基于功能连接分析对基底节区卒中患者的偏侧化研究

茆倩倩，陈宇辰，陈慧铀，姜亮，姜海龙，殷信道

0 引言

缺血性脑卒中在我国高发，是首位致残致死的重大疾患，已成为严重影响居民健康的重大公共卫生问题[1-3]。基底神经节区域为缺血性脑卒中的好发部位，该区域除参与复杂的运动外，在高级认知功能和非运动复杂行为的调节中也发挥着重要作用[4-5]，因此，基底神经节病变不仅会导致局部功能异常，还包括认知、运动等多种功能损伤[6-7]。在既往研究中，左侧基底节区被认为是卒中后引起整体认知损害的关键部位[8]。右半球脑卒中后最常见的症状是偏侧空间忽视和嗅觉丧失，两者都会导致严重残疾[9-11]。然而，目前基底节区卒中（basal ganglia stroke, BGS）后的脑网络研究中，右侧基底节区卒中（right-sided basal ganglia stroke, R-BGS）发生后脑功能连接的变化尚未同左侧基底节区卒中（left-sided basal ganglia stroke, L-BGS）一样受到大多数研究者关注，L-BGS和R-BGS 发生后全脑脑功能连接变化的差异及潜在神经生物学机制尚不清楚。

静息态功能MRI（resting-state functional MRI,rs-fMRI）是一种描述大脑内在功能组织和连接模式的非侵入性方法[12-13]，是血氧信号紊乱的脑卒中血管损伤机制研究方向的重要工具，可被应用于揭示由卒中引起的全脑功能网络的异常改变机制[14-15]。然而，先前的研究假设脑功能连接在扫描时间内是静息态的，然而，最近的功能MRI（functional MRI, fMRI）试验表明，即使在静息状态下，功能性脑连接在几十秒的尺度上也是动态的[16]。在这种需求下，动态功能网络连接（dynamic functional network connectivity, dFNC）分析出现了，它提高了rs-fMRI 数据的时间分辨率[17-19]，与静态信号相比，这些动态测量可以对神经信号的进行更为复杂的评估[20-21]，越来越多地被建议作为疾病的新型生物标志物[22-25]。相较于静态功能连接分析，dFNC 分析中特定的动态模式与神经重组的过程可能有着密切关系[26]。本研究专注于左右基底神经节损伤后全脑功能网络的改变，对比揭示L-BGS 与R-BGS 发生后患者脑功能改变的差异，以期为基底节区卒中治疗后策略的制订提供新思路。

1 材料与方法

1.1 临床资料

选取2017 年7 月至2020 年1 月的首发急性单侧BGS 患者42 例以及20 名健康对照（healthy controls,HCs）参与研究。为评估患者的卒中严重程度，使用美国国家卫生研究院卒中评定量表（National Institute of Health Stroke Scale, NIHSS）、格拉斯哥昏迷量表（Glasgow Coma Scale, GCS）以及改良Rankin量表（modified Rankin Scale, mRS）。患者组的纳入标准为：（1）年龄35～80岁；（2）右利手；（3）检查时间为卒中起病后一个月内；（4）发病时NIHSS评分＜15分；（5）发病时意识清醒，GCS评分为15分；（6）mRS评分≤3分。HCs组的纳入标准为：（1）无脑卒中病史；（2）右利手；（3）年龄35～80岁。共同的排除标准如下：（1）有MRI扫描禁忌（装有心脏起搏器、人工心脏瓣膜、动脉夹、神经刺激器、身体内有其他金属物存留以及幽闭恐惧症）；（2）神经或精神病史；（3）MRI 图像上发现的其他脑异常。1名L-BGS患者因fMRI图像上的头部运动伪影而被排除，最终23 例基底节区卒中患者和20 例HCs 进入左侧病变分析，18 例基底节区卒中患者和20例HCs进入右侧病变分析。本研究遵守《赫尔辛基宣言》，经南京市第一医院伦理委员会批准，免除卒中受试者知情同意，所有HCs 均签署知情同意书，批准文号：2019-664。

