本文為了分析抑郁癥共病焦慮障礙（共病）患者、抑郁癥患者及健康人的大腦結構網絡拓撲屬性，研究共病及抑郁癥的神經病理機制，通過對20例共病患者、18例抑郁癥患者及28名健康人進行彌散張量成像掃描，采用確定性纖維跟蹤方法構建大腦白質結構網絡，基于圖論理論分析腦結構網絡屬性，并對三組人群大腦結構網絡全局屬性及節點屬性進行統計分析。結果顯示，① 三組人群的大腦結構網絡均呈現出小世界屬性，核心節點主要分布在聯合皮層；② 抑郁癥患者比健康人呈現出較低的局部效率和全局效率，共病患者比健康人呈現出較高的局部效率和全局效率；③ 共病患者與抑郁癥患者相比，網絡屬性（聚類系數、特征路徑長度、局部效率、全局效率）存在的差異具有統計學意義；④ 與共病患者和健康人相比較，抑郁癥患者的節點效率在顳葉、雙側額上回等腦區存在顯著改變。分析結果表明，與健康人相比，共病患者、抑郁癥患者大腦結構網絡節點屬性都有顯著改變，并且兩組患者呈現出相反的變化趨勢，本文研究結果可為共病患者與抑郁癥患者的臨床輔助診斷提供一種新的影像指標。
引用本文： 吳秀勇, 吳效明, 彭紅軍, 寧玉萍, 吳凱. 抑郁癥共病焦慮障礙患者腦結構網絡拓撲屬性研究. 生物醫學工程學雜志, 2016, 33(3): 545-552. doi: 10.7507/1001-5515.20160091 復制
引言
以基于圖論法的復雜網絡分析技術研究腦網絡的全局和局部拓撲屬性，能夠定量地描述腦網絡局部分離和全局整合的程度[1-3]。大量研究表明，抑郁癥可能是一種腦功能或結構發生異常而導致的精神性疾病[4-6]。既往關于抑郁癥患者腦功能或結構的研究多是局限于特定功能腦區的內部或一些感興趣腦區之間，以及對腦結構網絡局部拓撲屬性，并取得了一定研究成果。而對于其大腦全局網絡有著功能或是結構連接的所有腦區所組成的全局拓撲屬性和節點屬性等研究相對比較少。抑郁癥與焦慮障礙在國內外精神障礙分類體系中都屬于兩個獨立的疾病單元，但是二者常常同時存在，即所謂的“共病”，但對抑郁癥與焦慮障礙共病患者腦結構網絡拓撲屬性研究分析甚少。故本研究基于彌散張量成像掃描數據，利用基于圖論的復雜網絡技術構建共病患者的腦結構網絡，從結構角度更加直觀地刻畫全局以及局部特定腦區之間的結構連接組織形式，并分析共病患者、抑郁癥患者、健康人腦結構網絡拓撲屬性的改變及其組間的相關性，為理解抑郁癥共病焦慮障礙患者腦結構及功能分化異常的生理、病理機制提供新的視角。
1 對象與方法
1.1 研究對象
收集20例的抑郁癥與焦慮障礙共病(depressive patients with anxiety，DPA)患者、18例的抑郁癥(depressive patients without anxiety，DP)患者以及28例的健康人(normal controls，NC))作為本研究的三組受試者，其中患者病例在廣州醫科大學附屬腦科醫院(廣州市腦科醫院)招募，健康人組通過海報或者論壇等形式向社會公開募集。
三組受試在性別、教育程度、年齡、智商、利手等方面進行匹配，基本要求包括：文化程度6年以上；年齡在18～50歲之間；漢族人；右利手；三個月內無電休克治療史；符合核磁共振成像 (magnetic resonance imaging,MRI)檢查的要求；理解本課題研究內容，希望并承諾能夠完成整個實驗內容，簽署知情同意書；無藥物濫用和(或)酒精依賴史；無重大軀體疾病或神經系統疾病史。
入組標準：① DPA組：符合美國精神障礙診斷與統計學手冊第四版(diagnostic and statistical manual of mental disorders,DSM-IV)的抑郁癥和廣泛性焦慮障礙診斷標準，且要求符合14項漢密爾頓焦慮量表(14-item hamilton anxiety scale,HAMA)總分≥14、焦慮自評量表(self-rating anxiety scale,SAS)總分≥40的患者列入本組[7-9]。② DP組：符合DSM-IV抑郁癥診斷標準，且要求符合(HAMA＜14; SAS＜40) 診斷標準的患者列入本組。③ NC組：不符合DSM-IV的抑郁癥診斷標準和不符合廣泛性焦慮障礙診斷標準，年齡、性別匹配的健康受試者。
1.2 方法
1.2.1 數據采集
影像學數據采集：應用飛利浦公司產Achieva 3.0 T MRI掃描儀。掃描時受試者仰臥，用專用無磁耳機以減少噪音干擾，同時頭部采用泡沫墊來固定、減少頭部運動。整個圖像采集過程中，要求受試保持清醒狀態(安靜、閉眼、仰臥)，且盡量不要有任何思維活動。
由一名熟練的放射科醫生及一名精神科醫生共同完成所有受試者的彌散張量成像(diffusion tensor imaging，DTI)掃描和MRI掃描。(1) DTI掃描參數：采用平面回波序列，在平行于前后聯合線平面掃描得到，設置參數為擴散敏感系數：1 000 s/mm2 ，在20個方向施加為擴散敏感梯度方向，軸位掃描得到未加梯度彌散加權成像(b=0) ，脈沖重復時間(Repetition Time,TR)=6 800 ms，回波時間(Echo time，TE)=93 ms，層厚=3 mm，層距=0 mm，共50層，視野(field of view，FOV)=256×256 mm，翻轉角度(flip angle，FA)=90°，矩陣(matrix)=128×128，掃描次數2次。(2) MRI掃描參數：用T1加權三維磁化強度預備快速采集梯度回波序列(T1WI-3D-MPRAGE)掃描，TR=14 ms，TE=4.92 ms，FOV=256×256 mm，層厚=1 mm，層距=0 mm，FA=25°，矩陣=256×192。
