0 引言

       阿尔茨海默病（Alzheimer's disease, AD）是一种进行性的神经退行性疾病^[1]，是最常见的老年痴呆症类型，其特征是大脑中神经元的逐渐丧失^[2]，导致记忆力减退、认知功能障碍和行为改变，甚至死亡^{[3, 4, 5, 6, 7]}。根据世界卫生组织（World Health Organization, WHO）的数据，目前全球约有5000万人患有AD，预计到2050年，这一数字将增加至1.52亿人。在一些发达国家，AD是老年人致残和死亡的主要原因之一，给患者、社会和家庭带来了沉重的负担。中国60岁及以上人群AD的患病率约为3%~5%，并且随着年龄的增长，患病率呈上升趋势。由于AD的发展比临床表现要早得多^[8]，因此，需要深入理解AD的病理生理机制，寻找有效的早期诊断和治疗手段，对于改善患者生活质量和减轻社会负担至关重要。

       近年来，神经影像学技术的发展为AD的研究提供了新的视角。磁共振T1高分辨率成像是一种无创、无辐射的检查方法，已经成为研究AD大脑结构变化的重要工具。大脑网络是通过分析大脑不同区域之间的结构或功能连接构建的，这些连接反映了脑区之间的物理连接或功能互动^[9]。通过这些网络可以量化大脑的全局和局部网络指标，包括特征路径长度（clustering coefficient, Lp）、聚类系数（clustering coefficient, Cp）、同配性、小世界属性（Lambda、Sigma、Gamma）、连边介数、节点介数、模块化、全局效率、局部效率和传递性等^[10]，这些指标能够全面反映大脑网络的拓扑属性，包括网络的紧密性、效率和鲁棒性。连边介数是指网络中所有最短路径中经过某一边的路径的数目占最短路径总数的比例。节点介数是指网络中所有最短路径中经过某一节点的路径的数目占最短路径总数的比例。结构协变网络（structural covariance network, SCN）是指通过分析灰质脑区之间的形态学的相关性来展示全脑连接的情况^[11]，它能够揭示大脑网络的拓扑属性和连接模式^{[12, 13]}。前期研究主要集中在通过尸检观察大脑的萎缩情况，发现AD患者大脑的海马区、颞叶等区域萎缩明显。随着影像学技术的发展，研究者能够更早期地观察到AD患者大脑结构的微小变化，包括灰质体积减少、白质纤维完整性受损等。既往研究证实，AD患者的脑结构会发生一定的改变，WU等^[14]通过对AD患者的皮层厚度构建结构协方差网络结果发现AD网络的小世界属性发生了显著变化，为AD神经影像学变化提供了结构性证据。虽然对大脑结构的宏观变化有了一定的认识，但对于基于灰质的结构协变网络的拓扑属性研究较少，而这种网络属性的研究可能有助于更深入地理解AD的病理机制，为早期诊断和干预提供新的思路。基于灰质皮层的SCN，可以反映脑区灰质结构之间的相关性^[15]，进一步揭示AD的神经机制。基于此，本研究通过利用SCN分析AD患者与健康对照（healthy control, HC）组的大脑结构协变网络的差异性，比较AD患者和HC组的全局和局部网络指标，为AD的病理机制提供新的见解，并为早期诊断和治疗提供潜在的神经影像学依据。

1 材料与方法

1.1 研究对象

       本研究使用的数据全部来源于阿尔茨海默病神经影像学计划（Alzheimer's Disease Neuroimaging Initiative, ADNI）开放数据库。本研究已经过ADNI委员会的批准，该数据库遵循《赫尔辛基宣言》，全部受试者均已签署科研知情同意书。AD受试者纳入标准如下：（1）符合美国国立神经疾病与卒中研究所-阿尔茨海默病及相关疾病协会标准的AD患者；（2）年龄60至75岁。排除标准：（1）磁共振图像伪影较大；（2）排除脑外伤史，颅脑器质性疾病者；（3）合并抑郁症、精神分裂症、焦虑症等精神疾病者；（4）患有其他类型的痴呆症。HC受试者纳入标准如下：（1）年龄、性别与AD患者匹配；（2）无认知障碍或其他神经系统疾病。排除标准：脑外伤史、颅脑器质性病变、精神疾病者。根据以上纳排标准，共下载了90例受试者数据，图像质量由陕西中医药大学附属医院医学影像科两位具有5年以上影像诊断经验的主治医师进行评估，最终本研究共纳入61例受试者，其中AD 组32例，HC组29例。