1.2 MRI扫描参数

采用3.0 T 飞利浦磁共振扫描仪（Ingenia, Philips Medical Systems, Netherlands）和8 通道接收器阵列磁头线圈采集患者卒中发生后一个月内的MRI 数据。使用泡沫填充和耳塞来减少头部运动和扫描仪噪音。嘱受试者图像采集过程中保持安静，不要入睡，并且在扫描过程中避免任何头部运动。fMRI采用梯度回波平面成像序列，扫描参数如下：TR 2 000 ms，TE 30 ms，层数36 层，厚度4 mm，间隙0 mm，FOV 240 mm×240 mm，采集矩阵64×64，FA 90°，扫描时间8 min 8 s。结构图像采用高分辨率三维快速回波T1WI 序列，扫描参数如下：TR 8.2 ms，TE 3.8 ms，层数170 层，厚度1 mm，间隙0 mm，FA 8°，采集矩阵256×256，FOV 256 mm×256 mm，扫描时间5 min 29 s。

1.3 数据预处理

fMRI 数据的预处理是使用基于SPM 12 软件包（https://www.fil.ion.ucl.ac.uk/spm/）的数据处理工具箱Gretna（GRETNA 2.0; https://www.nitrc.org/projects/gretna/）在 Matlab R2013b 平台（Matlab R2013b; https://www.mathworks.com/products/matlab.html）上 进 行的，具体操作流程如下：（1）去除扫描的前10 个时间点；（2）时间层校正；（3）头部运动校正（排除头动的位移超过3 mm或者旋转角度超过3°；1例L-BGS患者因为头动大于3 mm被排除）；（4）空间标准化；（5）使用8 mm 的高斯核进行空间平滑。动态功能连接分析具体操作流程如下：（1）去除扫描的前10 个时间点；（2）时间层校正；（3）头部运动校正（排除头动的位移超过3 mm 或者旋转角度超过3°）；（4）空间标准化；（5）去线性趋势；（6）进行0.01～0.08 Hz滤波；（7）回归包括头部运动以及来自脑脊液和白质的信号。

1.4 静态功能网络连接分析

1.4.1 独立成分分析

使用fMRI工具箱软件的Group ICA 来进行独立成 分 分 析（independent component analysis, ICA）（Medical Image Analysis Lab, University of New Mexico, Albuquerque, NM, USA;http://icatb.sourceforge.net/）。应用工具箱中的infomax 算法进行组水平ICA，最终得到独立成分（independent component, IC）的最优数目为24。然后参考先前研究中关于组水平ICA 的反向重建算法部分[27]，使用从健康的样本中获得的14个网络成分[28]，经过反向重建后，选出了14个独立成分中的7 个（图1），分别为：（1）前默认模式网络（anterior default mode network, aDMN）；（2）后默认模式网络（posterior default mode network, pDMN）；（3）左侧额顶网络（left frontoparietal network, lFPN）；（4）右 侧 额 顶 网 络（right frontoparietal network,rFPN）；（5）枕极视觉网络（occipital pole visual network,pVN）；（6）横向视觉网络（lateral visual network, lVN）；（7）听觉网络（auditory network, AN）。

图1 独立成分分析中选取的独立成分。aDMN：前默认模式网络；pDMN：后默认模式网络；lFPN：左侧额顶网络；rFPN：右侧额顶网络；pVN：枕极视觉网络；lVN：横向视觉网络；AN：听觉网络。Fig.1 Independent components selected in independent component analysis.aDMN: anterior default mode network; pDMN: posterior default mode network; lFPN: left frontoparietal network; rFPN: right frontoparietal network; pVN: occipital pole visual network; lVN: lateral visual network; AN: auditory network.

1.4.2 网络内功能连接分析

对于组内分析，使用SPM 12（https://www.fil.ion.ucl.ac.uk/spm/）对7 个网络成分进行单样本t检验，只保存显著的体素。将阈值设置为P＜0.001，并使用FDR 进行校正。使用双样本t检验两两比较（L-BGS vs.HCs、R-BGS vs.HCs），年龄、性别作为协变量被回归，以避免这些混杂因素的潜在影响。统计阈值设置为P＜0.001，进行FWE多重比较校正。

1.4.3 网络间功能连接分析

为了评估静态连通性，对每个参与者的Z变换时间进程计算了成对的皮尔逊相关性，每个参与者有21 个连接性对值。分别考虑HCs、L-BGS 患者和L-BGS 卒中患者，我们用双样本t检验分析评估静态功能网络连接性差异（L-BGS vs.HCs、L-BGS vs.HCs；显著水平P＜0.016 7，经FDR校正）。

