0 引言

       肝性脑病（hepatic encephalopathy, HE）是肝硬化常见的神经生理并发症，严重影响患者生活质量并给临床照护带来了沉重的负担^{[1, 2]}，West-Haven分级标准根据意识、智能和行为变化将肝病患者的神经精神异常分为0~4级。根据2011年国际肝性脑病与氮质代谢学会（International Society for Hepatic Encephalopathy and Nitrogen Metabolism, ISHEN）发布的肝硬化神经认知功能变化谱（Spectrum of Neurocognitive Changes in Cirrhosis, SONIC）共识，HE可分为隐匿性（covert hepatic encephalopathy, CHE）与显性肝性脑病（overt hepatic encephalopathy, OHE），其中轻微型肝性脑病（minimal hepatic encephalopathy, MHE）属CHE范畴，指患者虽无明确行为异常，但神经心理或神经生理检测表现异常的状态^[3]。研究表明，MHE是OHE发生的独立危险因素（1年内OHE发生率约33.8% vs. 非MHE18.1%）^[4]，且与较差的生存预后相关^{[5, 6]}。然而，目前MHE诊断仍缺乏客观统一标准，现有量表易受年龄、教育等因素干扰，限制了其早期识别与干预。近年来，脑结构网络研究为探索MHE神经机制提供了新的视角。图论分析可量化脑网络的全局与局部拓扑属性，揭示其组织模式。基于DTI构建的结构网络研究发现，MHE患者存在小世界属性降低、特征路径长度增加等连接异常^[7]。在肝硬化患者中，在苍白球区域T1为高信号被广泛报道，可能是锰离子的异常堆积。有研究对苍白球信号强度定量分析，发现能鉴别HE与非HE患者^[8]。结构协变网络（structural covariance network, SCN）能揭示大脑网络的连接模式和拓扑属性^[9]，在资源分配场景（如运输网络）中，网络匹配鲁棒性研究对保障网络功能完整至关重要^{[10, 11]}。SCN与网络鲁棒性分析在癫痫、帕金森等疾病中已取得进展^{[12, 13, 14, 15]}，但在MHE研究中，尚缺乏联合网络攻击分析与度分布分析以系统评估其网络鲁棒性及枢纽节点分布特性的探索，前者模拟网络在节点删除下的功能耐受性，后者揭示其底层拓扑结构特征，二者结合有助于从多层级理解MHE脑网络重组机制。因此，本研究拟通过构建基于灰质体积的SCN，结合针对性攻击策略与度分布分析，系统评估MHE患者脑网络的鲁棒性变化与枢纽节点分布特性，以期为早期识别MHE提供新的神经影像学依据。

1 材料与方法

1.1 研究对象

       本研究纳入2024年7月至2025年7月期间招募的MHE组20例及HC组25例。本研究遵循随机、盲法、均衡性原则。本研究遵守《赫尔辛基宣言》，经陕西中医药大学附属医院伦理委员会批准（批准文号：SZFYIEC-YJ—KYBC-2022年第[07]号、SZFYIEC-PJ-2025年第[145]号），全体受试者均签署了知情同意书。MHE诊断标准^[16]：符合以下主要诊断要点中任意一条或以上，即可诊断为MHE。主要诊断要点：（1）有引起HE的基础疾病，严重肝病和（或）广泛门体侧支循环分流；（2）传统神经心理学测试指标中的至少2项异常；（3）新的神经心理学测试方法中（ANT、姿势控制及稳定性测试、多感官 整合测试）至少1项异常；（4）临界闪烁频率检测异常；（5）脑电图、视觉诱发电位、脑干听觉诱发电位异常；（6）fMRI异常。

       MHE组纳入标准：（1）经临床、试验室或影像学确诊为乙型肝炎肝硬化；（2）无OHE病史或表现；（3）年龄30~70岁，右利手；（4）无精神活性物质滥用史；（5）无MRI禁忌，并能配合完成神经心理学测试与影像学扫描全过程。排除标准：（1）合并其他病因肝硬化或其他类型肝炎；（2）存在神经系统疾病、精神疾病、脑外伤或颅内病变；（3）伴有严重脏器功能不全或恶性肿瘤。