1.2 MRI数据采集

       本研究使用飞利浦（Philips Medical Systems, Netherlands）磁共振扫描仪采集3D T1-MPRAGE序列，其参数如下：TR 6.67 ms，TE 3.1 ms，翻转角9°，FOV 240 mm×240 mm，矩阵256 × 256，层厚1.2 mm，体素大小1.0 mm×1.0 mm×1.2 mm。

1.3 MRI数据预处理

       基于MATLAB R2017b平台，使用SPM8软件包中的VBM8对T1-MPRAGE进行图像预处理和分析。VBM8处理的详细步骤见图1，共包括以下步骤。（1）数据校正：对原始图像进行校正，如头动校正、场强不均匀性校正等；（2）分割与标准化：将所有图像归一化到蒙特利尔神经学研究所（Montreal Neurological Institute, MNI）模板，将归一化的脑图像被分割为灰质、白质和脑脊液；（3）平滑处理：选择6 mm半高全宽（full width half max, FWHM）作为平滑核大小；（4）质量控制：由经验丰富的放射科医师对所有图像进行视觉检查，排除明显的伪影或运动伪影；使用软件工具（SPM8中的质量控制模块）计算图像质量指标，如信噪比（signal noise ratio, SNR）、对比噪声比（contrast to the noise ratio, CNR）等，并设定阈值排除质量不佳的图像。

       使用WFU PickAtlas软件包，利用自动解剖学标记（automatic anatomic labeling, AAL）图谱提取了116个感兴趣区（region of interest, ROI）（包括小脑）^[16]。然后基于归一化后的灰质图像对这些ROI进行重采样，最后使用SPM8工具包对调节和归一化后的灰质图像进行提取ROI体积。

点击查看大图

图1  T1结构像预处理流程图。
Fig. 1  Preprocessing flowchart of the T1 structure image.

1.4 构建结构协变网络

       在本研究中，将提取的116个AAL ROI定义为节点，ROI之间的Pearson相关系数表示连边。使用图像分析工具包（Graph Analysis Toolbox, GAT）构建结构协变网络。对于AD组和HC组，分别提取116个ROI的灰质体积，并通过计算所有ROI灰质体积之间的Pearson相关系数，构建116×116关联矩阵，对相关矩阵中的每个元素（即每个相关系数）应用Fisher-Z转换公式，得到转换后的矩阵。将年龄、性别、受教育年限、颅内总体积（total intracranial volume, TIV）被设置为协变量，并通过线性回归消除其影响。两组共同最小密度设置为0.11（Dmin=0.11），以确保两组的结构协变网络完全连接，而最大密度设置为0.5，0.5以上可能不具有生物学意义，然后在该密度范围内对SCN二元矩阵进行阈值设置（密度范围以0.02的间隔从0.11到0.50）。

       计算两个关键的全局网络指标，Cp和Lp^{[17, 18, 19]}。Cp是对网络紧密程度的一种度量，首先计算每个节点的Cp（所有相邻节点之间的实际边数与它们之间最大可能边数之间的比值），然后计算所有节点的平均值^[20]，反映局部信息传递的效率。Lp是网络分析中使用的一种距离，定义为网络中所有节点对之间最短路径长度的平均值^[21]。然后将这两个全局指标分别除以20个随机网络的Cp和Lp值，分别称为Cprand和Lprand，得到归一化Cp（γ=Cp/Cprand）和归一化Lp（λ=Lp/Lprand），然后计算小世界指标（σ=γ/λ）^[22]。小世界网络意味着其聚类系数明显高于随机网络，特征路径长度与随机网络相当^[19]。

       结构协变网络的全局指标分析还包括全局效率、局部效率、同配性、传递性和模块化。全局效率是大脑网络中任意两个节点之间最短路径长度的倒数的平均值，反映了整个大脑网络传输信息的能力^[23]。局部效率则是单个节点的子网络中节点间最短路径长度倒数的平均值，反映了去除一个节点后，其子网络内信息交换的能力^[24]。同配性反映了节点与其他具有相同度数的网络节点连接的可能性^[25]。传递性是聚类系数的反映，是衡量网络节点聚集倾向的指标。模块化是指将网络划分为若干不重叠的模块。网络模块是模块内的节点紧密连接，并且与模块外的节点之间弱连接^[26]。结构协变网络的局部网络特征是通过分析最小密度下的节点度和节点介数来评估的^[27]，使网络具有完全的连接性。最后，针对随机网络和目标网络节点攻击后，分析剩余节点所构成网络的网络指标^[28]。