1.5 dFNC分析

通过GIFT 工具箱（Group ICA of fMRI Toolbox,http://trendscenter.org/software/gift）中实现的滑动窗口方法来生成所有被试的动态连接矩阵。首先，设定窗宽为30 TR，步长为1 TR 进行滑窗操作。接着，在每一个窗口中，我们采用稀疏逆协方差矩阵，计算动态连接矩阵。然后，我们将Fisher 的Z变换应用于功能连接矩阵，以获得Z值并稳定方差，以便进一步分析。

运用k-means 算法对全部动态功能连接矩阵进行聚类，获取被试组的自发状态。根据不同状态，提取保存每一组患者的动态连接矩阵的中位数矩阵，用于下一步的连边分析。使用双样本t检验沿着每种状态分别进行L-BGS 与HCs 组、R-BGS 与HCs 组之间的比较（P＜0.05，FDR校正）。

1.6 统计学分析

在单侧分析中使用单因素方差（ANOVA）分析比较三组在人口统计学信息和临床测量方面的差异，然后进行事后检验（均值t检验和卡方检验），左右两组的性别比例、NIHSS及GCS评分采用非参数检验。显著水平设为P＜0.05。使用SPSS 26.0（SPSS,Chicago, IL, USA）进行统计学分析。

用双样本t检验分析网络内功能连接结果（L-BGS vs.HCs、R-BGS vs.HCs；P＜0.001，团块水平FWE 校正），其中R-BGS 组个别团块体素数较大，经更严格的体素水平FWE重新校正（P＜0.05，体素水平FWE校正）。

对于网络间功能连接结果分析，我们用双样本t检验分析评估静态功能网络连接性差异（L-BGS vs.HCs、R-BGS vs.HCs；显著水平P＜0.016 7，经FDR校正）。

对于动态网络功能连接的聚类分析结果，我们进行双样本t检验（L-BGS vs.HCs、R-BGS vs.HCs、L-BGS vs.R-BGS；显著水平P＜0.05，经FDR校正）。

在以上统计分析中，年龄、性别作为协变量被回归。

2 结果

2.1 人口学和临床特征

三组受试者的临床资料见表1。ANOVA 分析及卡方检验后再经两两对比，L-BGS、R-BGS 组的年龄、性别、NHISS 评分、GCS 评分、病灶体积及L-BGS组与HCs 组年龄之间差异无统计学意义（P＞0.05）。L-BGS、R-BGS 组与HCs 组之间年龄与性别比例存在差异，所有分析中均将年龄、性别作为协变量回归。

表1 病例组与对照组临床资料Tab.1 Clinical data of the case and control groups

2.2 静态功能网络连接分析

2.2.1 网络内功能连接分析

在网络内功能连接分析中，我们基于先前ICA筛选出的7 个脑网络空间地图内每个体素的信号强度来分析三组受试者网络内功能连接的差异，提供了基底节区中风后早期网络连接发生变化的进一步证据（表2、3）。与HCs相比，L-BGS 患者表现为更广泛的网络内连通性增加及降低（P＜0.001，经团块水平FWE 校正），而R-BGS 患者与HCs 相比仅表现出较局限性的连通性增加及降低（P＜0.001，经团块水平FWE校正及P＜0.05，经体素水平FWE校正）。

表2 L-BGS组与HCs组网络内功能连接差异脑区Tab.2 Brain regions that differed between L-BGS group and HCs group in the analysis of functional connectivity within the network

表3 R-BGS组与HCs组网络内功能连接差异脑区Tab.3 Brain regions that differed between R-BGS group and HCs group in the analysis of functional connectivity within the network

2.2.2 网络间功能连接分析

L-BGS 组与HCs组及R-BGS 组与HCs组之间的差异具有统计学意义。总体而言，两个卒中患者组均以网络间的连接性减弱为主，仅有个别脑区的连接性增强。与HCs 相比，L-BGS 患者的lFPN 和pDMN、rFPN、lVN 之间以及前、后默认模式网络之间的连接强度降低；AN 和lFPN、pDMN 之间的连接强度增强（P＜0.016 7，经FDR校正）。

相较而言，与HCs 相比，R-BGS 患者表现出更为广泛的网络间连接降低及更多的个别脑区的连接性增强，具体体现在lVN 同左、右侧额顶网络、pDMN之间；AN同lFPN、pDMN之间及rFPN同pVN之间连接增强（P＜0.016 7，经FDR校正）（图2）。

