0 引言

       脑小血管病（cerebral small vessel disease, CSVD）是脑血管原位损伤导致的一组慢性疾病^[1]，主要累及脑内的小动静脉、毛细血管等。中老年人群中患病率高，且临床表现无特异性，包括精神认知能力下降、步态改变等^[2]。CSVD在腔隙性脑梗死、脑出血和痴呆以及认知障碍等健康问题中起着至关重要的作用，占所有痴呆症病因的20%，且四分之一的缺血性卒中和绝大多数自发性出血源自CSVD^{[1, 3, 4]}。

       CSVD主要神经影像学特征包括无症状的腔隙（lacune）、脑微出血（cerebral micro-bleeding, CMB）、脑白质高信号（white matter hyperintensities, WMH）与血管周围间隙（perivascular space, PVS）等^{[5, 6]}。

       此前，很多研究只关注某一个影像学特征，忽略了其他特征的协同影响。一项研究提出了CSVD总负荷的概念，它整合了临床中最常用到的四个特征得到总评分标准，评估脑小血管病的严重程度及其临床症状的改变趋势^[7]。目前，已经有大量的研究将重点放在CSVD总负荷评分上，一项关于腔隙性脑梗死患者动态血压水平变化的研究发现，CSVD总负荷评分与血压水平呈正相关^[7]。一项针对遗忘症的研究发现，CSVD总负荷评分与认知障碍之间存在显著关联^[8]。这些研究证实了根据CSVD总负荷评分进行分组的可行性及临床意义。

       近些年来，静息态功能磁共振成像（resting-state functional magnetic resonance imaging, rs-fMRI）已经作为神经系统相关疾病无创性研究的工具被广泛应用。其通过跟踪不同大脑区域的血氧水平依赖（blood oxygenation level dependent, BOLD）信号的波动，定量评估大脑网络功能连接，反映各个脑区之间的关系^[9]。图论分析克服了针对单一结构或功能维度研究的局限性，通过点、边互相连接的网络从各个脑区相互协同作用的角度进行分析^[10]。在慢性疼痛、癫痫与抑郁等神经退行性疾病、心理疾病的研究中已经发现患者的脑功能网络指标发生了异常改变^{[11, 12, 13]}。

       此前，尚无不同负荷CSVD患者脑功能网络及认知功能相关研究。因此，本研究通过rs-fMRI结合图论分析的方法，整合全脑信息，研究患者之间脑功能网络特征的具体差异，明确神经学机制和功能网络之间的潜在联系。此外，还探讨了大脑功能网络特征与认知评分之间的相关性。

1 材料与方法

1.1 研究对象

       招募在2024年12月至2025年7月就诊于石河子大学第一附属医院的57例CSVD患者。同期招募年龄、性别以及受教育程度等相匹配的健康人群21例作为健康对照（healthy control, HC）组。两名具有15年以上神经系统疾病影像诊断经验的副主任医师对所有CSVD患者MR图像特征进行评价，并结合联影（uAI）平台的脑小血管病诊断板块综合评估，两名医师均对临床相关数据不知情。纳入的影像学特征有腔隙、脑白质高信号、脑微出血、血管周围间隙，其中PVS评分一般选择基底节区和半卵圆中心这两个层面最多的PVS结果，并对其严重程度进行分级，评分共0~4分；WMH评分使用标准Fazekas量表，对深部以及脑室旁WMH做总和，评分共0~6分。CSVD总负荷评分的具体方法为，存在以下的表现记1分，所有得分进行累加：Fazekas量表结果存在深部WMH≥2分和（或）脑室旁WMH=3分；≥1个腔隙；基底节区PVS评分为中重度（2~4分）；≥1个深部或幕下CMB。评分0~1分为CSVD轻度负荷（mild CSVD burden, CSVD-m）组；评分2~4分为CSVD中度至重度负荷（severe CSVD burden, CSVD-s）组^[7]。本研究严格遵守《赫尔辛基宣言》，并经过石河子大学第一附属医院医学伦理委员会批准，批准文号：KJ2024-487-02，全部受试者均对研究内容进行全面了解，并签署知情同意书。