1.2.2 數據處理
MRI圖像將采用基于Matlab的工具包進行預處理，主要步驟包括：DTI圖像采用PANDA 1.2.4[
1.2.3 腦結構網絡構建和拓撲屬性分析
(1) 腦結構網絡構建：采用解剖學自動標記模板AAL-1024模板定義腦區，即腦結構網絡的節點；采用纖維連續追蹤(fiber assignment by continuous tracking，FACT)算法、各向異性參數FA＜0.2，追蹤角度45°，進行確定性纖維追蹤技術得到全腦白質纖維束；將兩個腦節點之間的白質纖維束數量(Fiber Number，FN)定義為腦結構連接，構建每個受試的全腦結構網絡；將FN閾值設定為3，即兩個腦區之間至少存在3條以上的白質纖維素[
節點度：與節點相連的邊的數目，反映了該節點與其他節點相聯系的狀況，因此節點i的度公式定義如下:
| ${{K}_{i}}=\sum\limits_{j-1}^{N}{G}\left( i.j \right)$ |
式中，G為網絡的連接矩陣，是N×N矩陣，N表示網絡G的節點數目，i、j為網絡G的節點。
聚類系數：聚類系數衡量了網絡的集群性質，節點的聚類系數越強，則該節點所在的子網絡模塊化程度就越高。節點i的聚類系數公式定義如下：
| $C\left( i \right)=\frac{2}{{{k}_{i}}\left( {{k}_{i}}-1 \right)}{{\sum\limits_{i.j}{\left( {{w}_{ij}}{{w}_{ik}}{{w}_{jk}} \right)}}^{\frac{1}{3}}}$ |
其中wij為在網絡G中兩節點i與j之間連接邊的權重，ki為與節點i連接的節點度。網絡的聚類系數即為所有節點聚類系數的平均值，其公式定義為：
| ${{C}_{p}}=\frac{1}{N}\sum\limits_{i}^{N}{C}\left( i \right)$ |
特征路徑長度：對網絡的信息傳輸起到重要的作用，是描述網絡內部結構至關重要的一個指標，其公式定義如下：
| ${{L}_{p}}=\frac{1}{N\left( N-1 \right)}\sum\limits_{i\ne j\in G}{{{L}_{ij}}}$ |
其中Lij表示在網絡G中節點i與節點j之間的最短路徑長度。
全局效率：衡量如何有效地通過整個網絡傳播信息，其公式定義如下：
| ${{E}_{glob}}=\frac{1}{N\left( N-1 \right)}\sum\limits_{i\ne j\in G}{\frac{1}{{{L}_{ij}}}}$ |
局部效率：整個網絡的局部效率由節點的局部效率平均得到，其公式定義如下：
| ${{E}_{loc}}=\frac{1}{N}\sum\limits_{i\in G}^{N}{{{E}_{glob}}}\left( {{G}_{i}} \right)$ |
其中Gi為節點i所對應的子網絡。
節點效率：被定義為網絡中節點對之間特征路徑長度調和平均值的倒數：節點效率越高，表示該節點在網絡中和其他節點之間信息傳遞速度越快。
| ${{E}_{nodal}}=\frac{1}{N-1}\sum\limits_{i\ne j\in G}{\frac{1}{{{L}_{ij}}}}$ |
在結構網絡中，節點效率衡量了給定節點與網絡中其他節點間的平均最短路徑，其值越大表示該節點在網絡信息傳輸中的地位越高。本文引入網絡節點效率屬性值來探討大腦網絡存在的核心節點(Hub)，核心節點公式定義為：
| $Hu{{b}_{nodal}}=\left( {{E}_{nodal}}>x\pm s \right)$ |
小世界參數：判定小世界網絡的量化指標，是將要判定的網絡與對應的隨機網絡進行比較，定義了三個指標。
| $\left\{ \begin{matrix} \gamma ={{C}_{net}}/{{C}_{random}} \\ \lambda ={{L}_{net}}/{{L}_{random}} \\ \sigma =\gamma /\lambda \\ \end{matrix} \right.$ |
其中Lrandom和Crandom分別是隨機網絡的特征路徑長度和聚類系數，Cnet、Lnet分別是真實網絡的特征路徑長度和聚類系數，當 γ＞1和λ≈1時，認為這個網絡具有小世界特性。Humphires等[12]將兩個指標合并為一個指標來衡量小世界特性：通過定義參數σ=γ/λ來衡量所研究網絡的特性。對于小世界網絡來說，。
1.2.4 統計處理與分析
運用SPSS 22.0統計軟件對DPA組、DP組與NC組的神經心理學測試結果進行組間one-way ANOVA分析。對這三組人群的大腦結構全局網絡屬性(聚類系數、特征路徑長度、局部效率、全局效率、小世界參數等)進行組間one-way ANOVA分析。節點效率屬性值進行組間one-way ANOVA分析，后進行雙樣本t檢驗。數據統計采用均數±標準差(x±s)，P＜0.05為差異具有統計學意義。
2 結果
2.1 神經心理學測試結果
如表 1所示，DPA組、DP組、NC組的臨床數據和人口學特征組間差異分析結果表明，三組受試的年齡、性別差異不具有統計學意義，教育程度、抑郁自評量表、漢密爾頓抑郁量表、焦慮自評量表、漢密爾頓焦慮量表等均存在組間差異。
表1
臨床數據和人口學特征的統計分析
Table1.