图2 L-BGS 组、R-BGS 组和HCs 组的网络间功能连接的显著性差异。与HCs 相比，L-BGS 患者的lFPN 和pDMN、rFPN、lVN 之间以及前、后默认模式网络之间的连接强度降低；AN 和lFPN、pDMN 之间的连接强度增强（P＜0.016 7，经FDR 校正）；R-BGS 患者表现出更为广泛的网络间连接降低及更多的个别脑区的连接性增强，具体体现在lVN 同左、右侧额顶网络、pDMN 之间，AN 同lFPN、pDMN 之间及rFPN 同pVN 之间连接增强（P＜0.016 7，经FDR 校正）。L-BGS：左侧基底节区卒中；R-BGS：右侧基底节区卒中；HCs：健康对照；aDMN：前默认模式网络；pDMN：后默认模式网络；lFPN：左侧额顶网络；rFPN：右侧额顶网络；pVN：枕极视觉网络；lVN：横向视觉网络；AN：听觉网络。Fig.2 Significant differences in inter-network functional connectivity between the two groups of patients with BGS compared to HCs.Compared with HCs, patients with L-BGS shows reduced connectivity strength between the lFPN and the pDMN, the rFPN, the lVN, and between the anterior and pDMN; enhanced connectivity strength between the AN and the lFPN and the pDMN (P＜0.016 7, FDR); and patients with R-BGS demonstrates more broader reduction in inter-network connectivity and increased connectivity in more individual brain regions, as evidenced by enhanced connectivity between the lVN and the left and right frontoparietal network, and the pDMN; between the AN and the lFPN, and the pDMN, and between the rFPN and the pVN (P＜0.016 7, FDR).BGS:basal ganglia stroke; L-BGS: left-sided basal ganglia stroke; R-BGS:right-sided basal ganglia stroke; HCs: healthy controls; aDMN: anterior default mode network; pDMN: posterior default mode network; lFPN: left frontoparietal network; rFPN: right frontoparietal network; pVN: occipital pole visual network; lVN: lateral visual network; AN: auditory network.

2.3 dFNC分析

接下来，我们研究了函数连通性的时间性质，即dFNC。通过将k-均值聚类算法应用于每个受试者的估计191个功能连通性矩阵和上述状态数量的优化标准，我们识别了在功能MRI扫描期间在所有受试者中重复出现的两种连通性状态，即准稳定连通性模式。按照k-均值聚类给出的顺序表示和描述状态。第一种连通性状态具有高度正的连通性。我们将这种状态称为强连接状态（状态1的总频率：42.15%）。第二种连接状态以负连接为主要特征，我们称之为弱连接状态（状态2的总频率：57.85%）。在接下来的连边分析中，使用双样本t检验分析（P＜0.005，FDR 校正）发现存在显著差异，与HCs 组相比，在高连接状态，L-BGS 组显示出以连接增强为主要表现的显著连边，而R-BGS 组则未表现出显著连边；在低连接状态，L-BGS 组、R-BGS 组都较高连接状态有更多的显著连边，以连接减弱为主要表现（图3）。

图3 L-BGS患者、R-BGS患者相较于HCs分别在两个状态的功能网络连接的显著性差异。与HCs组相比，在高连接状态，L-BGS组显示出以连接增强为主要表现的显著连边，而R-BGS组则未表现出显著连边；在弱连接状态，L-BGS组、R-BGS组都在较高连接状态有更多的显著连边，以连接减弱为主要表现。state 1为状态1，高连接状态；state 2为状态2，弱连接状态；L-HC 指L-BGS 组同HCs 组的对比；R-HC 指R-BGS 组同HCs 组的对比；L-BGS：左侧基底节区卒中；R-BGS：右侧基底节区卒中；HCs：健康对照。Fig.3 Significant differences in functional network connectivity between the two groups of patients with BGS compared to HCs in two states respectively.Compared with HCs group, in the high-connectivity state, L-BGS group shows significant connectivity edges dominated by enhanced connectivity, whereas R-BGS group does not show significant connectivity edges; in the low-connectivity state, both the L-BGS and R-BGS groups have more significant connectivity edges dominated by weakened connectivity than in the high-connectivity state.state 1 the high-connectivity state; state 2 refers to the weakly connected state; L-HC refers to L-BGS vs.HCs; R-HC refers to R-BGS vs.HCs; BGS: basal ganglia stroke; L-BGS: left-sided basal ganglia stroke; R-BGS: right-sided basal ganglia stroke; HCs: healthy controls.

