2.3 形态学指标与认知分数相关性

       具有组间差异的脑区与认知量表偏相关分析表明AD组MMSE得分分别与双侧海马体积、右侧梭状回皮层厚度呈正相关（图3A~3C），CDR-SB评分与左侧梭状回皮层厚度呈负相关（3D）。

点击查看大图

图3  AD组具有组间差异的脑区与认知量表偏相关分析。3A~3C分别表示MMSE得分与右侧海马体积（rs=0.35，P<0.001）、左侧海马体积（rs=0.38，P<0.001）、右侧梭状回皮层厚度（rs=0.38，P<0.001）呈正相关；3D表示CDR-SB评分与左侧梭状回皮层厚度（rs=-0.39，P<0.001）呈负相关。右、左侧海马相对体积是指右、左侧海马体积与全脑体积的比值，即进行了海马体积归一化。AD：阿尔茨海默病；MMSE：简易精神状态检查量表；CDR-SB：临床痴呆评定量表。
Fig. 3  Partial correlation analysis between cerebral regions with statistical differences and cognitive scales scores in AD group. 3A-3C respectively refer to the volumes of right hippocampus (rs=0.35, P<0.001), left hippocampus (rs=0.38, P<0.001), and the cortical thickness of right fusiform (rs=0.38, P<0.001) are positively correlated to MMSE scores. 3D refers to the cortical thickness of left fusiform (rs=-0.39, P<0.001) is negatively correlated to CDR-SB scores. The relative volume of the right hippocampus and the left hippocampus refers to the ratio of the volume of the right hippocampus and the left hippocampus to the total brain volume, hippocampal volume was normalized. AD: Alzheimer's diseas; MMSE: Mini-Mental State Examination; CDR-SB: Clinical Dementia Rating Sum of Boxes.

2.4 SCN图论参数

       AD组SCN的全局效率（图4A）、局部效率（图4B）及小世界属性（图4C）在大多数稀疏度下高于HCs组；最短路径在大多数稀疏度下低于HCs组（图4D）；聚类系数在绝大多数稀疏度下位于置信区间内，无组间差异（图4E）。AUC分析进一步证明AD组全局效率（P<0.001）、局部效率（P=0.03）及小世界属性（P<0.001）高于HCs组，最短路径低于HCs组（P<0.001），聚类系数无组间差异（P=0.48）（图4F）。另外，AUC分析表明节点属性无组间差异（FDR校正后所有P>0.05）。

点击查看大图

图4  全局属性的组间比较及AUC分析。4A~4E分别表示不同稀疏度下各全局属性的组间差值；AUC分析（4F）显示AD组全局效率、局部效率及小世界属性高于HCs组，最短路径低于HCs组，聚类系数无组间差异（*表示P≤0.05，**表示P≤0.001）。AD：阿尔茨海默病；HCs：健康对照；AUC：曲线下面积。
Fig. 4  Comparison of global metrics between-groups and AUC analysis. 4A-4E respectively show difference between groups of global measures in different sparsity. AUC analysis (4F) displays global efficiency, local efficiency, and sigma are higher in AD group, while the shortest path length is lower in AD group. As for cluster coefficient, there is no statistical difference between groups. * referrs to P≤0.05, ** referrs to P≤0.001. AD: Alzheimer's diseas; HCs: healthy controls; AUC: area under the curve.

3 讨论

       本研究旨在探讨AD患者大脑形态学及基于灰质皮层厚度的结构协变网络的改变。形态学研究表明AD患者多个脑区灰质体积及皮层厚度较HCs组下降，而且部分脑区的形态学变化和认知相关，这说明AD会加快大脑萎缩，进而导致认知减退。SCN的图论分析表明AD患者脑网络的全局效率、局部效率及小世界属性高于HCs组，最短路径低于HCs组，上述拓扑属性的改变说明AD患者脑网络发生了重组。

3.1 AD患者大脑萎缩

       本研究结果显示AD患者部分脑区灰质体积下降及皮层厚度变薄，这说明了AD患者较HCs组大脑显著萎缩。脑萎缩是AD的一个重要神经影像学标记物^[15]。既往多项结构相磁共振研究表明，AD患者较HCs组皮层厚度和灰质体积下降，主要包括双侧海马体积以及双侧颞叶的皮层厚度，这与本文研究结果一致^{[16, 17, 18, 19]}。AD主要的病理特征是淀粉样蛋白-β（amyloid-β, Aβ）的异常沉积以及tau蛋白的异常折叠和聚集，这些病理变化与大脑突触和神经元丧失、脑萎缩密切相关^{[20, 21, 22]}。另外本文还发现AD患者大脑萎缩存在偏侧化，即左脑萎缩较右脑更为显著。有证据表明，在神经退行性疾病中，比如AD、亨廷顿舞蹈病及帕金森病等，左侧大脑半球更易受到病理影响，这可能和左侧大脑半球主导运动及语言有关^[23]。