Statistical analysis of clinical data and demographic characteristics
2.2 大腦結構網絡全局屬性
根據所構建出的大腦結構網絡，本研究計算了三組大腦結構網絡的聚類系數、特征路徑長度、局部效率、全局效率、小世界參數(σ，λ，γ)等各屬性，定義及計算公式詳見前文，其中7種網絡拓撲屬性的統計分析結果如表 2所示。
表2
DPA組、DP組、NC組大腦結構網絡全局屬性統計分析
Table2.
Statistical analysis of the global properties of structural brain networks in depressive patients with and without anxiety and normal controls
結果表明，DPA組、DP組和NC組的腦結構網絡都表現出小世界屬性。全局網絡屬性的組間差異分析表明，部分網絡屬性組間差異具有統計學意義。與DP組對比，DPA組顯示出聚類系數(P=0.016) 均增大，而特征路徑長度(P=0.024) 減小。而在網絡效率方面，與DP組對比，結果揭示DPA組全局效率(P=0.013) 和局部效率(P=0.012) 皆存在增大。此外，與NC組對比，疾病組大腦結構網絡拓撲全局屬性(局部效率、全局效率、特征路徑長度、聚類系數、 σ、λ、γ)皆未發現差異具有統計學意義(P＞0.05) 。另一方面，與NC組相比，DPA組、DP組的小世界特征和網絡效率等屬性均表現出了相反的變化趨勢。
2.3 大腦結構網絡節點屬性
2.3.1 核心節點
核心節點決定著網絡中神經信息的網絡結構和整合效率的魯棒性和穩定性，在大腦結構或功能網絡不同部分之間的信息傳遞中起作用[13-14]。本文引入節點效率來判斷腦結構網絡中節點的相對重要程度，并確定核心節點。研究發現DPA、DP、NC三組人群腦結構網絡的核心節點數量分別為101/86/91，主要分布在聯合皮層腦區，如圖 1所示。
圖1
核心節點分布
Figure1.
Distribution of global hubs
2.3.2 節點效率
結合基于圖論的復雜網絡方法構建腦結構網絡，并對所得DPA組、DP組與NC組大腦結構網絡的節點效率屬性值進行相關性比較，如圖 2所示。
圖2
腦結構網絡節點效率組間差異
Figure2.
Significant differences in node efficiency
三組人群的大腦結構網絡節點效率屬性差異具有統計學意義的腦區主要分布在顳葉、枕葉、頂葉等，如圖 2所示。節點大小對應組間節點效率比較存在差異的大小(大球P＜0.01，小球P＜0.05) ；紅球表示該節點效率顯著增大，藍球表示該節點效率顯著減小。雙樣本t檢驗結果表明：DP組與NC組比較，節點效率(61個)顯著減小；而DPA組相比于NC組和DP組揭示的節點效率(66個和190個)表現出顯著增大，主要分布在枕葉、顳葉、頂葉等腦區。值得注意的是，DPA組和NC組比較，發現在右角回以及右顳極(顳上回)的節點效率(藍球)顯示存在顯著減小，提示該腦區可能是 DPA患者大腦結構局部網絡中存在明顯異常的感興趣腦區。
3 討論
本研究基于DTI技術構建DPA患者、DP患者的大腦白質結構網絡，并分析其全局和節點屬性。研究發現：① 三組人群的大腦結構網絡呈現出小世界屬性，核心節點主要分布在聯合皮層；② 與DP組相比，DPA組大腦結構網絡全局屬性存在顯著改變；③ 三組人群的大腦結構網絡節點屬性組間差異具有統計學意義。
本文研究結果表明三組人群的大腦結構網絡均呈現較高聚類系數( γ＞1) 和相近的特征路徑長度(λ≈1) ，表現出小世界網絡的特征() 。DP組分別與DPA組和NC組對比均表現高效的小世界屬性，提示DP患者大腦功能整合和分化的平衡能力有可能上升，即DP患者結構網絡應同時具有較高度分離和高度整合的特點，反映出DP患者大腦結構全局網絡的異常。通過分析人腦結構網絡的核心節點位置和特征，本研究揭示疾病患者大腦結構網絡核心節點主要分布在聯合皮層，與以前研究發現的腦結構網絡核心節點分布比較相似[15-17]。已有研究證實，核心節點的異常被認為與神經或精神疾病中的行為異常、認知受損有關[18]，本文研究結果可能為在系統水平上揭示DPA患者的病理生理機制提供新的思路。
本研究揭示DPA組、DP組大腦結構網絡聚類系數屬性值均較NC組下降，即疾病組的集團化程度降低，且發現DPA組的聚類系數屬性值較DP組存在顯著增大。DPA組與DP組和NC組對比均表現出較短的特征路徑長度，且與DP組比較，差異具有統計學意義，即DPA組大腦網絡在進行較長距離的信息傳遞時效率降低，速度減慢。因全局效率是對路徑長度指標的優化，而本文研究發現DPA組分別與DP組和NC組對比均表現出最短的特征路徑長度，且全局效率最高，提示DPA患者網絡節點間傳遞信息的速率越快。
