本文應用靜息態功能磁共振成像（rfMRI）的圖論數據分析方法，分析全腦共90個分區的幼兒小世界神經網絡，試圖明確：①幼兒小世界神經網絡節點的屬性參數與幼兒智力發育水平有無相關性。②幼兒小世界神經網絡參數與兒童的基線參數，如性別、年齡，以及父母教育程度等人口學參數有無相關性。本研究共納入12名健康幼兒，其中9名男性，3名女性，年齡（33.42±8.42）月。所有受試者的智力發育水平采用Gesell發育量表，并采集對血氧水平依賴（BOLD）信號敏感的靜息態功能磁共振信號數據。采用Matlab環境下的SPM5軟件包進行數據處理；進一步應用基于圖論的分析方法得到全腦小世界屬性及自動解剖標簽（AAL）模板下的90個腦區的節點屬性，并分別對上述屬性與Gesell發育量表及人口學數據做了相關性分析。研究發現小世界神經網絡諸多節點屬性與Gesell發育量表參數相關，介數主要集中于丘腦、額上回及枕葉，大部分呈負相關，如量表中表示個人與社會相關的腦區枕上回的r值為-0.729（P=0.007）；度主要集中于杏仁核、額上回、頂下回，大部分呈正相關，如量表中與大動作相關的頂下回的r值為0.725（P=0.008）；效率集中于額下回、頂下回、島葉，大部分呈正相關，如量表中語言相關的頂下回r值為0.738（P=0.006）；節點聚集系數集中于額葉、頂下回、中央旁小葉，呈正相關；節點最短路徑集中于額葉、頂下回、島葉，呈負相關；左、右腦相關腦區分布不同。但關于小世界整體屬性與Gesell發育量表的關系，我們未發現有統計學意義的相關。小世界網絡節點屬性指標與其他人口學指標有相關性的熱點腦區位于顳葉、楔葉、扣帶回、角回和中央旁小葉等區域，且大部分屬于默認網絡。本文研究結果說明，小世界神經網絡節點屬性與幼兒智力水平及人口學數據存在廣泛的相關性，并且不同的腦區有其不同的分布特點，優勢腦區分布符合相關的功能；這些諸多相關性的存在，使我們可以了解在幼兒發育過程中，小世界神經網絡隨時在發生變遷和改變。
引用本文： 曲海波, 呂粟, 張文靜, 肖媛, 寧剛, 孫懷強. 幼兒小世界神經網絡節點屬性與影響因素的相關性分析. 生物醫學工程學雜志, 2016, 33(5): 931-938, 944. doi: 10.7507/1001-5515.20160150 復制
引言
靜息態腦功能成像(rest functional magnetic resonance imaging, rfMRI)現已被越來越多地應用于腦功能網絡的研究，并已經取得很多關于腦的結構連接、功能網絡的新認識。對人腦功能連接的研究擴展了我們對腦網絡拓撲結構在健康、發育、老化及腦疾病中變化的了解[1]。當前對腦功能發育已經達成的兩個共識為：腦功能連接由兒童時期局部近距離解剖位置的功能連接發展為青年時期的穿越長距離皮層的功能連接；功能連接的發展由近距離腦區的功能分離和遠距離腦區的聚合，構成了不同的子網[2]。然而性別、智商、其他人口學因素等對兒童小世界(small world)神經網絡的影響大部分為未知狀態，既往有研究表明，成人、青少年及年長兒童的性別、年齡與腦的小世界神經網絡的差別有一定相關性[3]。目前尚沒有關于1~4歲健康幼兒的上述影響因素與腦功能網絡屬性相關性的分析，因此本研究著眼于該特殊年齡段的多個影響因素與小世界神經網絡的相關性分析。
1 材料與方法
1.1 臨床資料
2013年11月-2014年3月，選取在四川大學華西第二醫院就診并在四川大學華西醫院進行了核磁共振(magnetic resonance imaging, MRI)檢查的幼兒12例，其中男9例，女3例，年齡(33±8.42)月。納入標準：①1～4歲健康幼兒；②足月產兒；③適宜出生體重(2 500 g～8 000 g)；④出生前發育正常(頭圍：出生時為33～34 cm、側腦室寬度0.6～0.8 cm、雙頂徑值 > 9)；⑤執行了靜息態腦功能成像(rest functional magnetic resonance imaging, rfMRI)檢查；⑥由家長簽署了rfMRI知情同意書。排除標準：①不符合上述納入標準者；②母親患有重大軀體疾病(包括產科疾病如妊高癥、妊娠期甲亢、糖尿病、溶血等)；③孕期感染(宮內胎兒神經系統感染：弓形蟲，風疹，巨細胞病毒，皰疹病毒等)；④孕期神經毒素暴露(酒精、煙草、藥物、農藥、鉛等)；⑤母親肥胖，體重指數(body mass index，BMI) > 30；⑥患有神經、精神疾病的患兒，如癲癇、發育畸形、孤獨癥、多動癥的患兒；⑦顱腦外傷；⑧顱內有感染、腫瘤等顱腦器質性病變者；⑨代謝性疾病；⑩影像質量不符合要求(頭動超過2 mm，圖像與信號有缺失或初篩不能檢測到默認網絡)、患兒不能配合完成檢查者。共計排除6例，1例有顱內占位，2例有顱內感染，2例圖像質量不符要求，1例不能配合、未完成全部掃描。