1.5 统计分析

       （1）使用SPSS 22.0软件对两组临床资料（年龄、性别、受教育年限、TIV）进行统计学处理。应用Shapiro-Wilk检验法对临床数据进行正态性检验。若符合正态分布则采用两独立样本t检验，其结果用均数±标准差表示，而对于不符合正态分布者，应用非参数秩和检验，并以中位数（四分位数间距）表示结果。P<0.05为差异具有统计学意义。使用SPM12软件中的两独立样本t检验比较两组间的TIV。

       （2）采用GAT软件比较AD组与HC组间的网络差异。使用非参数置换检验（1000次重复检验）比较两组间的全局和局部网络指标，P<0.05为差异具有统计学意义。在计算每个密度下的网络指标组间差异后，然后对网络指标进行曲线下面积（area under the curve, AUC）分析，再进行错误发现率（false discovery rate, FDR）多重比较校正，P<0.05为差异具有统计学意义。通过置换检验分析随机网络攻击和目标网络攻击之后在两组剩余网络指标之间的差异，P<0.05为差异具有统计学意义，然后进行AUC分析。

2 结果

2.1 临床资料

       两组受试者年龄、性别、受教育年限、TIV在组间差异无统计学意义（P>0.05）（表1）。

点击查看表格

表1  AD组与健康对照组临床数据
Tab. 1  clinical data between AD group and HC group

2.2 全局结构协变网络分析

       AD组与HC组在共同最小密度下的二维矩阵图见图2。两组结构协变网络均表现出小世界属性（γ>1，σ>1，λ≈1），两组共同最小密度为0.11，最大密度为0.50，密度间隔为0.02，AD组小世界指标在该密度范围内高于HC组。与HC组相比，AD患者中的Lp、Cp、同配性、连边介数、节点介数、传递性降低，模块化、全局效率增加，但是与置换检验零假设结果相比，两组之间的差异没有统计学意义（P>0.05）（图3）。全局指标的AUC结果显示，两组之间的全局指标差异无统计学意义（P>0.05）。

点击查看大图

图2  AD组（2A）和健康对照组（2B）在共同最小密度下的二维矩阵图。X/Y轴代表来自AAL图谱的116个脑区。AD：阿尔茨海默病；HC：健康对照；AAL：自动解剖标记。
Fig. 2  The binary matrices of patients with AD patients (2A) and healthy controls (2B) at Dmin. The X/Y axes represent the 116 cerebral regions from the AAL atlas. AD: Alzheimer's disease; HC: healthy control; AAL: automatic anatomic labeling.

点击查看大图

图3  AD组与HC组在各密度下的全局网络指标的变化。3A~3C：小世界指标；3D：特征路径长度；3E：聚类系数；3F：同配性；3G：连边介数；3H：节点介数；3I：传递性；3J：模块化；3K：全局效率。AD：阿尔茨海默病；HC：健康对照。
Fig. 3  Changes of global network indicators in AD group and HC group at different densities. 3A-3C: Small-world

2.3 局部节点指标分析

       本研究还比较了AD组与HC组在最小密度下的节点度，节点介数，聚类系数和局部效率。最小密度下的节点指标显示（图4），AD组标准化后的节点度减低的脑区主要包括右侧距状裂、右侧梭状回、右侧颞中回。节点介数减低的脑区包括右侧小脑、右侧缘上回，升高的脑区主要包括右侧距状裂、左侧眶部额下回、左侧内侧额上回、右侧嗅皮层。Cp减低的脑区为右侧颞中回颞极，升高的脑区为小脑蚓部，两组之间的差异均具有统计学意义（P<0.05），但经FDR校正后，两组间的差异无统计学意义（P>0.05）。标准化后节点指标的AUC结果显示（图5），AD组的节点度增高的脑区包括左侧小脑、左侧内侧额上回。节点介数增高的脑区包括左侧小脑、左侧眶部额中回、左侧内侧额上回，减低的脑区为右侧小脑。Cp升高的脑区包括右侧小脑、左侧眶部额中回，减低的脑区包括右侧颞中回颞极、左侧丘脑。局部效率在右侧小脑高于HC组，在右侧颞上回颞极低于HC组，两组之间的差异具有统计学意义（P<0.05），但均未通过FDR校正。