同時，研究揭示DP組大腦結構網絡局部效率和聚類系數屬性值較NC組對比均降低，提示其有多個腦區之間結構相連變得松散，即集團化結構連接模式衰退，這種全局拓撲屬性的改變使得DP患者大腦全局上的信息傳遞效率發生下降，并且其防御隨機攻擊的能力下降。陳建淮等[19]研究結果也揭示了DP組局部效率和聚類系數屬性值較NC組顯著下降。Ajilore等[20]采用DTI臨床影像數據基于圖論法研究發現DP組的標準化全局效率與疾病嚴重程度呈負相關，同時全局效率的升高與認知行為表現較差有關聯，而且揭示DP患者局部效率與疾病嚴重程度和認知測試均無顯著關聯。
另有發現DPA組大腦全局結構網絡拓撲參數的全局效率和局部效率屬性值與DP組和NC組對比均升高，且DPA組與DP組對比存在顯著增大。因大腦的構建和運行需要消耗大量的物質和能量，而DPA患者大腦結構網絡與信息處理效率的改變，提示DPA患者大腦結構網絡全局“經濟”的拓撲屬性發生異常，這種全局的結構異常可能妨礙大腦的能量供應和物質消耗，使DPA患者大腦結構網絡出現異常，可能是導致抑郁癥伴發焦慮障礙相關癥狀的原因。
三組人群的大腦結構網絡節點效率屬性組間相比較存在顯著改變：發現，與NC組相比較，DP組在顳葉、雙側額上回、前扣帶回、杏仁核及海馬存在節點效率顯著性改變。而黃海燕等[21]采用擴散峰度成像技術研究DP患者大腦的細微結構改變，結果揭示在顳葉、雙側額上回腦白質纖維束可能存在萎縮，進一步證實了顳葉、雙側額上回腦白質纖維束異常可能與DP有關，為DP的輔助診斷提供了有用信息。既以往關于DP患者腦結構及功能研究異常腦區主要出現在默認網絡和前額葉-邊緣系統環路[22-23]，Kwaastenit等[24]研究指出在DP患者鉤突束白質完整性降低，而次級前扣帶皮層與內側顳葉的功能連接增強。
本研究另有發現，與DP組相比較，DPA組大腦結構網絡節點效率屬性在顳葉、枕葉、頂葉、前扣帶回等腦區存在顯著性改變。而顳葉病變多表現有意識朦朧、言語錯亂、情緒紊亂、幻覺、錯覺等[25]，且部分表現符合焦慮障礙癥狀，進一步揭示DPA患者會比無焦慮的DP患者在右側顳葉皮層延伸(從中后顳上回到后中顳下回)更多的節點效率分布，差異具有統計學意義。這提示DPA患者大腦結構網絡中部分腦區的信息傳遞效率方面發生紊亂。從信息交互的角度證實，DPA患者大腦網絡結構局部發生了改變。既往關于DPA組與DP組的腦結構及功能的比較研究揭示：DPA組在顳上回延伸到后顳中回和右半球顳下回的灰質體積顯著增加[26]；DPA組的默認模式神經網絡(default mode network，DMN)在前區(喙部前扣帶回、內側額葉、眶額皮層)功能連接顯著減弱，而在DMN后部區域(枕葉、頂葉聯合區)的功能連接顯著增加[27]；Chi等[28]結果揭示DPA組和DP組之間最有判別力的特征是位于右枕葉、顳葉和右額葉下回區。以往研究結論與本文的研究結果共同發現了在DPA組與DP組對照研究中主要感興趣區位于顳葉和額葉等腦區，該感興趣腦區的結構及功能異常值得進一步深入研究。
此外，本研究的主要結果表明，與NC組相比，DPA組、DP組大腦結構網絡節點屬性都有顯著改變，并且兩組患者呈現出相反的變化趨勢。這一發現與我們的一項前期研究結果非常相似：Qi等[29]采用基于體素形態測量學(voxel-based morphometry，VBM)及感興趣區(region of interest，ROI)等方法，分析DPA組與DP組、NC組大腦的灰質體積，結果表明大腦灰質體積在大腦島葉、額葉、頂葉等部位的差異具有統計學意義，且DPA組與DP組表現出相反的變化趨勢。
綜上所述，在DPA患者、DP患者大腦結構網絡分析中，發現了其全局屬性和節點屬性上存在明顯的異常，從本質上提示疾病患者大腦結構全局網絡和某些腦區中直接相連接的纖維數目或其結構的完整性可能發生了微弱地本質改變，即各腦區和與其有直接纖維連接腦區的結合能力可能發生了本質微弱變化。
目前，利用復雜網絡技術描述和評估腦功能或結構網絡時，對研究結果產生影響的主要原因有采用的樣本大小不同、網絡構建方法及統計分析方法的不同。近來年，利用多模態MRI技術構建人腦結構和功能網絡，研究人腦復雜網絡的拓撲結構及屬性與疾病狀態、腦認知功能異常之間的關聯性，在系統水平上明確DPA患者、DP患者、焦慮障礙患者的腦神經通路特征及其變化規律，將為患者的臨床和行為異常提供新的神經病理機制解釋，而且尋找出腦神經影像學標記物用于精神障礙疾病的輔助診斷、早期預警、以及心理/認知/藥物/物理等治療方法的療效評價，具有重要的研究價值和臨床價值。而利用多模態MRI技術來研究DPA患者的神經病理機制和腦結構網絡拓撲屬性相對比較少，有待于進一步加強。此外，隨著分析方法的發展和改進，如深度學習(deep learning，DL)、支持向量分類(support vector classification，SVC)、多體素模式分析(multivariate pattern analysis，MVPA)等技術在人腦結構及功能連接中的應用，可有效地將DP患者從健康人群中區分出來，未來人腦功能及結構連接可能成為一項有效的預測精神疾病的生物學指標。
