高血压对健康老年人大脑网络特征的影响

田苗，林岚*，赵寅，吴水才

（1. 北京工业大学 生命科学与生物工程学院，北京 100124；2.北京市第六医院 器械科，北京 100007）

高血压对健康老年人大脑网络特征的影响

田苗1，林岚1*，赵寅2，吴水才1

（1. 北京工业大学 生命科学与生物工程学院，北京 100124；2.北京市第六医院 器械科，北京 100007）

高血压已成为当今社会影响人类健康的十大疾病之一。随着我国人口老龄化的加速，高血压患者基数和比例的不断扩大,高血压对大脑认知功能的影响已成为临床研究的一个热点。研究结果显示高血压患者在认知功能未受损情况下，已存在大脑加速老化和脑网络的异常。本文基于30例健康老年人和30例高血压患者的弥散张量成像（DTI）数据，通过构建脑网络对高血压患者的脑网络参数进行了分析。结果显示高血压患者的全局网络特征与健康人相比无明显差异，但在局部网络上存在异常现象。这些局部异常可能为高血压患者大脑加速老化提出新的解释。

高血压；弥散张量成像；脑网络；脑网络特征

0 引言

高血压是一种以动脉血压持续升高为主要临床特征的慢性病症，是最常见的心血管疾病[1]，具有发病机率高、远期危害大、难以早期发现的特点。它是脑卒中、心肌梗塞、心力衰竭及慢性肾病的主要危险因素之一[2]。2002年全国居民营养和健康状况调查显示，我国成人高血压患病率达到了18.8%，而且在中、老年人群中，已有近一半已被确诊为高血压[3,4]。高血压作为最常见的慢性病，在发病早期往往症状不明显甚至无症状，它所导致的脑卒、心衰等各种并发症已成为临床研究的热点。越来越多的研究证明，高血压会润侵身体的各种器官，对其造成不可预测的损伤。大脑作为人体最复杂最高级的器官，高血压对其影响往往被忽视。纽约哥伦比亚大学医学中心的研究人员[5]，通过对918位无认知障碍的老年个体进行追踪，进行了平均4年半的定期回访（18个月为间隔），并对他们进行体检和认知测试。在随访期间，有334人发生了轻度认知损害。334个样本中，患有高血压的个体发生轻度认知损害的风险比血压正常的个体高出40%，并且其中 70% 的高血压患者更容易出现语言障碍及注意力不集中等情况。高血压一般在患病早期不会对大脑的认知功能造成明显损伤，患者常常忽视这种认知衰退的问题，意识不到潜在的认知退行危机，往往将其误认为是大脑的正常老化。发表在《柳叶刀—神经病学》上的一项研究[6]显示，不受控的高血压早在中年早期就能破坏患者大脑的结构和功能。这项研究首次证明了高血压导致了早期高血压中年患者的大脑结构损伤。该研究运用磁共振成像的方法揭示了579名平均年龄为39岁的受试者大脑白质内部细微的组织损伤。结果证明与正常个体相比，高血压患者大脑白质的结构完整性受损以及灰质出现萎缩。并且持续的较高血压也会导致记忆力、执行功能和信息处理速度衰退等问题的提早发生[7,8]。中年期的血压升高会加速老年期的认知衰退，并且会提高阿尔茨海默病（Alzheimer’s Disease，AD）的患病风险[9,10]。我们前期基于动物模型和老年人的研究结果也表明了高血压可以导致大脑的加速老化。高血压组大鼠与同龄青年组大鼠相比，具有更多类似老年组大鼠的脑部特征[11]。对于老年人的研究结果显示高血压患者的大脑相对同龄健康个体的大脑平均有4.1岁的增龄[12,13]。

Diffusion Tensor Imaging (DTI)是一种描述大脑结构的新方法，可以无创记录大脑内部白质纤维束的连接情况。近年来，随着脑网络[14,15,16]研究的不断发展，基于DTI的网络分析技术为脑网络研究[17]提供了新的视角。当前，高血压对大脑网络的影响还。本文基于30例高血压患者和同龄30例健康人的DTI影像数据，构建其大脑网络，计算脑网络参数，并对脑网络的全局特征与局部特征进行了比较，寻求两者的差异及变化，以期更好地了解高血压对大脑老化的影响。