       HC组纳入标准：无肝脏疾病史及神经系统异常，年龄30~70岁，右利手，且头部MRI未见异常信号。其排除标准与MHE组一致，并额外确保无任何肝脏疾病。

1.2 一般资料及量表数据

       本研究系统收集受试者的基础临床资料，包括年龄、身高、性别及受教育年限。采用国际通用的HE心理评分（Psychometric Hepatic Encephalopathy Score, PHES）进行神经心理学评估，具体涵盖数字连接试验A（Number Connection Test-A, NCT-A）、数字连接试验B（Number Connection Test-B, NCT-B）、轨迹描绘试验（Line-Tracting Test, LTT）、系列打点试验（Serial Dotting Test, SDT）及数字符号试验（Digit-Symbol Test, DST）五个核心分测验。

1.3 仪器与方法

       使用德国西门子Skyra 3.0 T超导型磁共振成像系统，配备专用20通道头颈联合线圈，采集全脑高分辨率三维T1结构像（T1-MPRAGE序列）。关键扫描参数如下：TR 2350 ms，TE 3.4 ms，FOV 250 mm×250 mm，采集矩阵256×256，层厚1 mm，连续采集192个矢状位层面。

1.4 MRI数据预处理

       脑结构MRI数据基于MATLAB R2020a平台，采用SPM8软件包中的VBM8工具包进行处理与分析。主要包括以下流程。（1）数据校正：对原始T1-MPRAGE图像进行头动及场强不均匀性校正等；（2）分割与空间标准化：将图像配准至蒙特利尔神经科学研究所标准空间（Montreal Neurological Institute, MNI），并分割为灰质、白质及脑脊液；（3）空间平滑：采用6 mm半高全宽高斯核对图像进行平滑；（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评估，排除存在明显伪影或严重运动伪影的图像，同时利用SPM8的质量控制模块计算信噪比与对比噪声比等指标，并依据预设阈值剔除质量不佳数据。随后，基于WFU PickAtlas工具包及自动解剖标记（automatic anatomic labeling, AAL）图谱，定义116个感兴趣区（region of interest, ROI）（含小脑区域）^[17]。将标准化后的灰质图像重采样至ROI空间，最后使用SPM8提取各ROI的灰质体积值。

1.5 结构协变网络构建

       基于MATLAB R2020a计算平台，采用SPM8工具包内的VBM8模块完成结构像预处理流程，提取各ROI灰质体积值后，以这些脑区为网络节点，计算全脑灰质体积间的Pearson相关系数，构建116×116相关矩阵。对相关系数进行Fisher-Z变换，并以年龄、身高、性别、受教育年限及颅内总体积（total intracranial volume, TIV）作为协变量进行回归分析。最终，在0.34~0.50的网络密度范围内，以0.02为间隔对二值化SCN进行阈值筛选。两组在共同最小密度条件下二维矩阵见图1。

点击查看大图

图1  HC组（1A）与MHE组（1B）在共同最小密度下的二维矩阵图。HC：健康对照；MHE：轻微肝性脑病。
Fig. 1  Two-dimensional matrix diagrams of the HC group (1A) and the MHE group (1B) at the common minimum density. HC: healthy control; MHE: minimal hepatic encephalopathy.

1.6 网络攻击分析

       本研究采用目标攻击与随机攻击两种策略评估结构协变网络的鲁棒性，具体流程如下。（1）基于目标的节点攻击：在网络密度固定为0.34的条件下，基于节点的介数中心性进行重要性排序，识别网络中承担关键信息桥梁作用的枢纽节点。随后按重要性降序执行迭代式节点移除，并在每一步移除后记录最大连通成分的相对大小，以量化网络结构的完整性。（2）随机节点攻击：作为对照，随机选择并移除节点，重复该过程20次以控制随机误差，最终取平均生成各组稳定的鲁棒性曲线。（3）AUC量化与统计比较：为综合评估网络在攻击过程中的整体韧性，计算每位受试者在两种攻击模式下曲线的曲线下面积（area under the curve, AUC），AUC值越高代表网络鲁棒性越强。采用独立样本t检验比较组间AUC差异，显著性水平设定为P<0.05。所有分析均在MATLAB R2020a平台中集成脑连接工具箱功能实现。