引言
以基于圖論法的復雜網絡分析技術研究腦網絡的全局和局部拓撲屬性，能夠定量地描述腦網絡局部分離和全局整合的程度[1-3]。大量研究表明，抑郁癥可能是一種腦功能或結構發生異常而導致的精神性疾病[4-6]。既往關于抑郁癥患者腦功能或結構的研究多是局限于特定功能腦區的內部或一些感興趣腦區之間，以及對腦結構網絡局部拓撲屬性，并取得了一定研究成果。而對于其大腦全局網絡有著功能或是結構連接的所有腦區所組成的全局拓撲屬性和節點屬性等研究相對比較少。抑郁癥與焦慮障礙在國內外精神障礙分類體系中都屬于兩個獨立的疾病單元，但是二者常常同時存在，即所謂的“共病”，但對抑郁癥與焦慮障礙共病患者腦結構網絡拓撲屬性研究分析甚少。故本研究基于彌散張量成像掃描數據，利用基于圖論的復雜網絡技術構建共病患者的腦結構網絡，從結構角度更加直觀地刻畫全局以及局部特定腦區之間的結構連接組織形式，并分析共病患者、抑郁癥患者、健康人腦結構網絡拓撲屬性的改變及其組間的相關性，為理解抑郁癥共病焦慮障礙患者腦結構及功能分化異常的生理、病理機制提供新的視角。
1 對象與方法
1.1 研究對象
收集20例的抑郁癥與焦慮障礙共病(depressive patients with anxiety，DPA)患者、18例的抑郁癥(depressive patients without anxiety，DP)患者以及28例的健康人(normal controls，NC))作為本研究的三組受試者，其中患者病例在廣州醫科大學附屬腦科醫院(廣州市腦科醫院)招募，健康人組通過海報或者論壇等形式向社會公開募集。
三組受試在性別、教育程度、年齡、智商、利手等方面進行匹配，基本要求包括：文化程度6年以上；年齡在18～50歲之間；漢族人；右利手；三個月內無電休克治療史；符合核磁共振成像 (magnetic resonance imaging,MRI)檢查的要求；理解本課題研究內容，希望并承諾能夠完成整個實驗內容，簽署知情同意書；無藥物濫用和(或)酒精依賴史；無重大軀體疾病或神經系統疾病史。
入組標準：① DPA組：符合美國精神障礙診斷與統計學手冊第四版(diagnostic and statistical manual of mental disorders,DSM-IV)的抑郁癥和廣泛性焦慮障礙診斷標準，且要求符合14項漢密爾頓焦慮量表(14-item hamilton anxiety scale,HAMA)總分≥14、焦慮自評量表(self-rating anxiety scale,SAS)總分≥40的患者列入本組[7-9]。② DP組：符合DSM-IV抑郁癥診斷標準，且要求符合(HAMA＜14; SAS＜40) 診斷標準的患者列入本組。③ NC組：不符合DSM-IV的抑郁癥診斷標準和不符合廣泛性焦慮障礙診斷標準，年齡、性別匹配的健康受試者。
1.2 方法
1.2.1 數據采集
影像學數據采集：應用飛利浦公司產Achieva 3.0 T MRI掃描儀。掃描時受試者仰臥，用專用無磁耳機以減少噪音干擾，同時頭部采用泡沫墊來固定、減少頭部運動。整個圖像采集過程中，要求受試保持清醒狀態(安靜、閉眼、仰臥)，且盡量不要有任何思維活動。
由一名熟練的放射科醫生及一名精神科醫生共同完成所有受試者的彌散張量成像(diffusion tensor imaging，DTI)掃描和MRI掃描。(1) DTI掃描參數：采用平面回波序列，在平行于前后聯合線平面掃描得到，設置參數為擴散敏感系數：1 000 s/mm2 ，在20個方向施加為擴散敏感梯度方向，軸位掃描得到未加梯度彌散加權成像(b=0) ，脈沖重復時間(Repetition Time,TR)=6 800 ms，回波時間(Echo time，TE)=93 ms，層厚=3 mm，層距=0 mm，共50層，視野(field of view，FOV)=256×256 mm，翻轉角度(flip angle，FA)=90°，矩陣(matrix)=128×128，掃描次數2次。(2) MRI掃描參數：用T1加權三維磁化強度預備快速采集梯度回波序列(T1WI-3D-MPRAGE)掃描，TR=14 ms，TE=4.92 ms，FOV=256×256 mm，層厚=1 mm，層距=0 mm，FA=25°，矩陣=256×192。
1.2.2 數據處理
MRI圖像將采用基于Matlab的工具包進行預處理，主要步驟包括：DTI圖像采用PANDA 1.2.4[
1.2.3 腦結構網絡構建和拓撲屬性分析
(1) 腦結構網絡構建：采用解剖學自動標記模板AAL-1024模板定義腦區，即腦結構網絡的節點；采用纖維連續追蹤(fiber assignment by continuous tracking，FACT)算法、各向異性參數FA＜0.2，追蹤角度45°，進行確定性纖維追蹤技術得到全腦白質纖維束；將兩個腦節點之間的白質纖維束數量(Fiber Number，FN)定義為腦結構連接，構建每個受試的全腦結構網絡；將FN閾值設定為3，即兩個腦區之間至少存在3條以上的白質纖維素[