1.2 觀察項目和評估指標
本研究應用的Gesell發育量表適用于0~6歲，主要用于評價中樞神經系統的功能，識別神經肌肉或感覺系統是否有缺陷；主要包括：適應性、大運動、精細運動、語言、個人－社會等5個方面的能力，每項均進行具體量化評分。該項評估是由四川大學華西第二醫院門診兒童保健科內取得相關臨床資質的醫護人員執行。
1.3 檢查方法
使用西門子3.0 T Trio MRI掃描儀對受試者進行大腦結構和功能影像的采集，使用8通道的相控陣頭部線圈，掃描前要求受試幼兒通過鎮靜熟睡。T1加權結構像采用磁化準備梯度回波序列(magnetization prepared gradient echo sequence, MPRAGE)采集，掃描參數為TR=1 700 ms, TE=2.4 ms, TI=400 ms, 翻轉角=90°, 視野(Field of view, FOV)為200×200 mm2，矩陣為256×256，體素大小為0.8×0.8×1 mm3。rfMRI采用平面回波成像(echo planar imaging，EPI)序列采集對血氧水平依賴(blood oxygen leveldependent，BOLD)信號敏感的功能磁共振(functional magnetic resonance imaging, fMRI)信號，掃描參數為TR=2 000 ms，TE=30 ms，翻轉角=90°，每個時間點采集30幅由上到下隔層掃描的圖像，層厚5 mm，共采集200個時間點，FOV為200×200 mm2，矩陣為64×64，體素大小為3.1×3.1×5.0 mm3。掃描過程中使用耳塞降低受試者接受到的噪聲，同時由兩位經驗豐富的影像診斷醫生對受試者是否存在頭動進行監督并對掃描圖像的質量進行監督，通過后處理時的頭動校正發現有無頭動，當超過2 mm時予以排除，每位受試者的功能圖像掃描時間約為7 min，結構像掃描時間為5 min，勻場時間1 min，總的掃描時間為13 min。
1.4 數據處理
對所有rfMRI數據的預處理采用基于矩陣實驗室(matrix laboratory，Matlab)環境下的統計參數圖軟件(statistical parametric mapping 5, SPM5)軟件包(http://www.fil.ion.ucl.ac.uk/spm)搭配SPM5擴展軟件gretna(https://github.com/sandywang/GRETNA)進行數據處理，預處理包括頭動校正、空間標準化處理(應用受試者T1結構像為模板)、平滑處理，并進行信號的濾波，采用(0.01~0.1 Hz)的信號以減少其他頻率信號的干擾。對預處理后的rfMRI數據進行圖論分析，得到小世界整體的屬性和一系列小世界節點的屬性。腦區的分區研究采用自動解剖模板(automated anatomical labeling, AAL)對90個腦區進行研究，左右半球各有45個分區。判斷全腦小世界屬性的存在以及計算全腦小世界屬性和ALL模板的90個腦區的節點屬性，分別做上述全腦小世界屬性及AAL模板的90個腦區的節點屬性與Gesell發育量表及人口學數據的相關性分析。
1.5 統計學方法
采用SPSS18.0軟件包進行統計學分析，各參量間的相關性用Pearson相關性分析，以P < 0.05為具有統計學意義。
2 結果
通過對納入本研究幼兒的rfMRI數據進行分析，根據判斷小世界的原則分析明確每位受試者是否具有小世界屬性；根據小世界的計算公式以這些區域作為節點，計算其得到節點的屬性介數(betweeness)、度(degree)、效率(efficiency)、節點聚集系數(anoda cluster coefficient, anodalCp)、節點最短路徑(node shortest path length, nlp)及小世界的屬性平均聚集系數(average cluster coefficient, aCp)、平均最短路徑(average shortest path length，aLp)、aGamma(聚集系數相關函數Cprand / aCp)、aLambda(最短路徑相關函數Lprand / aLp)，按照公式aGamma＝Cprand/aCp > 1和aLambda＝Lprand/aLp≈1，σ=γ/λ > 1(γ=聚集系數Cp/Cprand > 1 and λ=最短路徑Lp/Lprand≈1, σ=γ/λ > 1)，我們得出所有12例幼兒均符合小世界網絡的性質，并做出所有幼兒神經網絡的鄰接矩陣圖，如圖 1所示。
圖1
兩個納入研究的幼兒神經網絡矩陣的示意圖
Figure1.