1.2 纳排标准

       纳入标准：年龄45至75岁；以下主诉及临床表现：头痛、头晕、肢体麻木、行走与认知、语言等功能降低等提示脑小血管病；MRI证实存在腔隙、脑白质高信号、脑微出血、血管周围间隙等影像学表现。

       排除标准：合并严重精神疾病；存在酒精或药物滥用史；阿尔茨海默病、帕金森病等引起认知功能障碍的相关疾病；2型糖尿病和重度高血压的急性并发症；有明显的其他疾病引起的听力、视力和语言障碍。

1.3 一般临床资料收集及量表评估

       本研究收集人口统计学信息，包括年龄、性别、受教育程度、吸烟、饮酒、高血压、糖尿病、冠心病、主动脉硬化斑块、颈动脉斑块、脂肪肝、血糖、血脂指标、体质指数（body mass index, BMI）。其中，受教育程度对学历进行统计，以评分的方式呈现：文盲记为1分、小学记为2分、初中记为3分、高中及中专记为4分、大专及本科以上记为5分。并采集受试者相关量表信息：蒙特利尔认知评估（Montreal Cognitive Assessment, MoCA）量表，其中若接受教育的总年数少于12年，则额外增加一分^[14]。

1.4 MRI资料收集与处理

1.4.1 MRI图像采集

       所有受试者的MRI影像数据采集均在石河子大学第一附属医院医学影像中心医技楼磁共振检查室5号室进行，机器选择Siemens 3 T Lumina MR扫描仪，线圈选择32通道颅脑专用线圈。在扫描过程中，要求患者保持仰卧位、静止不动、清醒闭目，佩戴耳塞和充气气囊垫减少噪音干扰及运动伪影。所有受试者先扫描CSVD诊断所需的序列，均选取轴位扫描，T1WI扫描参数：TR 500 ms，TE 6 ms，FOV 220 mm×220 mm，层厚5 mm，层数20；T2WI扫描参数：TR 3230 ms，TE 126 ms，FOV 230 mm×230 mm，层厚5 mm，层数25；T2 FLAIR扫描参数：TR 8000 ms，TE 97 ms，FOV 230 mm×230 mm，层厚5 mm，层数20；SWI扫描参数：TR 28 ms，TE 20 ms，FOV 220 mm×220 mm，层厚2 mm，层数60。排除颅脑大血管病变等后，采用rs-fMRI序列扫描，选取轴位扫描，扫描参数为TR 1500 ms，TE 30 ms，65°翻转角，共46层，FOV 225 mm×225 mm，层厚2.5 mm，层距0 mm，测量次数240次，加速方式SMS。再进行高分辨率三维T1加权成像（high-resolution 3-dimensional T1-weighted imaging, 3D-T1WI）扫描，选取矢状位扫描，扫描参数为：TR 1610 ms，TE 2 ms，8°翻转角，FOV 256 mm×256 mm，层厚1 mm，共384层。全程扫描时间28 min 56 s。

1.4.2 MRI数据预处理

       首先，图像格式转换选用MRIcroGL V1.2.2软件（https://www.nitrc.org/projects/mricrogl/）^[15]进行，将采集到的BOLD-fMRI和3D-T1WI结构像的DICOM图像数据转换成4D NIFTI格式。后续处理使用基于MATLAB R2017a平台的Gretna V2.0.0软件程序^[16]（http://www.nitrc.org/projects/gretna/）进行，使用图像空间预处理板块，其步骤如下：去除前5张图像；针对TR=2 ms的采集参数进行时间层校正；将校正后的图像进行头部运动校正，使所有时间点图像配准至第一幅图像；空间标准化使用受试者各自的T1结构影像进行共配准并归一化，体素大小为2 mm×2 mm×2 mm。将白质信号、脑脊液信号和24 Friston运动参数作为协变量进行回归。针对0.01~0.08 Hz频段进行滤波处理。去除头动过大的时间点以减轻头动产生的影响。