1 材料与方法

1.1 研究对象及数据获取

我们选取30例健康老年人和30例患有高血压的老年人作为研究对象，受试者年龄均在50-70之间，且均无精神异常史及其他影响中枢神经系统的疾病（如阿尔兹海默症等），简易精神量表(Minimum Mental State Examination，MMSE)检查评分均≥25分，汉密尔顿抑郁评定量表（Hamilton Depression Scale，HAMD）≤10分。

试验数据均通过GE SignaⅡ3.0T核磁共振扫描仪进行采集。DTI数据通过使用单次自旋回波扩散致敏回波平面成像（EPI）序列获得。扫描参数为：8个不含扩散敏感梯度的方向，B = 1000s/mm2; 51个含敏感坡度的方向，B =1000s/mm2; TR=12500ms，TE=71ms，矩阵=128×128，FOV=250*250 mm2，切片厚度为2.6mm。T1加权数据采用扫描仪，基于三维扰相梯度回波序列获得。扫描参数：TR=5.3ms，TE=2.0ms，TI=500，翻转角=15°，矩阵= 256×256，FOV=256*256mm2，层厚=1mm。

1.2 DTI大脑结构连接组的构建

在构建脑网络之前，需要对所获得的DTI数据进行预处理。我们的预处理及脑网络构建部分均由PANDA(a Pipeline for Analysing braiN Diffusion images，http://www.nitrc.org/projects/ panda/)[18]实现。PANDA软件是在Ubuntu系统下基于Matlab环境运行的。它是基于FSL、Diffusion Toolkit、MRIcron（dcm2nii）和PSOM（Pipeline System for Octave and Matlab）等软件开发的一款可全自动处理大量DTI 数据的软件包。在预处理工作中，我们首先将扫描所得的DICOM格式的原始图像转换为NIfTI格式，其次依据T1图像获得全脑mask，然后进行头动校正和电涡流噪声校正，最后经由FSL软件中的DTIFIT命令计算得到DTI参数图像FA。

脑网络构建的两个重要因素是定义网络节点以及节点间的连接边。AAL作为一种经典的脑图谱近年来在国内外脑连接组的相关研究中已获得广泛应用[19-21]，具有较高的可靠性。本研究中，我们采用Automated Anatomical Labeling（AAL）图谱来完成脑网络中的节点定义。它将脑网络划分为90个脑区。脑网络的边采用确定性追踪中的Fiber Assignment by Continuous Tracking（FACT）算法计算。当FA值＞0.2时，纤维束追踪开始计算，当角度阈值（angle threshold）＜45°或FA值＜0.2时追踪停止。脑网络构建流程如图1所示。

图1 脑网络构建流程图

1.3 DTI脑网络特征的计算

研究中，我们选取了5个具有代表性的网络特征：节点度、聚类系数、最短路径长度、中心介数以及小世界特征。这些特征参数均由计算软件Brain Connectivity Toolbox (BCT， http:// www.brain-connectivity-toolbox.net)计算产生。具体特征参数计算公式及注解详见表1。最后，我们对健康老年人和高血压患者的全局和局部网络特征进行了比较。这里我们采用的是SPSS（Statistical Product and Service Solutions）软件进行组间单因素方差分析（One Way analysis of variance，ANOVA），以P＜0.05为具有统计学意义。以此探究两个组别中的网络参数是否存在显著性的差异，从而进一步判断高血压对大脑的影响。