Diagram of two children's neural network matrix
2.1 分析幼兒小世界神經網絡節點屬性與Gesell發育量表的相關性
按照AAL模板90個腦區進行分析，并列出主要的相關性腦區，如表 1~5及圖 2~6所示。
表1
不同腦區節點介數與Gesell發育量表評分參數的相關性
Table1.
Betweeness in different brain regions correlation with intelligence scale parameters
圖2
介數相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure2.
Hot-spot areas of betweeness related with gesell and the correlation between a hot-spot with related scale
表2
度與Gesell發育量表評分參數的相關性
Table2.
Degree correlation with intelligence scale brain regions
圖3
度相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure3.
Hot-spot areas of degree related with gesell and the correlation between a hot-spot with related scale
表3
效率與Gesell發育量表評分參數的相關性
Table3.
Efficiency correlation with intelligence scale brain regions
圖4
效率相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure4.
Hot-spot areas of Efficiency related with gesell and the correlation between a hot-spot with related scale
表4
anodalCp與Gesell發育量表評分參數的相關性
Table4.
AnodalCp correlation with intelligence scale brain regions
圖5
anodalCp相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure5.
Hot-spot areas of anodalCp related with gesell and the correlation between a hot-spot with related scale
表5
nlp與Gesell發育量表評分參數的相關性
Table5.
Correlation of nlp with intelligence scale brain regions
圖6
nlp相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure6.
Hot-spot areas of nlp related with gesell and the correlation between a hot-spot with related scale
通過整理發現，諸多小世界參數與Gesell發育量表參數有很多的相關性，介數主要集中于丘腦、額上回及枕葉，大部分呈負相關；度主要集中于杏仁核、額上回、頂下回，大部分呈正相關；效率集中于額下回、頂下回、島葉，大部分呈正相關；anodalCp集中于額葉、頂下回、中央旁小葉呈正相關；nlp集中于額葉、頂下回、島葉呈負相關；左、右腦相關性腦區分布不同。
2.2 分析小世界整體屬性與Gesell發育量表參數的相關性
通過整理發現小世界整體屬性與Gesell發育量表參數并無相關性，如表 6所示。
表6
小世界整體屬性與Gesell發育量表的相關性
Table6.
Correlation of the whole brain parameters of small world with intelligence scale
2.3 全腦90個腦區節點屬性與納入幼兒的人口學指標相關性分析
通過分析整理發現全腦90個腦區小世界節點屬性與年齡、身高、體重、頭圍、出生體重在諸多腦區有相關，其中左腦的相關性腦區數量明顯多于右腦，具體如下：
(1)度與年齡相關者有7個腦區，均呈負相關，左腦5個腦區，右腦2個腦區；與身高相關者有9個腦區，呈負相關，左腦6個腦區，右腦3個腦區；與體重相關者2個腦區，呈正相關，左、右腦各1個；與頭圍相關者4個腦區，3個呈負相關，1個呈正相關，1個位于左腦(負相關)，3個位于右腦；與出生體重相關者3個腦區，呈正相關，1個位于左腦，2個位于右腦。
(2)效率與年齡相關者為7個腦區，6個呈負相關，1個呈正相關(左腦)；5個位于左腦，2個位于右腦；與身高相關者有10個腦區，均呈負相關，6個位于左腦，4個位于右腦；與體重相關者3個腦區，呈正相關，2個位于左腦，1個位于右腦；與頭圍相關者3個腦區，呈正相關，1個位于左腦，2個位于右腦；與出生體重相關者2個腦區，呈正相關，均位于左腦。
(3)重復出現的相關性熱點腦區多位于顳葉、楔葉、扣帶回、角回、中央旁小葉等區域。
2.4 其他人口學指標與全腦小世界屬性相關性分析
全腦小世界參數aCp、aGamma、aLambda、aLp等僅有aCp、aGamma、aLp三個參數與身高有相關性。如表 7所示。
表7
aCp、aGamma、aLp三個全腦小世界參數與身高的相關性
Table7.