節點度：與節點相連的邊的數目，反映了該節點與其他節點相聯系的狀況，因此節點i的度公式定義如下:
| ${{K}_{i}}=\sum\limits_{j-1}^{N}{G}\left( i.j \right)$ |
式中，G為網絡的連接矩陣，是N×N矩陣，N表示網絡G的節點數目，i、j為網絡G的節點。
聚類系數：聚類系數衡量了網絡的集群性質，節點的聚類系數越強，則該節點所在的子網絡模塊化程度就越高。節點i的聚類系數公式定義如下：
| $C\left( i \right)=\frac{2}{{{k}_{i}}\left( {{k}_{i}}-1 \right)}{{\sum\limits_{i.j}{\left( {{w}_{ij}}{{w}_{ik}}{{w}_{jk}} \right)}}^{\frac{1}{3}}}$ |
其中wij為在網絡G中兩節點i與j之間連接邊的權重，ki為與節點i連接的節點度。網絡的聚類系數即為所有節點聚類系數的平均值，其公式定義為：
| ${{C}_{p}}=\frac{1}{N}\sum\limits_{i}^{N}{C}\left( i \right)$ |
特征路徑長度：對網絡的信息傳輸起到重要的作用，是描述網絡內部結構至關重要的一個指標，其公式定義如下：
| ${{L}_{p}}=\frac{1}{N\left( N-1 \right)}\sum\limits_{i\ne j\in G}{{{L}_{ij}}}$ |
其中Lij表示在網絡G中節點i與節點j之間的最短路徑長度。
全局效率：衡量如何有效地通過整個網絡傳播信息，其公式定義如下：
| ${{E}_{glob}}=\frac{1}{N\left( N-1 \right)}\sum\limits_{i\ne j\in G}{\frac{1}{{{L}_{ij}}}}$ |
局部效率：整個網絡的局部效率由節點的局部效率平均得到，其公式定義如下：
| ${{E}_{loc}}=\frac{1}{N}\sum\limits_{i\in G}^{N}{{{E}_{glob}}}\left( {{G}_{i}} \right)$ |
其中Gi為節點i所對應的子網絡。
節點效率：被定義為網絡中節點對之間特征路徑長度調和平均值的倒數：節點效率越高，表示該節點在網絡中和其他節點之間信息傳遞速度越快。
| ${{E}_{nodal}}=\frac{1}{N-1}\sum\limits_{i\ne j\in G}{\frac{1}{{{L}_{ij}}}}$ |
在結構網絡中，節點效率衡量了給定節點與網絡中其他節點間的平均最短路徑，其值越大表示該節點在網絡信息傳輸中的地位越高。本文引入網絡節點效率屬性值來探討大腦網絡存在的核心節點(Hub)，核心節點公式定義為：
| $Hu{{b}_{nodal}}=\left( {{E}_{nodal}}>x\pm s \right)$ |
小世界參數：判定小世界網絡的量化指標，是將要判定的網絡與對應的隨機網絡進行比較，定義了三個指標。
| $\left\{ \begin{matrix} \gamma ={{C}_{net}}/{{C}_{random}} \\ \lambda ={{L}_{net}}/{{L}_{random}} \\ \sigma =\gamma /\lambda \\ \end{matrix} \right.$ |
其中Lrandom和Crandom分別是隨機網絡的特征路徑長度和聚類系數，Cnet、Lnet分別是真實網絡的特征路徑長度和聚類系數，當 γ＞1和λ≈1時，認為這個網絡具有小世界特性。Humphires等[12]將兩個指標合并為一個指標來衡量小世界特性：通過定義參數σ=γ/λ來衡量所研究網絡的特性。對于小世界網絡來說，。
1.2.4 統計處理與分析
運用SPSS 22.0統計軟件對DPA組、DP組與NC組的神經心理學測試結果進行組間one-way ANOVA分析。對這三組人群的大腦結構全局網絡屬性(聚類系數、特征路徑長度、局部效率、全局效率、小世界參數等)進行組間one-way ANOVA分析。節點效率屬性值進行組間one-way ANOVA分析，后進行雙樣本t檢驗。數據統計采用均數±標準差(x±s)，P＜0.05為差異具有統計學意義。
2 結果
2.1 神經心理學測試結果
如表 1所示，DPA組、DP組、NC組的臨床數據和人口學特征組間差異分析結果表明，三組受試的年齡、性別差異不具有統計學意義，教育程度、抑郁自評量表、漢密爾頓抑郁量表、焦慮自評量表、漢密爾頓焦慮量表等均存在組間差異。
表1
臨床數據和人口學特征的統計分析
Table1.