1.7 度分布分析

       本研究的度分布拟合是基于组水平聚合网络进行的，这一做法旨在刻画组水平网络的宏观拓扑特性，而非个体水平变异，具体而言，采用指数截断幂律分布对网络的度分布进行建模，其概率密度函数定义为：P(d)~d^(a-1)、e^-d/b，其中，P(d)表示节点度为d的概率，a为幂律指数，b为截断度。该模型兼具幂律特性与指数截断机制，能够同时刻画网络在低度区的异质性特征与高度区的指数衰减行为，从而更精确地描述生物网络中枢纽节点的存在及其度值上限。分析流程基于图论分析工具箱的输出结果，具体包括以下步骤：（1）数据输入。直接导入由前期图像分析工具箱（Graph Analysis Toolbox, GAT）分析生成的 matAGAT_*.mat文件作为输入数据源。（2）度序列提取。节点的度序列是在最小连接密度条件下计算得出，通过读取KAN_FixedDens_Results.mat文件实现。该方法确保所有网络在统一的稀疏连接水平下进行度分布估计，聚焦于网络的核心骨架结构。（3）模型拟合与验证，分别对MHE组与HC组的聚合网络进行指数截断幂律模型拟合，拟合优度通过确定系数（R²）进行评价。系统在提供初始拟合参数后，设有截断度b的手动确认与调整机制。本研究采纳系统自动拟合结果，因所有拟合的R²均高于0.94，表明模型与观测数据具有高度一致性。但需注意的是，本研究基于组水平聚合网络表征拓扑特性，而非逐被试拟合。组间模型参数（a和b）的差异仅作为反映枢纽节点潜在重组趋势的描述性观察进行讨论，而非严格的统计学显著性推断。

1.8 统计学分析

       根据公式n=2×(Zα/2+Zβ/2)²/(δ²/σ²)对MHE组和HC组进行样本量估算，其中Zα/2对应检验水准α=0.05时的1.96，Zβ/2对应检验功效1-β=0.8时的1.28。σ代表总体标准差，δ代表允许误差。本研究根据样本量估算方法n=2×(1.96+1.28)²/[(52.6-31.4)²/5.2²]，计算出两组预估样本量为16.6例/组，最终纳入45例受试者（MHE组20例，HC组25例）。采用SPSS 26.0进行统计分析，连续变量根据正态性检验结果，分别采用独立样本t检验或Mann-Whitney U检验；分类变量采用卡方检验，P<0.05被认为具有统计学意义。对于影像数据，基于matlab2020a的GAT（http://brainlens.org/tools.html）工具箱进行统计学分析。网络攻击分析，采用置换检验（5000次置换）评估两组间SCN图论参数及网络鲁棒性差异的统计学显著性。具体包括，在逐步移除节点的各个步骤中，比较两组剩余网络的最大连通分量大小；基于AUC比较两组总体网络鲁棒性。对于多个节点移除比例下的多重比较，采用错误发现率（false discovery rate, FDR）进行校正。度分布分析，两组间的参数比较采用Mann-Whitney U检验，所有假设检验均为双尾，显著性水平设定为α=0.05，采用FDR校正。

2 结果

2.1 临床数据比较

       MHE组与HC组，在年龄、性别、受教育年限、NCT-A、NCT-B、LTT、SDT、DST、TIV之间比较，结果年龄、NCT-A、NCT-B、LTT、SDT、DST得分差异有统计学意义（P<0.05），身高、性别、受教育年限、TIV差异均无统计学意义（P>0.05）（表1）。

点击查看表格

表1  MHE组与HC组的临床数据
Tab. 1  Clinical Data of the MHE Group and the HC Group.

2.2 结构协变网络鲁棒性的测量

       最小全连接网络稀疏度时HC组与MHE组的SCN面对目标攻击和随机攻击时的鲁棒性见图2, 图3。目标攻击方式为分别按照介数中心性由高到低的顺序依次移除网络节点，直到剩余网络节点为1，并分别使用网络相对大小作为网络鲁棒性的评价指标。因此，每次移除节点时均可得到１个对应的网络相对大小，故可用网络相对大小随节点移除的变化曲线可视化SCN的鲁棒性，并获得AUC。

点击查看大图

图2  基于节点介数中心性的灰质体积结构协变网络（SCN）在目标攻击下的耐受性曲线。使用节点介数中心性作为目标攻击的目标时，基于灰质体积SCN网络相对大小变化曲线网络共有116个节点，按照介数中心性由高到低的顺序依次移除节点，直到剩余网络节点为1，在星号（*）对应的横坐标时，两组间网络相对大小差异有统计学意义（P<0.05）；曲线下面积（AUC）分析显示两组间的差异无统计学意义（P=0.50）。
Fig. 2  Tolerance curve of gray matter volume-based structural covariance network (SCN) under targeted attack based on node betweenness centrality. Curve of the relative size change in the gray matter volume-based SCN under targeted attacks using node betweenness centrality. The network comprises 116 nodes. Nodes were sequentially removed in descending order of betweenness centrality until only one node remained. The asterisk (*) denotes the point on the x-axis where a statistically significant difference (P < 0.05) in the relative network size between the two groups was observed. Area under the curve (AUC) analysis indicated no statistically significant difference between the two groups (P = 0.50).