Correlation of aCp, aGamma, aLp whole brain parameters of small world with height
3 討論
近期有諸多學者采用圖論的方法對大腦網絡特征性的拓撲結構進行研究，如本研究所涉及的小世界網絡，該功能構架不僅存在于大腦網絡內，也存在于具有復雜網絡組織架構的社會、經濟及生物領域[1]。在腦內其結構特征是腦區之間的高度局部集中化和全局的整合性，已經被認為貫穿于正常腦發育的整個過程并在不斷地改變修飾，不管是在整個兒童發育期，還是在處于多種病理狀態的患者均被發現具備這樣的網絡[4]，這與納入本研究的處于幼兒期的受試者具有強烈的小世界屬性這一結果一致。應用rfMRI方法非侵入性的研究腦的自發低頻信號，已經被廣泛地應用到發現和度量腦的典型和非典型功能網絡[5]，本研究就是將rfMRI數據通過圖論的方法量化，對量化后的數值結果進行解釋，研究全腦復雜的小世界神經網絡網絡結構。
3.1 全腦小世界屬性及節點屬性相關性腦區整體分布特點
本研究中發現幼兒全腦小世界屬性參數中僅有aCp、aGamma、aLp三個參數與身高有相關性，與其他生理性指標均未見相關性，分析其原因是幼兒全腦的整體工作效率低于局部連接的工作效率。兒童與成人腦的網絡效率有三大不同，一是兒童腦的網絡連接集中于皮層與皮層下，成人則主要位于腦區間；第二是成人腦網絡為有組織的分層次連接，涉及到更多、更長距離的網絡連接；第三是人腦網絡的發育是一個短距離功能連接的減弱和長距離功能連接的增強過程[6]，即腦功能連接發展順序是由兒童時優勢發展局部近距離功能連接到青年時期發展穿越長距離皮層的功能連接，功能連接最終發展為近距離腦區的功能分離、遠距離腦區間的聚合，從而構成不同的子網[2]。該變化特征在本研究中同樣得到驗證，本研究發現與Gesell發育量表參數相關的都是局部腦區的小世界屬性，全腦小世界屬性沒有一個與Gesell發育量表參數產生相關，因此驗證幼兒時期小世界網絡集中發育局部節點連接。
本研究中分析Gesell發育量表參數、生理性參數與小世界參數相關的腦區分布時，發現與身高、體重等生理性因素有相關性的腦區在左腦占有絕對的優勢，而與Gesell發育量表參數等外界及后天發育因素有相關性的腦區在右腦占有優勢，即右腦在發育狀態中受后天的影響更大；全腦的小世界屬性與這些生理指標、外界及后天因素相關性很少，可以說這些因素對全腦的整體小世界屬性尚沒有產生明顯影響。
3.2 分析不同節點的小世界網絡屬性相關腦區具體分布特點
通過幼兒AAL模板中90個腦區全部節點屬性與Gesell發育量表參數及人口學因素的相關性分析，我們發現諸多腦區節點屬性與Gesell發育量表參數存在相關性(如表 1~5所示)，介數與Gesell發育量表參數相關熱點腦區主要集中于丘腦、額上回及枕葉，大部分呈負相關；度主要集中于杏仁核、額上回、頂下回，大部分呈正相關；效率集中于額下回、頂下回、島葉，大部分呈正相關；anodalCp集中于額葉、頂下回、中央旁小葉，呈正相關；nlp集中于額葉、頂下回、島葉，呈負相關；左右腦的相關腦區分布不同。分析其特征，度和效率大部分呈正相關，與已有的研究皮層發育特征結果一致[7]，此發育階段的神經網絡是一個效率不斷增加的過程，節點的度和效率是不斷增加的[8]，同理適用于對anodalCp、nlp這些節點屬性相關性的解釋。度和效率在其他腦區的負相關并不違背大的發展趨勢，這與腦區或腦葉的不平衡發展有關系。我們同時發現節點的小世界網絡屬性與其他人口學指標也有相關性腦區，重復出現的熱點腦區多位于顳葉、楔葉、扣帶回、角回、中央旁小葉等區域。諸多有統計學意義的相關性腦區的存在證明了小世界網絡在這些腦區的功能執行過程中發揮著重要的作用，當幼兒的智力水平及人口學因素發生變化時，會對這些相關性腦區小世界網絡屬性產生影響，或者是兩者存在相互影響。因此我們認為小世界網絡尤其是節點的屬性在幼兒期有很強的可塑性[9]。但對節點的正負相關屬性僅可做初步討論，如上述效率與大動作呈負相關的腦區位于額下回的分析，由于幼兒額葉皮層由厚變薄的發育特征，此時額葉局部網絡連接必然會根據結構的變化進行重組，且額葉為語言發育區域并不能直接反映運動功能，因此效率與大動作的相關性趨勢可能只反映了局部連接的改變，未出現正相關。在分析節點屬性介數的相關性時，發現其與Gesell發育量表參數大部分呈負相關，這可以通過介數的本身定義解釋，介數為一衡量全腦最短路徑通過相應節點水平的參數，其相關性符合前述的兒童網絡發育的特點，即近距離的網絡連接發達，而遠距離的連接尚且在建立[3]。
3.3 小世界神經網絡的屬性、構成條件及意義
小世界網絡是具有高聚集系數(cluster coefficient, Cp)、節點間最短路徑長度(shortest path length, Lp)的網絡。節點指的是解剖元素腦區，邊代表節點之間的關系、皮層或皮層下區節點間的功能連接。節點和它的邊是構建神經網絡的基本要素，可以用這些互相關聯的帶有一組邊的眾多節點模式來描述全腦網絡。圖論這種網絡分析的方法就是通過分析構成腦連接的節點觀察全腦的網絡連接，而且還可以量化腦結構的構成。Cp往往是網絡內所有節點的平均Cp，是度量網絡的一個重要參數，它表示的是整個網絡的集團化程度。Lp為網絡內節點間最短的路徑長度，是用來度量任意兩個節點間的距離或是網絡整體的連接效率，高的路徑效率即是短的距離，代表信息的傳遞變換經過較少的步驟就能完成[10-11]。