Statistical analysis of clinical data and demographic characteristics
2.2 大腦結構網絡全局屬性
根據所構建出的大腦結構網絡，本研究計算了三組大腦結構網絡的聚類系數、特征路徑長度、局部效率、全局效率、小世界參數(σ，λ，γ)等各屬性，定義及計算公式詳見前文，其中7種網絡拓撲屬性的統計分析結果如表 2所示。
表2
DPA組、DP組、NC組大腦結構網絡全局屬性統計分析
Table2.
Statistical analysis of the global properties of structural brain networks in depressive patients with and without anxiety and normal controls
結果表明，DPA組、DP組和NC組的腦結構網絡都表現出小世界屬性。全局網絡屬性的組間差異分析表明，部分網絡屬性組間差異具有統計學意義。與DP組對比，DPA組顯示出聚類系數(P=0.016) 均增大，而特征路徑長度(P=0.024) 減小。而在網絡效率方面，與DP組對比，結果揭示DPA組全局效率(P=0.013) 和局部效率(P=0.012) 皆存在增大。此外，與NC組對比，疾病組大腦結構網絡拓撲全局屬性(局部效率、全局效率、特征路徑長度、聚類系數、 σ、λ、γ)皆未發現差異具有統計學意義(P＞0.05) 。另一方面，與NC組相比，DPA組、DP組的小世界特征和網絡效率等屬性均表現出了相反的變化趨勢。
2.3 大腦結構網絡節點屬性
2.3.1 核心節點
核心節點決定著網絡中神經信息的網絡結構和整合效率的魯棒性和穩定性，在大腦結構或功能網絡不同部分之間的信息傳遞中起作用[13-14]。本文引入節點效率來判斷腦結構網絡中節點的相對重要程度，并確定核心節點。研究發現DPA、DP、NC三組人群腦結構網絡的核心節點數量分別為101/86/91，主要分布在聯合皮層腦區，如圖 1所示。
圖1
核心節點分布
Figure1.
Distribution of global hubs
2.3.2 節點效率
結合基于圖論的復雜網絡方法構建腦結構網絡，并對所得DPA組、DP組與NC組大腦結構網絡的節點效率屬性值進行相關性比較，如圖 2所示。
圖2
腦結構網絡節點效率組間差異
Figure2.
Significant differences in node efficiency
三組人群的大腦結構網絡節點效率屬性差異具有統計學意義的腦區主要分布在顳葉、枕葉、頂葉等，如圖 2所示。節點大小對應組間節點效率比較存在差異的大小(大球P＜0.01，小球P＜0.05) ；紅球表示該節點效率顯著增大，藍球表示該節點效率顯著減小。雙樣本t檢驗結果表明：DP組與NC組比較，節點效率(61個)顯著減小；而DPA組相比于NC組和DP組揭示的節點效率(66個和190個)表現出顯著增大，主要分布在枕葉、顳葉、頂葉等腦區。值得注意的是，DPA組和NC組比較，發現在右角回以及右顳極(顳上回)的節點效率(藍球)顯示存在顯著減小，提示該腦區可能是 DPA患者大腦結構局部網絡中存在明顯異常的感興趣腦區。
3 討論
本研究基于DTI技術構建DPA患者、DP患者的大腦白質結構網絡，并分析其全局和節點屬性。研究發現：① 三組人群的大腦結構網絡呈現出小世界屬性，核心節點主要分布在聯合皮層；② 與DP組相比，DPA組大腦結構網絡全局屬性存在顯著改變；③ 三組人群的大腦結構網絡節點屬性組間差異具有統計學意義。
本文研究結果表明三組人群的大腦結構網絡均呈現較高聚類系數( γ＞1) 和相近的特征路徑長度(λ≈1) ，表現出小世界網絡的特征() 。DP組分別與DPA組和NC組對比均表現高效的小世界屬性，提示DP患者大腦功能整合和分化的平衡能力有可能上升，即DP患者結構網絡應同時具有較高度分離和高度整合的特點，反映出DP患者大腦結構全局網絡的異常。通過分析人腦結構網絡的核心節點位置和特征，本研究揭示疾病患者大腦結構網絡核心節點主要分布在聯合皮層，與以前研究發現的腦結構網絡核心節點分布比較相似[15-17]。已有研究證實，核心節點的異常被認為與神經或精神疾病中的行為異常、認知受損有關[18]，本文研究結果可能為在系統水平上揭示DPA患者的病理生理機制提供新的思路。
本研究揭示DPA組、DP組大腦結構網絡聚類系數屬性值均較NC組下降，即疾病組的集團化程度降低，且發現DPA組的聚類系數屬性值較DP組存在顯著增大。DPA組與DP組和NC組對比均表現出較短的特征路徑長度，且與DP組比較，差異具有統計學意義，即DPA組大腦網絡在進行較長距離的信息傳遞時效率降低，速度減慢。因全局效率是對路徑長度指標的優化，而本文研究發現DPA組分別與DP組和NC組對比均表現出最短的特征路徑長度，且全局效率最高，提示DPA患者網絡節點間傳遞信息的速率越快。