点击查看大图

图3  基于节点介数中心性的灰质体积结构协变网络（SCN）在随机攻击下的耐受性曲线。使用随机攻击时，基于灰质体积SCN网络相对大小变化曲线网络共有116个节点，按照介数中心性由高到低的顺序依次移除节点，直到剩余网络节点为1，在星号（*）对应的横坐标时，两组间网络相对大小差异有统计学意义（P<0.05）；MHE组AUC大于HC，差异有统计学意义（P<0.05）。MHE为轻微肝性脑病；HC为健康对照；
Fig. 3  Tolerance curve of gray matter volume-based structural covariance network (SCN) under random attack based on node betweenness centrality. Curve of the relative size change in the gray matter volume-based SCN under random attacks.The network comprises 116 nodes. Nodes were sequentially removed in descending order of betweenness centrality until only one node remained. The asterisk (*) indicates the point on the x-axis where a statistically significant difference (P < 0.05) in the relative network size between the two groups was observed. The MHE group demonstrated a significantly larger area under the curve (AUC) compared to the HC group (P < 0.05).

2.3 度分布分析比较

       经HC组与MHE组脑网络度分布分析（图4）发现，对比度分布直方图显示MHE组分布范围收缩，缺乏高连接枢纽；节点度概率密度函数对数坐标图显示MHE组截断点提前，MHE组的截断点明显左移，表明网络在更低连接水平就达到了网络容量极限；节点度概率密度函数原始坐标图显示MHE组累积分布快速下降，表明网络结构简化，枢纽缺失。

点击查看大图

图4  HC 组与MHE 组脑网络度分布分析图。MHE 组：a=1.199 1，b=17.255 0；HC组：a=1.106 6，b=32.795 8（a为幂律指数，b 为截断度）。4A~4B：HC 组与MHE 组度分布直方图对比；4C~4D：HC 组与MHE 组节点度概率密度函数对数坐标图对比；4E~4F：HC组与MHE 组节点度概率密度函数原始坐标图。HC：健康对照；MHE：轻微肝性脑病。
Fig. 4  Degree distribution analysis of brain networks in the HC and MHE groups. MHE group: a = 1.199 1, b = 17.255 0; HC group: a = 1.106 6, b = 32.795 8 (a is the power-law exponent and b is the cutoff degree). 4A-4B: Comparison of degree distribution histograms between the HC and MHE groups; 4C-4D: Comparison of node degree probability density functions on a log-log scale between the HC and MHE groups; 4E-4F: Comparison of node degree probability density functions on a linear scale between the HC and MHE groups. HC: healthy control; MHE: minimal hepatic encephalopathy.

3 讨论

       本研究使用基于灰质体积构建的SCN，测量其在目标攻击与随机攻击下的鲁棒性，并通过度分布分析评估枢纽节点分布。结果表明，其鲁棒性在MHE组与HC组SCN间存在差异，表明大脑结构协变模式发生了改变，这可能反映了疾病背景下脑形态拓扑组织特性的异常重构。度分布参数变化提示网络拓扑结构趋于简化，由高效层级化向均质化系统转变，这可能是其认知功能障碍的神经基础。这是国内首次从网络鲁棒性联合枢纽节点分布系统的探究MHE患者的结构及枢纽模式的变化特点。这些改变可能共同构成了MHE认知功能障碍的神经病理基础。从脑网络鲁棒性及枢纽节点分布的整体视角，深化了对MHE病理机制的理解，并为MHE的早期诊断、治疗、寻找潜在的影像学标志物提供了一定的价值。