3.2 形态学指标与认知相关性

       偏相关分析表明，AD组双侧海马体积与MMSE分数呈正相关。海马是诊断AD或评估其进展具有代表性的影像学标记物^[24]。一项综述及Meta分析表明，相较于轻度认知障碍（mild cognitive impairment, MCI）患者及HCs组，AD患者海马亚区及其总体积均减小，并且在AD和MCI患者中，海马亚区及总体积与MMSE分数呈正相关，这与本文结果相一致^[25]。海马主要与学习记忆及情景记忆有关，海马萎缩可能会导致患者记忆力下降进而引起认知障碍^[26]。另外，本研究还发现右侧梭状回皮层厚度与MMSE分数呈正相关，左侧梭状回皮层厚度与CDR-SB分数呈负相关，这意味着梭状回越薄，患者认知能力越低。梭状回在视觉感知、物体识别及阅读中起重要作用^[27]。因此，梭状回萎缩可能会导致患者上述区域认知功能下降进而影响认知。

3.3 SCN图论参数改变

       图论分析结果表明AD患者全局效率、局部效率及小世界属性高于HCs组。全局效率衡量了脑网络整合信息的能力，而局部效率则评估了网络分离信息的能力^[28]。小世界网络无处不在，相较于随机网络，小世界网络内部具有更多紧密连接的团簇和更短的平均路径长度，该指标也衡量了脑网络对信息的分离整合能力^{[29, 30]}。AD组全局效率、局部效率以及小世界属性高于HCs组，这意味着AD患者脑网络更有利于分离和整合信息。另外，本文还发现AD组最短路径低于HCs组。路径长度衡量了节点之间传递信息的能力，路径越短，说明信息传递越快^[28]。减低的路径长度意味着AD组SCN具有更快的信息传播速度。综上所述，网络分析表明AD患者脑网络发生了重组，而且重组后的脑网络更有利于信息分离整合及快速传播。

       DUAN等^[31]的研究表明，AD患者Aβ网络的小世界属性及全局效率高于HCs组，平均路径长度低于HCs组，这与本文的部分研究结果基本一致，说明AD患者灰质皮层厚度和Aβ淀粉样蛋白沉积之间可能存在一定的联系。另外，DUAN等的研究表明AD患者Aβ网络的聚类系数低于HCs组，局部效率无组间差异，而本研究表明AD组聚类系数无组间差异，局部效率高于HCs组。导致该结果差异的第一个原因可能和分割脑区的模板有关。本研究采用DK模板将大脑皮层分割为68个脑区，而DUAN等采用的是自动解剖标记（automated anatomical labelling, AAL）模板，将大脑分割为90个脑区。与DK模板相比，AAL模板还包含了海马、杏仁核等灰质核团，这些灰质核团Aβ的沉积可能会影响网络的局部效率。其次也可能和样本量有关。然而，一项基于弥散张量成像（diffusion tensor imaging, DTI）构建脑网络的研究与本文结果相反^[32]。这可能是因为AD患者白质受损较灰质更显著，因此导致白质网络信息处理能力下降。另外一种可能的解释是白质网络受损后，灰质网络通过重组进而代偿白质网络引起的信息传输缺陷。

3.4 皮层厚度和脑网络的联系

       基于VBM和SBM的分析结果表明AD患者大脑显著萎缩。图论分析结果表明AD患者脑网络发生了重组，重组后的脑网络更有利于信息处理和传递。本文作者认为，脑网络重组可能是脑萎缩导致认知缺陷的一种代偿方式。由此可见，联合形态学分析以及网络分析能更加全面阐述AD患者神经影像学改变。

3.5 本研究的局限性

       本研究存在以下局限性。第一，笔者认为网络重构可能有助于代偿脑萎缩引起的认知障碍，但是未能将图论参数和认知量表做相关性分析，今后需改进分析方法进一步证明上述观点。第二，ADNI数据库也为研究者提供了纵向随访的数据，今后的研究应该充分利用公共数据库资源进一步探索AD患者纵向大脑形态学及脑网络的改变。第三，AD患者可能合并有其他神经或精神系统疾病，也会导致大脑形态学的改变，未来研究需进一步排除这些潜在因素的影响。

4 结论

       本研究发现了AD患者大脑显著萎缩，部分脑区的萎缩和认知水平具有相关性。另外，本研究还揭示了AD患者SCN拓扑属性的变化特征，证明了AD患者脑网络的重组。联合形态学分析及SCN图论分析能够全面了解AD患者神经影像学改变，为AD患者脑影像改变提供新的证据和见解。