輕微型肝性腦病的靜息態功能磁共振成像研究進展

周敏輝 李嘉穎 張華妮 孫志超

肝性腦病是由嚴重肝病引起、以代謝紊亂為基礎的神經精神異常綜合征，包括輕微型肝性腦病（minimal hepatic encephalopathy，MHE）和顯性肝性腦病（overt hepatic encephalopathy，OHE）兩種亞型[1]。MHE 是肝性腦病最早、最輕微的表現形式，僅表現為輕度認知功能障礙，且存在神經心理或神經生理異常，在肝硬化患者中發生率高達80%，大部分MHE 患者會隨著疾病進展發展為OHE[2]，而OHE 在肝硬化患者中累積發生率至少為30%～45%，其相關復發率和死亡率均較高，嚴重威脅患者的生命健康[3]。因此，早期診斷和及時干預MHE 可改善肝病患者的生活質量[4]。

近年來，隨著磁共振技術的不斷發展，功能磁共振成像（functional magnetic resonance imaging，fMRI）成為目前研究人腦功能的重要影像學方法，其中基于血氧水平依賴的功能磁共振成像（blood oxygen level dependent fMRI，BOLD-fMRI）可以將腦組織因代謝產生的Hb 濃度變化以BOLD 信號波動的形式間接反映腦區神經元活動，被應用于檢測肝性腦病患者細微的腦功能變化[5]，尤以靜息態功能磁共振成像（resting-state fMRI，rs-fMRI）應用最普遍，是在沒有任何刺激或特定任務中進行，可研究兩個或多個空間分離區域的時間同步性或相關性，適用于潛在認知缺陷的患者。因此，本文對rs-fMRI 用于MHE 的研究進展作一綜述，主要包括局部功能研究[區域同質性（regional homogeneity，ReHo）、低頻波動振幅（amplitude of low frequency fluctuation，ALFF）]、功能連接研究[獨立成分分析（independent component analysis,ICA）、基于種子的功能連接分析]、全腦功能網絡分析和人工智能（artificial intelligence，AI）應用。

1 ReHo

ReHo 是基于大腦區域內每個體素的活動均具有與臨近體素相似的時間特性（即局部同步）的假設，反映內在腦活動的相似性或一致性[6]。既往研究表明，MHE 患者相關腦區ReHo 改變主要分布在神經-精神智能和小腦-額葉神經環路的相關區域，且與神經測試得分相關[6-9]。Chen 等[7]首先使用fMRI 分析了MHE的肝硬化患者區域腦活動的同質性，結果發現與健康對照組比較，MHE 患者存在楔葉、鄰近楔前葉和左側頂葉的ReHo 顯著降低，而左側海馬旁回、右側小腦蚓部和雙側小腦前葉的ReHo 升高。Lv 等[8]發現MHE 患者前額葉皮層ReHo 升高，視覺、運動關聯區和雙側楔前葉ReHo 減低。Sun 等[9]認為MHE 患者視覺網絡（visual network，VN）中的右側梭狀、感覺運動網絡（sensorimotor network，SMN）中的右中央后回、背側注意網絡（dorsal attention network，DAN）中的右側額葉和額頂葉控制網絡的ReHo 明顯升高，而丘腦區域ReHo 減低，且與肝性腦病神經心理量表評分呈正相關。這些研究表明，MHE 患者存在多個腦區的局部活動異常，如認知功能、視覺處理、運動、注意力、記憶和情緒調控等，但大腦額葉為MHE 患者ReHo 變化的主要腦區，額葉作為神經-精神智能腦區的重要組成部分，是引起患者認知功能障礙的主要因素，在疾病進展中也發揮著重要作用。

有研究基于不同子頻段的rs-fMRI，發現能提高ReHo 對肝性腦病嚴重程度分級的精準度，如Zhang等[10]發現在slow-4（0.027～0.073 Hz）頻段與肝性腦病患者的神經心理表現和血氨水平的相關性最高，且獲得了相對更好的分類精度。這項研究結果擴展了對肝硬化患者靜息狀態下大腦ReHo 模式改變的了解，在特定頻段獲得的肝硬化患者大腦改變具有重要臨床意義，但相關研究目前僅限于有無肝性腦病，尚未在MHE 上進行研究，仍需進一步探索。ReHo 指標能反映大腦局部區域功能的一致性和連通性的變化，具有很高的重測信度，是反映MHE 神經心理學改變以及局部腦區活動異常的潛在生物標志物。但不足之處在于無法檢測出遠程區域之間的大腦活動同步信息以及某個腦區的活動強度。