1.4.3 脑网络连接矩阵的构建

       使用Gretna V2.0.0软件程序，选用功能连接矩阵构建板块进行脑功能网络连接矩阵的构建，选择最基础的人脑自动解剖标记（anatomical automatic labeling, AAL）图谱模板，将全脑划分为90个不同节点，计算每两个节点之间的皮尔逊相关系数，并只保留全部的正相关，所有负相关转换为0，生成一个90×90的静息态功能连接矩阵，为了提高相关系数的正态性，对得到的矩阵进行Fisherr-z变换^[17]。

1.4.4 脑网络指标的计算

       使用Gretna V2.0.0软件程序，选择图论分析功能板块进行功能网络的拓扑学性质分析。由于网络在较低的稀疏阈值下没有完全连接，较高的稀疏阈值下无法维持小世界属性，所以在所选稀疏度范围内，所有被试的小世界属性（small-worldness, σ）值皆应大于1.1，通过初步试验计算得到稀疏度的上限设置为0.4，根据稀疏度的计算方法，稀疏度的下限设置为0.05，使所有被试均满足小世界属性，最终选择稀疏度阈值范围0.05~0.40，步长选择0.05，分别计算各自的曲线下面积，并计算在这8个不同稀疏度阈值下脑功能网络属性。本研究纳入的全局网络属性包括全局效率（global efficiency, Eg）、局部效率（local efficiency, Eloc）、σ、特征路径长度（characteristic path length, Lp）和标准化特征路径长度（Lambda, λ）、聚类系数（clustering emiciency, Cp）、标准化聚类系数（Gamma, γ）；局部网络属性有介数中心度（betweenness centrality, BC）、节点中心度（nodal degree centrality, DC）、节点效率（nodal efficiency, NE）和节点局部效率（nodal local efficiency, NLe）、节点聚类系数（nodal clustering coefficient, NCp）。

1.5 统计学分析

       统计学分析采用SPSS 27.0软件（https://www.ibm.com/spss）进行。首先，对所有计数资料进行正态性检验，若符合正态分布，进行方差齐性检验，方差齐选用单因素方差分析（one-way analysis of variance, ANOVA），事后两两比较选用独立样本t检验，多重比较校正采用邦弗伦尼校正（Bonferroni correction），方差不齐则选用韦尔奇方差分析（Weich's ANOVA），事后两两比较选用盖姆斯-豪厄尔检验（Games-Howell test）以及内置的校正功能；若不符合正态分布，进行Kruskal-Wallis H检验，事后两两比较选用Mann-Whitney U检验，结果采用Bonferroni校正。对所有分类变量进行卡方检验，当期望频数<5时使用费希尔精确检验（Fisher's exact test），结果采用Bonferroni校正。对网络拓扑指标进行方差齐性检验，方差齐选用使用ANOVA，事后两两比较选用图基诚实显著差异检验（Tukey's HSD）以及内置的校正功能，方差不齐则选用Weich's ANOVA，事后两两比较选用Games-Howell检验以及内置的校正功能，对局部指标额外采用FDR校正多重比较结果。探讨差异性脑网络拓扑指标与MoCA评分的相关性采用Spearman相关性分析。全部分析以P<0.05为差异有统计学意义。

2 结果

2.1 一般临床资料与量表

       根据纳排标准，57例CSVD患者中7例CSVD-m患者和5例CSVD-s患者因图像质量及预处理问题被排除。最终共纳入66例受试者，其中CSVD-m组23例，CSVD-s组22例，HC组21例。HC组、CSVD-m组及CSVD-s组三组间年龄、性别及受教育评分、高血压、糖尿病等慢性病史，吸烟饮酒史以及血糖、血脂等实验室检查指标等差异均无统计学意义（P>0.05）。CSVD-s组的MoCA评分低于HC组（P<0.05），详见表1。