点击查看大图

图4  AD组与HC组在最小密度下的节点指标之间的差异。4A：标准化的聚类系数；4B：标准化的节点度；4C：标准化的节点介数。置信区间外的*号表示两组间差异具有统计学意义（P<0.05）的密度。正值为HC组>AD组，负值为HC组<AD组。AD：阿尔茨海默病；HC：健康对照组。
Fig. 4  Difference of node indexes between AD group and HC group at Dmin density. 4A: Normalized clustering coefficient; 4B: Normalized node degree; 4C: Normalized node betweenness. The * signs outside the confidence intervals indicate the density where the difference is significant at P < 0.05 between the two groups. The positive values are HC group > AD group, negative values are HC group < AD group. AD: Alzheimer's disease; HC: healthy control.

点击查看大图

图5  节点指标AUC分析在AD组与HC组之间的差异。5A：标准化的节点介数的AUC；5B：标准化的节点度的AUC；5C：标准化的聚类系数的AUC；5D：标准化的局部效率的AUC。置信区间外的*号表示两组间差异显著（P<0.05）的密度。正值为HC组>AD组，负值为HC组< AD组。AUC：曲线下面积；AD：阿尔茨海默病；HC：健康对照组。
Fig. 5  Difference of AUC analysis of node index between AD group and HC group. 5A: AUC for normalized node betweenness; 5B: AUC for normalized node degree; 5C: AUC for normalized clustering coefficient; 5D: AUC for normalized local efficiency. The * signs outside the confidence intervals indicate the density where the difference is significant at P < 0.05 between the two groups. The positive values are HC group > AD group, negative values are HC group < AD group. AUC: area under the curve; AD: Alzheimer's disease; HC: healthy control.

2.4 网络攻击结果

       基于目标的网络攻击及随机网络攻击分析结果显示（图6），两组在攻击节点后的剩余网络指标（最大成分）差异无统计学意义（P>0.05）。基于目标的网络攻击和随机网络攻击的AUC结果显示，两组在剩余网络指标之间的差异无统计学意义（P>0.05）。

点击查看大图

图6  两组在网络攻击后剩余网络指标之间的差异。6A：基于目标的网络攻击；6B：随机网络攻击。
Fig. 6  Difference of remaining network indicators between the two groups after network attack. 6A: target-based cyber attacks; 6B: Random cyber attacks.

3 讨论

       本研究通过T1高分辨率成像检查和图论分析方法，对AD组和HC组的SCN的拓扑学属性进行了研究。本研究结果显示，AD患者在全局网络指标和局部节点指标存在改变。这是国内首次从网络层面全面分析AD患者灰质结构的改变，揭示了其在全局和局部网络指标上的潜在差异。这些发现提示AD患者脑网络的潜在重组，为理解其认知障碍的神经机制提供了新视角，对早期诊断、疾病评估和治疗策略开发具有临床价值。

3.1 AD患者全局网络指标改变

       本研究结果显示，AD患者的全局网络指标（Lp、Cp、同配性、小世界属性、连边介数、节点介数和传递性）均低于HC组，而模块化和全局效率较HC组增加。既往研究发现^[29]，与HC组相比，AD患者的脑网络全局效率、聚类系数减少，特征路径长度显著增加。还有研究发现^[30]，AD组的小世界属性（Lambda、Sigma、Gamma）低于HC组，并且AD患者的聚类系数和特征路径长度都有所降低。ZHANG等^[31]发现，AD组的连边介数、节点介数降低、传递性降低。TUMATI等^[32]研究发现，AD组的模块化较健康对照组有所增加。本研究结果发现特征路径长度减低，与既往研究结果不一致，可能是因为样本量不足导致结果的偏差，或者既往研究可能集中在AD某一特定阶段，而本研究可能涵盖了多个阶段，导致结果不一致。AD患者特征路径长度降低可能与网络重组和代偿机制有关，网络重组可能涉及默认模式网络（default mode network, DMN）、小脑和内侧颞叶等脑区的变化，而代偿机制可能通过增加功能连接、局部脑活动的增强和兴奋-抑制平衡的调整来维持认知功能。本研究其余全局网络指标与既往研究结果一致，可能是由于研究方法的相似性、疾病特征的普遍性、统计分析的稳健性等多种因素共同作用的结果，这些一致性结果进一步支持了AD患者脑网络特征变化的普遍性和可靠性，同时也为后续研究提供了重要的参考。然而，这些差异在置换检验零假设结果中并未显示出统计学意义，可能是因为样本量不足、疾病阶段的异质性、置换次数不足，以及全局网络指标的复杂性等多种原因导致，使得AD与HC组之间的全局网络差异并不显著。此外，全局指标的AUC结果也未能显示两组之间的统计学差异，进一步支持了这一结论。