2 结果

两组对象的脑网络连接矩阵如图2所示，其中横纵轴坐标代表90个脑区，颜色对应于脑区间的连接边。连接矩阵代表脑网络内部的连接模式，反映了脑区之间连接的稀疏度。

表1 特征参数的计算公式及注解

为了探究两组网络的全局网络特征差异，我们采用单因素方差分析对全局节点度、中心介数、聚类系数、最短路径长度及小世界特征这些全局网络特征进行分析。结果显示，高血压患者和健康老年人在这些全局特征上均无显著差异(P＞0.05)。同时我们也对两组对象的局部节点度，中心介数，聚类系数和最短路径长度等局部特征进行了比较（图3）。蓝色的条状图展示的是高血压患者脑区的参数值，三角标值展示的是健康人脑区的参数值。ANOVA分析结果显示，两组对象在局部节点度上有6个脑区（背外侧上回、脑岛、顶下缘角回、缘上回、角回、颞极颞上回，P值均小于0.05）存在显著差异。在中心介数上有6个脑区（脑岛、枕上回、缘上回、尾状核、丘脑、颞极颞上回， P值均小于0.05）存在显著差异。在聚类系数上有11个脑区（中央前回、眶部额中回、补充运动区、前扣带和旁扣带脑、距状裂周围皮层、楔叶、枕上回、中央后回、丘脑、颞极颞上回，P值均小于0.05）存在显著差异。在最短路径上有3个脑区（脑岛、海马、枕上回，P值均小于0.05）存在显著差异。图3展示了高血压患者组与健康老年人组存在显著差异的脑局部网络特征值。蓝色的条状图展示的是高血压患者的网络特征参数值，三角标值展示的是健康人的网络特征参数值。

图2 健康人与高血压患者的脑网络平均连接矩阵，矩阵连接按AAL脑区顺序排列（左图为健康老年人，右图为同龄高血压患者）

3 讨论与结论

在此研究中，我们对年龄匹配的健康老年人组和高血压患者组进行脑网络分析，并比较了两组对象脑网络的全局特征与局部特征。单样本方差分析结果显示，两组对象的全局网络特征无明显差异。由于本研究所采用的高血压受试者具有较完整的认知能力，我们可以认为其大脑受损程度较轻微。由于高血压所造成的脑损伤并不是一种弥漫性的脑损伤，因此在高血压对大脑损伤的早期，两组对象全局网络特征的差异不明显。局部网络特征比较的结果表明在局部节点度，中心介数，聚类系数，最短路径长度值上分别有6个、6个、11个、3个存在显著差异的脑区。这与我们预期高血压会造成局部脑网络异常的预期呈现一致。

基于以上的结果，我们提出了一种基于认知储备假说的解释。我们认为认知功能正常的高血压受试者未表现出明显的认知损伤的症状，并不意味着其大脑与健康人一样处于正常老化的状态。事实上，高血压患者从高血压早期开始就存在着一定程度的脑损伤。由于个体的认知储备的存在，大脑可以通过不断加重脑网络负荷，以及运用新网络来补偿脑损伤造成的认知损伤。当大脑中还存在认知储备余度时，认知能力和全局脑网络效率并不会出现明显的下降。当高血压大量消耗了认知储备后，才会导致认知功能障碍的出现以及AD患病风险的提高。大量的临床证据已为此假定的正确性提供了有效证明。同时，由于大脑对脑损伤的补偿需要不断使用新的补偿网络，导致了局部网络的变化。具体表现为局部网络特征的变化。由于我们在研究中使用的数据还比较有限，实验结果还比较初步。在未来的研究中，我们考虑使用大量的神经影像数据，结合大脑老化过程中的脑网络全局和局部特征变化，根据认知储备机理的新发展来为我们的解释提供进一步的验证。

图3 高血压患者组与健康老年人组的局部网络特征值

[1] Lopez A D. Assessing the burden of mortality from cardiovascular diseases [J]. World health statistics quarterly. Rapport trimestriel de statistiques sanitaires mondiales, 1992, 46(2): 91-96.

[2] Marn J, Rodrguezmartnez M A. Age-related changes in vascular responses - Influence of alpha-adrenoceptor reserve [J].Experimental Gerontology, 1999, 34(4):503-512.

[3] 顾东风, Jiang He, 吴锡桂,等. 中国成年人高血压患病率、知晓率、治疗和控制状况[J].中华预防医学杂志, 2003, 37(2):84-89.

[4] 刘力生,王文,姚崇华.中国高血压防治指南[J].中华高血压杂志,2010,18(1):11-30.

[5] Reitz C, Tang M, Manly J, et al. Hypertension and the Risk of Mild Cognitive Impairment[J].Arch Neurol,2007,64(12):1734-1740.

[6] Maillard P, Seshadri S, Beiser A, et al. Effects of systolic blood pressure on white-matter integrity in young adults in the Framingham Heart Study: a cross-sectional study[J].Lancet Neurology, 2012, 11(12):1039-47.