点击查看表格

表1  一般临床资料信息表
Tab. 1  Basic clinical information

2.2 脑功能网络拓扑属性分析

2.2.1 全局指标分析

       HC组、CSVD-m组和CSVD-s组三组间全局指标中只有Eg、Cp、Lp差异具有统计学意义（P<0.05）。与HC组相比，CSVD-s组降低的指标是Eg，升高的指标是Cp、Lp；与CSVD-m组相比，CSVD-s组升高的指标是Lp。此外，HC组、CSVD-m组和CSVD-s组的Eloc、λ、γ及σ在三组间差异均无统计学意义（P>0.05），详见表2和图1。

点击查看大图

图1  HC、CSVD-m和CSVD-s三组间网络全局指标比较。G1：健康对照（HC）组；G2：脑小血管病轻度负荷（CSVD-m）组；G3：脑小血管病中度至重度负荷（CSVD-s）组；Eg表示全局效率；Eloc表示局部效率；Cp表示聚类系数；γ表示标准化聚类系数；λ表示标准化特征路径长度；Lp表示特征路径长度；σ表示小世界属性。
Fig. 1  Comparison of global indicators of networks among HC, CSVD-m and CSVD-s groups. G1: healthy controls (HC) group; G2: mild CSVD burden (CSVD-m) group; G3: severe CSVD burden (CSVD-s) group; Eg: global efficiency; Eloc: local efficiency; Cp: clustering coefficient; γ: normalized clustering coefficient; λ: normalized characteristic path length; Lp: characteristic path length; σ: small-world attribute.

点击查看表格

表2  HC、CSVD-m和CSVD-s三组间网络全局指标比较
Tab. 2  The comparison of global indicators between HC, CSVD-m and CSVD-s groups

2.2.2 节点指标分析

       与HC组相比，CSVD-s组的NE降低的脑区在右侧额上回眶部与左侧顶下小叶，CSVD-s组的NCp增高的脑区在左侧额上回眶部；与CSVD-m组相比，CSVD-s组的NE降低的脑区在左侧顶下小叶（均P<0.05），详见表3和图2、图3。

点击查看大图

图2  HC、CSVD-m和CSVD-s三组的NCp指标比较。绿色标注为与HC组相比，CSVD-s组的NCp在左侧额上回眶部增高。NCp：节点聚类系数；ORBsup.L：左侧额上回眶部；L：左；R：右。
Fig. 2  Comparison the NCp between HC, CSVD-m and CSVD-s groups. The green labels indicate that compared with the HC group, the brain region with increased nodal clustering coefficient (NCp) in the CSVD-s group was in the left superior frontal gyrus orbital. NCp: nodal clustering coefficient; ORBsup.L: left superior frontal gyrus orbital; L: left; R: right.

点击查看大图

图3  HC、CSVD-m和CSVD-s三组的NE指标比较。红色标注为与HC组相比，CSVD-s组的NE在左侧顶下小叶降低；同时，与CSVD-m组相比，CSVD-s组的NE在左侧顶下小叶降低。蓝色标注为与HC组相比，CSVD-s组的NE在右侧额上回眶部降低。NE表示节点效率；ORBsup.R：右侧额上回眶部；IPL.L：左侧顶下小叶；L：左；R：右。
Fig. 3  Comparison the NE between HC, CSVD-m and CSVD-s groups. The red labels indicate that compared with the HC group, the brain regions with reduced NE in the CSVD-s group were in the left inferior parietal lobule, and, compared with the CSVD-m group, the brain regions with reduced NE in the CSVD-s group were in the left inferior parietal lobule. The blue labels indicate that compared with the HC group, the brain regions with reduced NE in the CSVD-s group were in the right superior frontal gyrus orbital. NE: nodal efficiency; ORBsup.R: right superior frontal gyrus orbital; IPL.L: left inferior parietal lobule; L: left; R: right.