3.1 网络攻击分析的改变

       本研究采用图论分析，对MHE患者基于灰质体积的SCN进行了系统研究，重点探讨了网络攻击耐受特性。结果显示，在以介数中心性为指导的针对性攻击下，MHE组与HC组间网络鲁棒性无显著差异；然而，在随机攻击情境中，HC组表现出较MHE组更弱的网络鲁棒性（P<0.05）。度分布分析表明，MHE组脑网络的截断度b值降低（17.26 vs. 32.80），幂律指数a值增加（1.20 vs. 1.11），拟合优度R²均大于0.94。上述发现共同提示MHE患者脑网络可能经历了一定的拓扑结构重组与简化进程，这一变化或与其临床表现中的认知功能障碍存在关联。在评估网络鲁棒性时，本研究采用最大连通成分作为主要度量指标，用以量化节点移除过程中连接网络的完整性^[18]。该指标直接反映网络核心可通信结构的保留程度，在脑网络研究中，维持较大的连通成分对于保障全局信息整合与功能协调至关重要^[19]。在衡量网络对结构性破坏的耐受能力时，最大连通分量的大小是一个直观且关键的指标，它直接反映了网络在遭受攻击后保持结构完整性的程度^{[20, 21]}。与此相对，全局效率、平均路径长度等度量则更侧重于刻画网络的信息传输性能^[22]。在目标攻击下，MHE组与HC组网络相对大小在某些节点移除阶段存在显著差异（图2），但整体AUC差异无统计学意义（P=0.50）。这表明MHE患者脑网络在特定关键节点失效时表现出局部脆弱性，但全局拓扑结构通过代偿机制维持了整体鲁棒性，反映了其网络重构，表现出局部脆弱但全局相对稳定的特性。具体而言，网络在随机攻击下表现出的鲁棒性增强，可能反映了网络在病理状态下的适应性重构机制。而在以介数中心性为依据的目标攻击中两组未出现显著差异，说明MHE脑网络中具有高中介中心性的关键枢纽节点未发生本质性损伤，仍维持基本结构完整性。该结果与GOU等^[7]的研究相呼应，其同样指出尽管MHE患者脑结构网络存在全局效率下降，但核心枢纽节点的功能在一定程度上得以保留。然而，在随机攻击条件下，HC的脑网络更易发生瓦解，表明MHE患者的脑网络对随机干扰具有更强的抵抗能力。这种鲁棒性的提升可能源于一种代偿性机制，即在肝病相关神经毒性（如血氨蓄积）的影响下，MHE患者脑网络通过增加连接冗余或重构社区结构以维持基本功能整合。CHEN等^[23]发现，在OHE后的肝硬化患者中，脑结构网络的拓扑组织受到显著破坏，而MHE患者可能通过神经可塑性机制实现部分功能代偿。BULLMORE等^[24]提出，脑网络的组织遵循经济性原则，在病理状态下可能通过重新配置以最小化资源消耗，从而提升鲁棒性，但往往以牺牲信息处理效率为代价。GARCÍA-GARCÍA等^[25]指出，MHE患者海马区的结构与功能连接发生改变，并与学习记忆功能损害相关；作为脑网络中的关键枢纽节点，海马的结构重组可能影响整个网络对攻击的响应模式。此外，CAI等^[26]报道了MHE患者脑功能架构存在异常稳定性，而CHEN等^[23]则强调了OHE后功能网络的拓扑结构异常，这些发现共同支持HE中脑网络发生广泛性重构的观点。因此，MHE网络在随机攻击下表现出的鲁棒性增强，可能反映了其从高效层级化系统向更趋于均质化系统的转变，然而这种结构重组不足以支持复杂认知任务，最终导致认知功能下降。

3.2 度分布分析的改变

       基于组水平聚合网络进行的度分布拟合，在于揭示两组在群体平均网络结构上的差异趋势，而非个体水平的统计推断。通过度分布分析，本研究表明了MHE脑网络存在拓扑简化现象。采用指数截断幂律模型拟合结果显示，MHE组参数b值降低、a值升高，提示网络中高度连接的枢纽节点优势减弱，节点度分布趋于均匀化。这种从无标度特征向泊松分布的偏移，表明网络在全局信息整合方面的效率下降。ZOU等^[27]直接报道了MHE患者灰SCN存在包括度中心性分布改变在内的拓扑属性异常，与本研究结果高度一致。CHEN等^[28]发现MHE患者丘脑结构连接异常，而丘脑作为脑网络中的关键枢纽，其结构损伤可能导致整体网络的度分布简化；LU等^[29]进一步证实肝硬化患者丘脑体积变化与临床指标相关，凸显了枢纽节点在MHE病理过程中的重要性。LI等^[30]采用扩散峰度成像技术揭示MHE患者存在微结构脑异常并与神经认知功能障碍相关；CHEN等^[31]基于灰质体积构建的机器学习模型可有效识别MHE患者；SHA等^[32]则强调HE进展中感觉运动缺陷与结构-功能网络的改变密切相关。这些研究共同表明，MHE脑网络在微观与宏观尺度上均发生退行性改变，度分布简化可能是其核心拓扑特征之一。此外，ZHU等^[33]的荟萃分析确认了HE中脑灰质改变的普遍性，LIN等^[34]通过网络与因果分析揭示了肝硬化患者存在进行性脑结构损伤，SUN等^[35]利用扩散峰度成像在无OHE患者中检测到微结构异常，KUANG等^[36]指出胼胝体异常损害半球间功能协调，均间接支持度分布改变作为网络简化的标志。这种拓扑简化可能源于氨毒性介导的星形胶质细胞病变及神经元丢失，从而导致高度连接节点的衰退，进一步削弱网络的全局效率。