3 讨论

在这项研究中，我们剖析了左、右基底节区缺血性卒中患者在急性事件发生的一个月内的动态及静态连接行为。我们考虑了基底节区受损程度对连接的影响，两组患者受损程度无显著差异且均为轻中度缺血性卒中患者。尽管两组的临床受损程度相似，但是与HCs 组相比左、右两组基底节区缺血性卒中患者表现出了明显的差异。

3.1 左、右基底节区卒中静态脑网络功能连接差异

在静态的脑网络间连接分析中，R-BGS 患者体现出更为广泛的以脑网络连接降低为主要特征的网络间连接改变。而在静态脑网络内功能连接分析中，R-BGS 患者与HCs 相比仅表现出较局限性的连通性增加及降低。这些结果提示了，R-BGS 患者与L-BGS 患者相比有着更为广泛的网络间连接的受损和更为局限的网络内连接的代偿性增加。

在先前的研究中已经发现，BGS 发生后会引起认知功能障碍、运动功能障碍以及执行功能、视觉记忆等方面的损伤。这些疾病可以导致涉及多个大脑区域的大脑功能的复杂变化[29]，引起功能网络的重组[30-31]。我们观察到的在视觉网络、AN、默认模式网络及额顶网络内的功能连接变化可能与这些损伤息息相关。尤其是额顶网络的变化，先前有研究指出，BGS 后引起额顶网络功能连接的变化似乎提示着认知功能的改变[32-34]，但是仅仅在L-BGS 患者组观察到了额顶网络内部的改变，这可能提示着相较于R-BGS 患者，L-BGS 患者认知变化更为明显。应该注意的是，L-BGS 组额顶网络连接增加的区域主要位于对侧半球，这可以被视为补偿受损大脑区域引起的损伤的补偿机制[35]。

3.2 左、右基底节区卒中动态脑网络功能连接差异

在动态连接分析中，不同的连通状态下，病变位于左右半脑基底节区的患者组连接状态的表现也存在着显著差异。在弱连接状态左右两组均表现为连接减弱为主的显著连边，且显著连边的数量明显高于强连接状态，这可能体现了卒中后患者脑功能损伤的表现，在卒中早期仍以连接减弱为主要表现。而在强连接状态，我们仅在L-BGS 患者组中发现了较HCs 组而言显著的连边变化，且以连接增强为主要表现。这种高度的连接增强让人想起先前研究中所描述的皮质区域的过度激活[36]，重要的是，先前有研究者指出这些高度的连接增强变化代表重组的早期迹象[37]。那么这里观察到的动态模式似乎表明这些在皮质中功能连接的增加旨在恢复失去的脑功能[38]。进一步提示，相较于R-BGS 患者，L-BGS 患者表现出更积极的网络连接重组。这两种特定的模式没有在之前的静态分析中被发现和描述，因为它只在我们的动态分析中得出。将来，在使用非侵入性脑刺激的治疗方式诱导皮质可塑性来促进功能恢复时，这些发现可能会具有指导临床治疗的作用[39-40]。

3.3 不足与展望

本研究仍有一些不足之处：（1）本研究样本量较小，可能会导致结果偏倚，需进一步扩大样本量；（2）本研究未纳入综合性神经心理评估来评估L-BGS、R-BGS 发生后在定向力、执行力、视空间、语音、记忆等认知方面的差异，后续我们将进一步分析这些指标与在BGS中是否也存在偏侧性；（3）我们主要研究了轻中度BGS 患者的脑网络连接的偏侧性，这种差异在重度受损患者中是否也存在仍待进一步验证，此外这种差异随着卒中患者的恢复会产生什么变化也是我们未来研究的感兴趣方向。

4 总结

综上所述，本研究证实了L-BGS 患者、R-BGS 患者在卒中发生的1 个月内脑网络功能连接变化存在明显差异。L-BGS 患者表现出更积极的脑网络连接重组和连接增强的代偿性改变。此外，使用动态连接方法可以对卒中后脑功能连接变化有更进一步的发现，揭示了当病变位于不同半球时，脑网络连接重组在不同连接状态下的变化。

作者利益冲突声明：全体作者均声明无利益冲突。

作者贡献声明：殷信道设计本研究的方案，对稿件重要内容进行了修改，获得了江苏省重点研发（社会发展）项目及江苏省自然科学基金项目的资助；茆倩倩起草和撰写稿件，获取、分析和解释本研究的数据；陈宇辰、陈慧铀、姜亮、姜海龙获取、分析或解释本研究的数据，对稿件重要内容进行了修改；全体作者都同意发表最后的修改稿，同意对本研究的所有方面负责，确保本研究的准确性和诚信。