同時，研究揭示DP組大腦結構網絡局部效率和聚類系數屬性值較NC組對比均降低，提示其有多個腦區之間結構相連變得松散，即集團化結構連接模式衰退，這種全局拓撲屬性的改變使得DP患者大腦全局上的信息傳遞效率發生下降，并且其防御隨機攻擊的能力下降。陳建淮等[19]研究結果也揭示了DP組局部效率和聚類系數屬性值較NC組顯著下降。Ajilore等[20]采用DTI臨床影像數據基于圖論法研究發現DP組的標準化全局效率與疾病嚴重程度呈負相關，同時全局效率的升高與認知行為表現較差有關聯，而且揭示DP患者局部效率與疾病嚴重程度和認知測試均無顯著關聯。
另有發現DPA組大腦全局結構網絡拓撲參數的全局效率和局部效率屬性值與DP組和NC組對比均升高，且DPA組與DP組對比存在顯著增大。因大腦的構建和運行需要消耗大量的物質和能量，而DPA患者大腦結構網絡與信息處理效率的改變，提示DPA患者大腦結構網絡全局“經濟”的拓撲屬性發生異常，這種全局的結構異常可能妨礙大腦的能量供應和物質消耗，使DPA患者大腦結構網絡出現異常，可能是導致抑郁癥伴發焦慮障礙相關癥狀的原因。
三組人群的大腦結構網絡節點效率屬性組間相比較存在顯著改變：發現，與NC組相比較，DP組在顳葉、雙側額上回、前扣帶回、杏仁核及海馬存在節點效率顯著性改變。而黃海燕等[21]采用擴散峰度成像技術研究DP患者大腦的細微結構改變，結果揭示在顳葉、雙側額上回腦白質纖維束可能存在萎縮，進一步證實了顳葉、雙側額上回腦白質纖維束異常可能與DP有關，為DP的輔助診斷提供了有用信息。既以往關于DP患者腦結構及功能研究異常腦區主要出現在默認網絡和前額葉-邊緣系統環路[22-23]，Kwaastenit等[24]研究指出在DP患者鉤突束白質完整性降低，而次級前扣帶皮層與內側顳葉的功能連接增強。
本研究另有發現，與DP組相比較，DPA組大腦結構網絡節點效率屬性在顳葉、枕葉、頂葉、前扣帶回等腦區存在顯著性改變。而顳葉病變多表現有意識朦朧、言語錯亂、情緒紊亂、幻覺、錯覺等[25]，且部分表現符合焦慮障礙癥狀，進一步揭示DPA患者會比無焦慮的DP患者在右側顳葉皮層延伸(從中后顳上回到后中顳下回)更多的節點效率分布，差異具有統計學意義。這提示DPA患者大腦結構網絡中部分腦區的信息傳遞效率方面發生紊亂。從信息交互的角度證實，DPA患者大腦網絡結構局部發生了改變。既往關于DPA組與DP組的腦結構及功能的比較研究揭示：DPA組在顳上回延伸到后顳中回和右半球顳下回的灰質體積顯著增加[26]；DPA組的默認模式神經網絡(default mode network，DMN)在前區(喙部前扣帶回、內側額葉、眶額皮層)功能連接顯著減弱，而在DMN后部區域(枕葉、頂葉聯合區)的功能連接顯著增加[27]；Chi等[28]結果揭示DPA組和DP組之間最有判別力的特征是位于右枕葉、顳葉和右額葉下回區。以往研究結論與本文的研究結果共同發現了在DPA組與DP組對照研究中主要感興趣區位于顳葉和額葉等腦區，該感興趣腦區的結構及功能異常值得進一步深入研究。
此外，本研究的主要結果表明，與NC組相比，DPA組、DP組大腦結構網絡節點屬性都有顯著改變，并且兩組患者呈現出相反的變化趨勢。這一發現與我們的一項前期研究結果非常相似：Qi等[29]采用基于體素形態測量學(voxel-based morphometry，VBM)及感興趣區(region of interest，ROI)等方法，分析DPA組與DP組、NC組大腦的灰質體積，結果表明大腦灰質體積在大腦島葉、額葉、頂葉等部位的差異具有統計學意義，且DPA組與DP組表現出相反的變化趨勢。
綜上所述，在DPA患者、DP患者大腦結構網絡分析中，發現了其全局屬性和節點屬性上存在明顯的異常，從本質上提示疾病患者大腦結構全局網絡和某些腦區中直接相連接的纖維數目或其結構的完整性可能發生了微弱地本質改變，即各腦區和與其有直接纖維連接腦區的結合能力可能發生了本質微弱變化。
目前，利用復雜網絡技術描述和評估腦功能或結構網絡時，對研究結果產生影響的主要原因有采用的樣本大小不同、網絡構建方法及統計分析方法的不同。近來年，利用多模態MRI技術構建人腦結構和功能網絡，研究人腦復雜網絡的拓撲結構及屬性與疾病狀態、腦認知功能異常之間的關聯性，在系統水平上明確DPA患者、DP患者、焦慮障礙患者的腦神經通路特征及其變化規律，將為患者的臨床和行為異常提供新的神經病理機制解釋，而且尋找出腦神經影像學標記物用于精神障礙疾病的輔助診斷、早期預警、以及心理/認知/藥物/物理等治療方法的療效評價，具有重要的研究價值和臨床價值。而利用多模態MRI技術來研究DPA患者的神經病理機制和腦結構網絡拓撲屬性相對比較少，有待于進一步加強。此外，隨著分析方法的發展和改進，如深度學習(deep learning，DL)、支持向量分類(support vector classification，SVC)、多體素模式分析(multivariate pattern analysis，MVPA)等技術在人腦結構及功能連接中的應用，可有效地將DP患者從健康人群中區分出來，未來人腦功能及結構連接可能成為一項有效的預測精神疾病的生物學指標。