綜上，本研究發現小世界節點屬性與幼兒智力水平及人口學因素存在廣泛的相關性，存在相關性的腦區在解剖分布上存在諸多特點，幼兒發育過程中小世界神經網絡會受生理性因素、社會性因素的影響；同時小世界神經網絡會伴隨發育和外界條件的改變進行不斷完善，以便形成一個高效率的、模塊化、成熟的神經網絡。
引言
靜息態腦功能成像(rest functional magnetic resonance imaging, rfMRI)現已被越來越多地應用于腦功能網絡的研究，并已經取得很多關于腦的結構連接、功能網絡的新認識。對人腦功能連接的研究擴展了我們對腦網絡拓撲結構在健康、發育、老化及腦疾病中變化的了解[1]。當前對腦功能發育已經達成的兩個共識為：腦功能連接由兒童時期局部近距離解剖位置的功能連接發展為青年時期的穿越長距離皮層的功能連接；功能連接的發展由近距離腦區的功能分離和遠距離腦區的聚合，構成了不同的子網[2]。然而性別、智商、其他人口學因素等對兒童小世界(small world)神經網絡的影響大部分為未知狀態，既往有研究表明，成人、青少年及年長兒童的性別、年齡與腦的小世界神經網絡的差別有一定相關性[3]。目前尚沒有關于1~4歲健康幼兒的上述影響因素與腦功能網絡屬性相關性的分析，因此本研究著眼于該特殊年齡段的多個影響因素與小世界神經網絡的相關性分析。
1 材料與方法
1.1 臨床資料
2013年11月-2014年3月，選取在四川大學華西第二醫院就診并在四川大學華西醫院進行了核磁共振(magnetic resonance imaging, MRI)檢查的幼兒12例，其中男9例，女3例，年齡(33±8.42)月。納入標準：①1～4歲健康幼兒；②足月產兒；③適宜出生體重(2 500 g～8 000 g)；④出生前發育正常(頭圍：出生時為33～34 cm、側腦室寬度0.6～0.8 cm、雙頂徑值 > 9)；⑤執行了靜息態腦功能成像(rest functional magnetic resonance imaging, rfMRI)檢查；⑥由家長簽署了rfMRI知情同意書。排除標準：①不符合上述納入標準者；②母親患有重大軀體疾病(包括產科疾病如妊高癥、妊娠期甲亢、糖尿病、溶血等)；③孕期感染(宮內胎兒神經系統感染：弓形蟲，風疹，巨細胞病毒，皰疹病毒等)；④孕期神經毒素暴露(酒精、煙草、藥物、農藥、鉛等)；⑤母親肥胖，體重指數(body mass index，BMI) > 30；⑥患有神經、精神疾病的患兒，如癲癇、發育畸形、孤獨癥、多動癥的患兒；⑦顱腦外傷；⑧顱內有感染、腫瘤等顱腦器質性病變者；⑨代謝性疾病；⑩影像質量不符合要求(頭動超過2 mm，圖像與信號有缺失或初篩不能檢測到默認網絡)、患兒不能配合完成檢查者。共計排除6例，1例有顱內占位，2例有顱內感染，2例圖像質量不符要求，1例不能配合、未完成全部掃描。
1.2 觀察項目和評估指標
本研究應用的Gesell發育量表適用于0~6歲，主要用于評價中樞神經系統的功能，識別神經肌肉或感覺系統是否有缺陷；主要包括：適應性、大運動、精細運動、語言、個人－社會等5個方面的能力，每項均進行具體量化評分。該項評估是由四川大學華西第二醫院門診兒童保健科內取得相關臨床資質的醫護人員執行。
1.3 檢查方法
使用西門子3.0 T Trio MRI掃描儀對受試者進行大腦結構和功能影像的采集，使用8通道的相控陣頭部線圈，掃描前要求受試幼兒通過鎮靜熟睡。T1加權結構像采用磁化準備梯度回波序列(magnetization prepared gradient echo sequence, MPRAGE)采集，掃描參數為TR=1 700 ms, TE=2.4 ms, TI=400 ms, 翻轉角=90°, 視野(Field of view, FOV)為200×200 mm2，矩陣為256×256，體素大小為0.8×0.8×1 mm3。rfMRI采用平面回波成像(echo planar imaging，EPI)序列采集對血氧水平依賴(blood oxygen leveldependent，BOLD)信號敏感的功能磁共振(functional magnetic resonance imaging, fMRI)信號，掃描參數為TR=2 000 ms，TE=30 ms，翻轉角=90°，每個時間點采集30幅由上到下隔層掃描的圖像，層厚5 mm，共采集200個時間點，FOV為200×200 mm2，矩陣為64×64，體素大小為3.1×3.1×5.0 mm3。掃描過程中使用耳塞降低受試者接受到的噪聲，同時由兩位經驗豐富的影像診斷醫生對受試者是否存在頭動進行監督并對掃描圖像的質量進行監督，通過后處理時的頭動校正發現有無頭動，當超過2 mm時予以排除，每位受試者的功能圖像掃描時間約為7 min，結構像掃描時間為5 min，勻場時間1 min，總的掃描時間為13 min。