3.3 网络攻击联合度分布分析

       网络攻击和度分布分析的结果共同揭示了MHE脑网络的重组模式，一方面，通过增强随机攻击鲁棒性来维持基础功能；另一方面，拓扑简化导致信息处理效率下降。这一现象体现了脑网络在经济性原则下的权衡机制^[24]，即在病理状态下，网络优先保障基本连通性，而牺牲高阶认知所需的信息整合效率。已有研究表明，正常老化可导致脑网络拓扑结构的重组，包括枢纽分布的改变和网络鲁棒性的下降^{[37, 38]}。而本研究发现，MHE组在随机攻击下表现出更高的鲁棒性，且截断度b值降低，提示了度分布尾部变薄，枢纽节点减少，这与单纯老化效应的方向并不完全一致。应关注的是，MHE相关的代谢紊乱可能同时作用于两种不同的网络损伤模式，类似于STANFORD等^[38]的发现，MHE可能引起默认模式网络枢纽节点的平均可控性下降，反映这些节点在驱动网络向易达状态转换的能力减弱；与TANG等^[39]观察一致，MHE可能损害执行控制网络的模态可控性，即该网络推动大脑向费力、难以到达状态转换的能力受损。这两种机制共同作用，可能导致本研究中观察到的度分布特征改变，即幂律指数升高和截断点前移，提示网络枢纽结构的退化和功能分化的丧失。有研究通过构建基于能量视角的网络结构演化模型，结合最小能量、随机能量、最大能量攻击的三种攻击策略，揭示了攻击策略与结构演化对网络匹配鲁棒性的非线性影响及协同效应^[40]。本研究发现的MHE患者SCN向均质化、简化拓扑的重组模式，与CAI等^[41]研究的丘脑关键亚区结构功能异常可能相互关联，提示关键枢纽节点的去分化与网络整体架构的退化，共同构成了MHE认知损害的神经基础。JU等^[42]研究发现脑结构改变与类淋巴系统功能受损之间的关联。HUANG等^[43]发现广泛皮质微观结构改变，这些微观层面的结构异常可能削弱了关键脑区的网络中心性，共同推动了网络从高效层级化向低效均质化的病理转变。此外，已有研究专门针对分类模型的鲁棒性进行度量^[44]，因此鲁棒性在确保AI系统在复杂且不确定的环境中的可靠性运行起关键作用。需要指出的是，本研究中，年龄在两组间有显著差异，本研究在统计分析中已将年龄、性别、受教育年限、身高及TIV作为协变量纳入模型。而需要指出的是，协变量校正方法基于变量影响为线性且可加的统计假设。年龄对脑网络拓扑属性的影响可能存在非线性成分或交互效应，此类复杂关系通过线性模型可能无法被完全校正与剥离。因此，基于当前分析方法，本研究结果是控制了上述主要人口学及宏观结构变量的线性影响后，仍然存在的。

3.4 本研究的局限性

       本研究存在一定的局限性。第一，样本量较小，一定程度上限制了统计效力，未来需进一步扩大样本量。第二，本研究未增加肝硬化无MHE组，未收集肝功能试验室指标，未来将完善此步骤，并增加相关性分析。第三，本研究的MHE组与HC组在年龄上存在显著差异，为控制混杂因素，已将年龄作为协变量进行校正。此外，度分布改变与神经递质系统的关联，以及结构-功能连接耦合机制尚待阐明。后续可结合多模态神经影像与药物干预试验，探究网络拓扑结构对治疗的反应，以推动MHE的早期影像学生物标志物开发与临床干预。

4 结论

       综上所述，MHE患者脑SCN发生重组，形成具有选择性适应性的复杂模式，度分布参数变化提示网络拓扑结构趋于简化，由高效层级化向均质化系统转变，这可能是其认知功能障碍的神经基础，为理解、诊断和治疗肝性脑病提供了新的视角和方法学工具。