点击查看表格

表3  HC、CSVD-m和CSVD-s组三组间节点指标比较
Tab. 3  The comparison of node indicators between HC, CSVD-m and CSVD-s groups

2.2.3 相关性分析

       左侧顶下小叶NE（r=0.339，P=0.005）与MoCA评分呈正相关，详见图4。

点击查看大图

图4  左侧顶下小叶NE与MoCA评分的相关性分析。NE：节点效率；MoCA：蒙特利尔认知评估。
Fig. 4  Correlation analysis between MoCA scores and NE in the left inferior parietal lobule. NE: nodal efficiency; MoCA: Montreal Cognitive Assessment.

3 讨论

       本研究将rs-fMRI与图论分析的方法进行结合，研究了中重度和轻度负荷CSVD患者的异常脑功能网络变化及其与认知功能的关系。我们发现了在健康人群与CSVD患者之间、轻重不同负荷CSVD患者之间的全局和局部网络指标均有不同程度的改变，这表明CSVD患者全局与局部信息处理能力均有下降，二者之间的平衡被打破并且存在一定的代偿机制。并且部分局部指标改变与认知功能相关。

3.1 人口统计学资料分析

       在本研究中，三组间血脂指标未存在显著差异。髓鞘损伤是CSVD的一个显著特征，尤其是会延伸到白质损伤^[18]。高密度脂蛋白是一种参与大脑内髓鞘再生过程的胆固醇^[19]。未来的研究可以关注高密度脂蛋白是否明确增加髓磷脂含量的因果关系，指导临床针对CSVD进行可逆的干预。三组间主动脉硬化、冠心病等也无显著差异。动脉硬化、高血压和吸烟等主要是通过血管下游低灌注损伤诱发疾病^[2]，根据此机制可以探究出更新的药物靶点或生物标志物。

3.2 全局属性改变与分析

       本研究发现，在不同程度的CSVD患者中，小世界网络特性均存在。有别于一般的网络结构，人脑能有效地处理各种全局整合信息，从而维持动态平衡^[20]。与HC组相比，CSVD-s组具有较低的Eg，Eg的下降代表节点之间信息传递的最优路径变长，导致网络之间整合能力受损。一篇WMH脑功能网络研究表明，WMH使大脑区域之间信息传输效率明显下降，WMH评分与Eg的改变有关^[21]。这进一步印证了我们的结论，与健康者相比，处于CSVD重症阶段患者的脑功能特定连接已经中断。而Lp与Eg互为镜像关系，Lp的升高意味着大脑中的信息需要经过更多的中转站，才能到达目标脑区。一项迟发阿尔茨海默病（Alzheimer's disease, AD）的研究发现，AD患者的Eloc较低，而Lp高于健康对照组，这表明其脑功能整合和分离能力降低^[22]。此外，有癫痫发展的AD患者的Cp较低，而Lp高于没有癫痫发展的AD患者^[23]。上述研究与我们的结果高度一致。我们发现与HC组相比，CSVD-s组具有较高的Lp，与CSVD-m组相比，CSVD-s组具有较高的Lp，不论在CSVD的哪个阶段，Lp均表现出高于健康者的趋势。

       本研究发现，Eloc在三组间差异无统计学意义，Eg对长距离连接敏感，而Eloc则对邻近区域的短程连接更为敏感，在脑整合全局能力损伤的同时，网络变得碎片化，因此，临近局部区域之间的传递效率尚正常^[24]。这主要是源于CSVD的选择性损伤机制，如WMH、CMB等病理改变会优先损伤长距离连接的白质纤维束，而皮层内部U型纤维主导的短距离连接则相对保留，甚至因为代偿机制略有增加^[25]。

       Cp值代表局部脑区内部连接紧密与否，有癫痫发展的AD患者Cp更高，其内在丘脑网络的连通性显著增加^[23]。与本研究的结果相匹配，与HC组相比，CSVD-s组具有较高的Cp，这反映了人脑的局部代偿机制^[26]。

       这些全局指标作为敏感的定量化指标，可以识别看似“稳定”实则处于“网络崩溃”边缘的患者，指导临床医生采取更积极的干预措施如降血压等，并严密随访，在卒中、痴呆等不可逆终末事件发生前，进行最大程度风险管控。