1.4 數據處理
對所有rfMRI數據的預處理采用基于矩陣實驗室(matrix laboratory，Matlab)環境下的統計參數圖軟件(statistical parametric mapping 5, SPM5)軟件包(http://www.fil.ion.ucl.ac.uk/spm)搭配SPM5擴展軟件gretna(https://github.com/sandywang/GRETNA)進行數據處理，預處理包括頭動校正、空間標準化處理(應用受試者T1結構像為模板)、平滑處理，并進行信號的濾波，采用(0.01~0.1 Hz)的信號以減少其他頻率信號的干擾。對預處理后的rfMRI數據進行圖論分析，得到小世界整體的屬性和一系列小世界節點的屬性。腦區的分區研究采用自動解剖模板(automated anatomical labeling, AAL)對90個腦區進行研究，左右半球各有45個分區。判斷全腦小世界屬性的存在以及計算全腦小世界屬性和ALL模板的90個腦區的節點屬性，分別做上述全腦小世界屬性及AAL模板的90個腦區的節點屬性與Gesell發育量表及人口學數據的相關性分析。
1.5 統計學方法
采用SPSS18.0軟件包進行統計學分析，各參量間的相關性用Pearson相關性分析，以P < 0.05為具有統計學意義。
2 結果
通過對納入本研究幼兒的rfMRI數據進行分析，根據判斷小世界的原則分析明確每位受試者是否具有小世界屬性；根據小世界的計算公式以這些區域作為節點，計算其得到節點的屬性介數(betweeness)、度(degree)、效率(efficiency)、節點聚集系數(anoda cluster coefficient, anodalCp)、節點最短路徑(node shortest path length, nlp)及小世界的屬性平均聚集系數(average cluster coefficient, aCp)、平均最短路徑(average shortest path length，aLp)、aGamma(聚集系數相關函數Cprand / aCp)、aLambda(最短路徑相關函數Lprand / aLp)，按照公式aGamma＝Cprand/aCp > 1和aLambda＝Lprand/aLp≈1，σ=γ/λ > 1(γ=聚集系數Cp/Cprand > 1 and λ=最短路徑Lp/Lprand≈1, σ=γ/λ > 1)，我們得出所有12例幼兒均符合小世界網絡的性質，并做出所有幼兒神經網絡的鄰接矩陣圖，如圖 1所示。
圖1
兩個納入研究的幼兒神經網絡矩陣的示意圖
Figure1.
Diagram of two children's neural network matrix
2.1 分析幼兒小世界神經網絡節點屬性與Gesell發育量表的相關性
按照AAL模板90個腦區進行分析，并列出主要的相關性腦區，如表 1~5及圖 2~6所示。
表1
不同腦區節點介數與Gesell發育量表評分參數的相關性
Table1.
Betweeness in different brain regions correlation with intelligence scale parameters
圖2
介數相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure2.
Hot-spot areas of betweeness related with gesell and the correlation between a hot-spot with related scale
表2
度與Gesell發育量表評分參數的相關性
Table2.
Degree correlation with intelligence scale brain regions
圖3
度相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure3.
Hot-spot areas of degree related with gesell and the correlation between a hot-spot with related scale
表3
效率與Gesell發育量表評分參數的相關性
Table3.
Efficiency correlation with intelligence scale brain regions
圖4
效率相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure4.
Hot-spot areas of Efficiency related with gesell and the correlation between a hot-spot with related scale
表4
anodalCp與Gesell發育量表評分參數的相關性
Table4.