3.2 AD患者局部节点指标改变

       在局部节点指标分析中发现，AD组在特定脑区的标准化节点度、节点介数和Cp与HC组相比显示出差异。AD组在右侧距状裂、右侧梭状回、右侧颞中回的节点度较低，在右侧小脑、右侧缘上回的节点介数较低，而在右侧距状裂、左侧眶部额下回、左侧内侧额上回、右侧嗅皮层的节点介数较高，但经FDR校正后，两组间的差异无统计学意义（P>0.05）。既往研究发现^[33]，与HC组相比，AD患者枕叶节点度增高。本研究结果与既往研究结果不一致，这些变化可能是因为本研究样本量较小，导致统计效力不足，经FDR校正后无法检测到显著差异脑区，小样本可能导致结果的随机波动较大，掩盖了真实的效应。节点度降低的脑区（右侧距状裂、右侧梭状回、右侧颞中回）可能反映了神经退行性变导致的神经元和突触丢失，进而影响视觉、语言和记忆功能。节点介数降低的脑区（右侧小脑、右侧缘上回）可能反映了运动协调和空间感知功能的障碍。节点介数升高的脑区（右侧距状裂、左侧眶部额下回、左侧内侧额上回、右侧嗅皮层）可能反映了代偿机制，维持视觉、情感和认知功能。Cp在以下脑区高于HC组：右侧小脑、左侧眶部额中回，在右侧颞中回颞极、左侧丘脑低于HC组，但经FDR校正后，两组间的差异无统计学意义。还有研究发现^[34]，AD患者在左侧海马聚类系数较低；本研究发现AD患者聚类系数减低的脑区与既往研究结果不一致，可能是由于AD是一种逐渐进展的疾病，在不同的疾病阶段，不同脑区聚类系数可能会表现出不同的变化趋势和模式。右侧小脑和左侧眶部额中回的Cp增加，可能反映了代偿机制，维持运动协调和情感功能。右侧颞中回颞极和左侧丘脑的Cp降低，可能反映了神经退行性变，导致语言、记忆和感觉功能障碍。标准化后节点指标的AUC结果显示局部效率在右侧小脑高于HC组，在右侧颞上回颞极低于HC组，两组之间的差异具有统计学意义，但未通过FDR校正。既往研究发现^[35]，AD患者在右侧海马体部、颞叶及右侧丘脑局部效率显著下降，本研究发现右侧颞上回局部效率减低，与既往研究结果一致。右侧小脑的局部效率增加，可能反映了代偿机制，维持运动协调和认知功能。右侧颞上回颞极的局部效率降低，可能反映了神经退行性变，导致语言和记忆功能障碍。

3.3 AD患者网络攻击改变

       基于目标的网络攻击及随机网络攻击分析结果显示，两组在攻击节点后的剩余网络指标（最大成分）差异无统计学意义（P>0.05），可能是由于样本量不足、研究设计的局限性、攻击方式的敏感性或网络构建方式的影响。未来研究可以通过增大样本量、优化研究设计、改进攻击策略、优化网络构建方法和引入新的分析方法，进一步提高网络攻击分析的敏感性和可靠性，为理解AD患者的脑网络病理机制提供更深入的见解。

3.4 本研究的局限性

       本研究存在一定的局限性。第一，样本量偏小，可能限制了统计分析的效力，导致一些潜在的差异未能达到统计学意义，后续会纳入较多的样本量以提高统计分析的效力。第二，研究年龄段较局限，未来研究会扩大年龄范围。第三，未将图论分析结果和临床量表做相关性分析，今后会进行相关分析。第四，未分析ADNI数据库纵向数据的大脑结构协变网络的改变。后续研究将考虑这些因素，使用更多元的分析方法，更深入地探讨AD患者的神经影像学机制。

4 结论

       综上所述，本研究发现AD患者基于灰质的大脑结构协变网络在全局指标和局部节点指标上发生了一些变化，揭示了AD患者发生了结构网络的重组，将为进一步探讨AD患者的神经机制提供了一定的影像学依据。