3.3 局部属性改变与分析

       随着CSVD的进展，一些特定大脑区域也发生了改变。在本研究中，与HC组相比，CSVD-s组的右侧额上回眶部与左侧顶下小叶两个脑区NE降低；与CSVD-m组相比，CSVD-s组的左侧顶下小叶NE降低。在一项脑卒中相关睡眠障碍患者脑功能的研究中，电针刺激可以增强左侧顶下小叶等脑区的功能连接，从而增强高级认知功能^[27]。一项AD的脑功能研究指出，左侧顶下小叶功能连接性降低^[28]。额下回眶部作为默认模式网络的一部分，代表大脑神经活动的基线状态，此外，与HC组相比，病例组在左舌回和枕右下回呈现NE降低的改变^[29]。某个脑区NE值的降低说明其无法高效地参与全局信息整合过程。

       与HC组相比，CSVD-s组NCp增高的脑区在左侧额上回眶部。一项脑卒中后认知障碍的研究发现，电刺激组治疗后左侧额上回眶部和左侧中央后回的Cp升高^[30]。这与我们的结果相呼应，一项研究表明，尾状核区域功能连接增强与代偿机制相关，是因为纳入的受试者处于轻度认知功能障碍阶段，并未发展至痴呆状态^[31]。当局部脑区的NE降低，即全局整合能力完全失效，此时该脑区会强化局部连接，从而维持大脑基础的执行功能，表现为NCp值的升高。需要注意的是，如果是在枢纽节点，如海马区，指标的反常升高可能提示为网络崩溃风险，而非代偿机制。这些指标的反规律改变，提示我们更应关注人脑自动优化代偿功能的重要性，从而去识别可重塑脑区，提高早期临床干预的价值。

       本研究发现的局部指标改变能够精准识别出受损严重的特定脑区，一方面，可以提供潜在的刺激靶点，通过经颅磁刺激、经颅直流电刺激等非侵入方法，达到重塑大脑网络，改善并延缓临床症状的目的^[32]；同时，根据不同的功能脑区，可以指导临床治疗决策，针对性进行个体化康复训练。

3.4 认知量表相关性分析

       目前，MoCA已经被广泛应用于CSVD、AD等认知功能下降相关疾病^[33]，MoCA对轻度认知障碍（mild cognitive impairment, MCI）患者具有较高辨别力，尤其可以反映认知储备（cognitive reserve, CR）能力，CR可以补偿认知能力下降。MoCA可发现早期认知功能下降，从而提示临床进行早期干预^[34]。本研究发现，左侧顶下小叶Ne与MoCA评分呈正相关。顶下小叶作为额顶控制网络关键部分，在认知灵活性、目标行为控制等功能中起着重要作用^[35]。较高的CSVD评分预测了脑出血后出现的新发痴呆症状，提高了诊断准确性^[36]。此外，本研究发现CSVD-s组的MoCA评分低于HC组，随着CSVD的病程发展，认知能力持续下降，因此，更早地通过脑功能变化识别CSVD，便能更有效地延缓认知损伤的临床进程。

3.5 局限性与未来展望

       本研究样本量较小，且是一个单中心研究，可能存在选择偏倚，未来需要大样本且多中心合作来增加数据，丰富研究结果。此外，本研究为横断面研究，未从纵向时间角度探究网络特征与认知功能下降的演变过程。本研究只针对脑功能网络，后续可以从结构-功能耦合关系进行全面理解。本研究中引入CSVD总负荷概念，后续仍可调查在相同评分下，仅存在微出血，或仅有白质病变等情况是否会引起脑功能不同的改变。

4 结论

       本研究通过rs-fMRI结合图论分析的方法深入探究了健康人群、不同负荷CSVD患者的脑功能网络差异及其与认知功能的关系。将疾病的严重程度转化为可量化的脑网络指标，为实现早期疾病预警、靶向干预治疗、降低临床转化风险的目标提供了影像学依据。