AnodalCp correlation with intelligence scale brain regions
圖5
anodalCp相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure5.
Hot-spot areas of anodalCp related with gesell and the correlation between a hot-spot with related scale
表5
nlp與Gesell發育量表評分參數的相關性
Table5.
Correlation of nlp with intelligence scale brain regions
圖6
nlp相關熱點腦區及一個熱點腦區與量表參數相關性散點圖
Figure6.
Hot-spot areas of nlp related with gesell and the correlation between a hot-spot with related scale
通過整理發現，諸多小世界參數與Gesell發育量表參數有很多的相關性，介數主要集中于丘腦、額上回及枕葉，大部分呈負相關；度主要集中于杏仁核、額上回、頂下回，大部分呈正相關；效率集中于額下回、頂下回、島葉，大部分呈正相關；anodalCp集中于額葉、頂下回、中央旁小葉呈正相關；nlp集中于額葉、頂下回、島葉呈負相關；左、右腦相關性腦區分布不同。
2.2 分析小世界整體屬性與Gesell發育量表參數的相關性
通過整理發現小世界整體屬性與Gesell發育量表參數并無相關性，如表 6所示。
表6
小世界整體屬性與Gesell發育量表的相關性
Table6.
Correlation of the whole brain parameters of small world with intelligence scale
2.3 全腦90個腦區節點屬性與納入幼兒的人口學指標相關性分析
通過分析整理發現全腦90個腦區小世界節點屬性與年齡、身高、體重、頭圍、出生體重在諸多腦區有相關，其中左腦的相關性腦區數量明顯多于右腦，具體如下：
(1)度與年齡相關者有7個腦區，均呈負相關，左腦5個腦區，右腦2個腦區；與身高相關者有9個腦區，呈負相關，左腦6個腦區，右腦3個腦區；與體重相關者2個腦區，呈正相關，左、右腦各1個；與頭圍相關者4個腦區，3個呈負相關，1個呈正相關，1個位于左腦(負相關)，3個位于右腦；與出生體重相關者3個腦區，呈正相關，1個位于左腦，2個位于右腦。
(2)效率與年齡相關者為7個腦區，6個呈負相關，1個呈正相關(左腦)；5個位于左腦，2個位于右腦；與身高相關者有10個腦區，均呈負相關，6個位于左腦，4個位于右腦；與體重相關者3個腦區，呈正相關，2個位于左腦，1個位于右腦；與頭圍相關者3個腦區，呈正相關，1個位于左腦，2個位于右腦；與出生體重相關者2個腦區，呈正相關，均位于左腦。
(3)重復出現的相關性熱點腦區多位于顳葉、楔葉、扣帶回、角回、中央旁小葉等區域。
2.4 其他人口學指標與全腦小世界屬性相關性分析
全腦小世界參數aCp、aGamma、aLambda、aLp等僅有aCp、aGamma、aLp三個參數與身高有相關性。如表 7所示。
表7
aCp、aGamma、aLp三個全腦小世界參數與身高的相關性
Table7.
Correlation of aCp, aGamma, aLp whole brain parameters of small world with height
3 討論
近期有諸多學者采用圖論的方法對大腦網絡特征性的拓撲結構進行研究，如本研究所涉及的小世界網絡，該功能構架不僅存在于大腦網絡內，也存在于具有復雜網絡組織架構的社會、經濟及生物領域[1]。在腦內其結構特征是腦區之間的高度局部集中化和全局的整合性，已經被認為貫穿于正常腦發育的整個過程并在不斷地改變修飾，不管是在整個兒童發育期，還是在處于多種病理狀態的患者均被發現具備這樣的網絡[4]，這與納入本研究的處于幼兒期的受試者具有強烈的小世界屬性這一結果一致。應用rfMRI方法非侵入性的研究腦的自發低頻信號，已經被廣泛地應用到發現和度量腦的典型和非典型功能網絡[5]，本研究就是將rfMRI數據通過圖論的方法量化，對量化后的數值結果進行解釋，研究全腦復雜的小世界神經網絡網絡結構。
3.1 全腦小世界屬性及節點屬性相關性腦區整體分布特點