[7] Elias MF, Sullivan LM, Elias PK, et al.Left ventricular mass, blood pressure, and lowered cognitive performance in the Framingham offspring[J].Hypertension,2007,49(3):439-445.

[8] Harrington F, Sazby BK, McKeith I G, et al. Cognitive performance in hypertension and normotensives older subjects[J].Hypertension,2000,36:1079-1082.

[9] Wu C, Zhou D, Wen C, et al. Relationship between blood pressure and Alzheimer’s disease in Lin xian County, China[J].LifeSciences,2003,72(10):1125-1133.

[10] 靳聪，林岚，付振荣，周著黄，高宏建, 吴水才. MRI在阿尔茨海默氏病中的应用研究进展[J].智慧健康, 2015, 1(1):52-56.7.

[11] 林岚，张柏雯，付振荣，宾光宇，高宏建, 吴水才.运用空间协方差模型分析高血压对大鼠大脑老化的影响[J].中国医疗设备, 2016, 31(2):34-38.8.

[12] 林岚，张柏雯，付振荣，靳聪，吴水才. 高血压对大脑年龄估值差的影响[J].中国医疗设备, 2015, 30(6):7-11

[13] 林岚，靳聪，付振荣，徐小亭，吴水才. 健康老年人脑年龄预测:基于尺度子配置模型的大脑连接组分析[J].北京工业大学学报, 2015(6):955-960

[14] Sporns O, Tononi G, Kötter R. The human connectome: A structural description of the human brain [J]. Plos Computational Biology, 2005, 1(4):e42.

[15] Bullmore E, Sporns O. Complex brain networks: graph theoretical analysis of structural and functional systems [J]. Nature Reviews Neuroscience, 2009, 10(3): 186-198.

[16] 梁夏, 王金辉, 贺永. 人脑连接组研究:脑结构网络和脑功能网络[J].科学通报, 2010, 16: 1565-1583.

[17] 林岚，付振荣，张柏雯，宾光宇，高宏建, 吴水才. DTI脑连接组在大脑疾病方面的研究进展[J]. 中国医疗设备，2015,30(6):1-6.

[18] Cui Z, Zhong S, Xu P, et al. PANDA: a pipeline toolbox for analyzing brain diffusion images [J]. Frontiers in Human Neuroscience, 2013, 7: 42.

[19] Stanley M L, Moussa M N, Paolini B M, et al. Defining nodes in complex brain networks [J]. Frontiers in Computational Neuroscience, 2013, 7(27): 4838-4858.

[20] Braun U, Plichta M M, Esslinger C, et al. Test-retest reliability of resting-state connectivity network characteristics using fMRI and graph theoretical measures[J]. Neuroimage, 2011, 59(2): 1404-1412.

[21] Wu K, Taki Y, Sato K, et al. A longitudinal study of structural brain network changes with normal aging [J]. Frontiers in Human Neuroscience, 2013, 7: 113.

The effect of Hypertension on Brain Network Characteristics of Elder Adults

TIAN Miao1, LIN Lan1*, ZHAO Yin2, WU Shui-cai1
(1. College of Life Science and Bioengineering，Beijing University of Technology，Beijing, 100124，China；2. The sixth hospital of Beijing, equipment division, Beijing, 100007, China）

With the acceleration of China’s aging population, hypertension has become one of the top ten diseases that affect human health, cardinality and the proportion of the patients with HTN continues to expand. Some studies on hypertensive subjects suggest the accelerated brain aging and abnormal brain network, while the effects of hypertension on brain network are still not well understood. Based on the DTI data from 30 healthy elder adults and 30 age matched hypertension patients, the effect of hypertension on brain network has been studied by network analysis. The results showed that hypertension had no significant effect on the global network but influence the local network. Those local network abnormal may provide further explanation about accelerated brain aging in hypertensive subjects.

Hypertension, DTI, Brain network, Brain network characteristics

10.19335/j.cnki.2096-1219.2017.02.03

国家科技支撑计划课题（2015BAI02B03）, 北京工业大学研究生科技基金（ykj-2016-00009）, 北京市自然科学基金资助项目（7143171）

林岚,副教授。