本研究中發現幼兒全腦小世界屬性參數中僅有aCp、aGamma、aLp三個參數與身高有相關性，與其他生理性指標均未見相關性，分析其原因是幼兒全腦的整體工作效率低于局部連接的工作效率。兒童與成人腦的網絡效率有三大不同，一是兒童腦的網絡連接集中于皮層與皮層下，成人則主要位于腦區間；第二是成人腦網絡為有組織的分層次連接，涉及到更多、更長距離的網絡連接；第三是人腦網絡的發育是一個短距離功能連接的減弱和長距離功能連接的增強過程[6]，即腦功能連接發展順序是由兒童時優勢發展局部近距離功能連接到青年時期發展穿越長距離皮層的功能連接，功能連接最終發展為近距離腦區的功能分離、遠距離腦區間的聚合，從而構成不同的子網[2]。該變化特征在本研究中同樣得到驗證，本研究發現與Gesell發育量表參數相關的都是局部腦區的小世界屬性，全腦小世界屬性沒有一個與Gesell發育量表參數產生相關，因此驗證幼兒時期小世界網絡集中發育局部節點連接。
本研究中分析Gesell發育量表參數、生理性參數與小世界參數相關的腦區分布時，發現與身高、體重等生理性因素有相關性的腦區在左腦占有絕對的優勢，而與Gesell發育量表參數等外界及后天發育因素有相關性的腦區在右腦占有優勢，即右腦在發育狀態中受后天的影響更大；全腦的小世界屬性與這些生理指標、外界及后天因素相關性很少，可以說這些因素對全腦的整體小世界屬性尚沒有產生明顯影響。
3.2 分析不同節點的小世界網絡屬性相關腦區具體分布特點
通過幼兒AAL模板中90個腦區全部節點屬性與Gesell發育量表參數及人口學因素的相關性分析，我們發現諸多腦區節點屬性與Gesell發育量表參數存在相關性(如表 1~5所示)，介數與Gesell發育量表參數相關熱點腦區主要集中于丘腦、額上回及枕葉，大部分呈負相關；度主要集中于杏仁核、額上回、頂下回，大部分呈正相關；效率集中于額下回、頂下回、島葉，大部分呈正相關；anodalCp集中于額葉、頂下回、中央旁小葉，呈正相關；nlp集中于額葉、頂下回、島葉，呈負相關；左右腦的相關腦區分布不同。分析其特征，度和效率大部分呈正相關，與已有的研究皮層發育特征結果一致[7]，此發育階段的神經網絡是一個效率不斷增加的過程，節點的度和效率是不斷增加的[8]，同理適用于對anodalCp、nlp這些節點屬性相關性的解釋。度和效率在其他腦區的負相關并不違背大的發展趨勢，這與腦區或腦葉的不平衡發展有關系。我們同時發現節點的小世界網絡屬性與其他人口學指標也有相關性腦區，重復出現的熱點腦區多位于顳葉、楔葉、扣帶回、角回、中央旁小葉等區域。諸多有統計學意義的相關性腦區的存在證明了小世界網絡在這些腦區的功能執行過程中發揮著重要的作用，當幼兒的智力水平及人口學因素發生變化時，會對這些相關性腦區小世界網絡屬性產生影響，或者是兩者存在相互影響。因此我們認為小世界網絡尤其是節點的屬性在幼兒期有很強的可塑性[9]。但對節點的正負相關屬性僅可做初步討論，如上述效率與大動作呈負相關的腦區位于額下回的分析，由于幼兒額葉皮層由厚變薄的發育特征，此時額葉局部網絡連接必然會根據結構的變化進行重組，且額葉為語言發育區域并不能直接反映運動功能，因此效率與大動作的相關性趨勢可能只反映了局部連接的改變，未出現正相關。在分析節點屬性介數的相關性時，發現其與Gesell發育量表參數大部分呈負相關，這可以通過介數的本身定義解釋，介數為一衡量全腦最短路徑通過相應節點水平的參數，其相關性符合前述的兒童網絡發育的特點，即近距離的網絡連接發達，而遠距離的連接尚且在建立[3]。
3.3 小世界神經網絡的屬性、構成條件及意義
小世界網絡是具有高聚集系數(cluster coefficient, Cp)、節點間最短路徑長度(shortest path length, Lp)的網絡。節點指的是解剖元素腦區，邊代表節點之間的關系、皮層或皮層下區節點間的功能連接。節點和它的邊是構建神經網絡的基本要素，可以用這些互相關聯的帶有一組邊的眾多節點模式來描述全腦網絡。圖論這種網絡分析的方法就是通過分析構成腦連接的節點觀察全腦的網絡連接，而且還可以量化腦結構的構成。Cp往往是網絡內所有節點的平均Cp，是度量網絡的一個重要參數，它表示的是整個網絡的集團化程度。Lp為網絡內節點間最短的路徑長度，是用來度量任意兩個節點間的距離或是網絡整體的連接效率，高的路徑效率即是短的距離，代表信息的傳遞變換經過較少的步驟就能完成[10-11]。
綜上，本研究發現小世界節點屬性與幼兒智力水平及人口學因素存在廣泛的相關性，存在相關性的腦區在解剖分布上存在諸多特點，幼兒發育過程中小世界神經網絡會受生理性因素、社會性因素的影響；同時小世界神經網絡會伴隨發育和外界條件的改變進行不斷完善，以便形成一個高效率的、模塊化、成熟的神經網絡。