2 ALFF

ALFF 通過檢測低頻（0.01～0.08 Hz）波動變化來測量局部或整個大腦活動強弱，即ALFF 值減低，則提示相應腦區的自發性活動減低。MHE 患者主要在視覺空間功能、注意力、認知控制及空間工作記憶等相關大腦區域存在異常的自發性腦活動[11-15]。如Qi 等[11]采用ALFF 對不同程度肝性腦病患者及肝硬化患者進行腦活動分析，發現MHE 患者存在自發性腦活動異常，還發現默認模式網絡（default mode network，DMN）區域的ALFF 減少和后島葉皮質的ALFF 增加與肝性腦病的嚴重程度相關。隨著研究的不斷深入，許多學者開始探索更穩定的ALFF，如分數ALFF（fraction ALFF，fALFF）和動態ALFF（dynamic ALFF，dALFF）。

fALFF 是指低頻范圍（0.01～0.08 Hz）每個頻率的功率與整個頻率范圍（0～0.25 Hz）的功率比值，不僅能有效地去除生理噪聲，而且還提高了靈敏度和特異度，Zhong 等[13]認為楔前葉及內側前額葉皮層的ALFF及fALFF 的改變均可作為MHE 診斷的潛在生物標志物。目前研究最多的ALFF 均為靜態ALFF（static ALFF，sALFF），認為fMRI 掃描期間大腦的BOLD 信號是靜止不變的。然而，近期研究中發現人類大腦活動很有可能是時間依賴和動態變化的[14-15]。結合滑動窗技術的動態ALFF（dynamic ALFF，dALFF）分析方法，將整個時間序列細分為多個切片，并將每個切片中的ALFF 量化，可以有效捕捉腦瞬時活動模式的改變。Guo 等[14]發現MHE 患者存在局部異常的動態大腦功能改變，與神經認知功能障礙和疾病進展相關，且雙側楔前葉/后扣帶回的dALFF 變異性指數在識別MHE 患者中具有中等效能（AUC=0.712）。Ji 等[15]使用dALFF和sALFF 來分析有無MHE 的肝硬化患者腦波動特征，發現兩者聯合的分類效能準確度最高。dALFF 為分析MHE 患者認知功能障礙背后的神經生物學基礎提供了新角度。

除了單獨分析ALFF 變化，還有學者將ALFF 與質子磁共振波譜相結合，以進一步探索MHE 患者腦內的代謝活動和腦功能偶聯之間的聯系，如Lu 等[16]發現MHE 肝硬化患者后扣帶回的ALFF 和膽堿（chlorine，Cho）/肌酸（creatine，Cr）呈負相關。Chen 等[17]也發現丘腦的Cho/Cr 和肌醇（myo-inositol，mI）與特定頻段的局部ALFF 呈正相關。上述研究結果證實了局部神經元的異常活動存在相應的代謝基礎，可將多種fMRI 序列相結合深入探究MHE 的神經病理學改變。ALFF、fALFF 和dALFF 揭示了區域的自發大腦活動靜態和動態的信號強度，從能量角度反映大腦中各體素活動水平的高低。但也存在不足之處，ALFF 易受對腦活動無關生理噪聲的影響，fALFF 對于群體和個體之間的差異敏感度低于ALFF，dALFF 分析結果準確性易受生理噪聲和滑動窗口大小的影響。

3 ICA

ICA 是一種基于盲源分離的數據驅動技術，從BOLD 信號中分離出一組空間獨立的成分，關注每個獨立成分（網絡）內的綜合相關性。基于種子的分析可以發現種子區域和整個大腦體素之間的單一相互作用，以及大腦中多個不同網絡的體素到體素間的同時相互作用。DMN、VN、SMN、認知控制網絡（cognitive control network，CCN）、聽覺網絡（auditory network，AN）、顯著網絡（salience network，SN）、中央執行網絡（central executive network，CEN）、皮層下網絡（subcortical network，SCN）、腹側注意網絡（ventral attention network，VAN）、顳葉網絡（temporal lobe network，TLN）在MHE 患者中出現異常的功能連接改變[18-22]。

DMN 是目前最常用和最重要的靜息態網絡，其涉及楔前葉、后扣帶回、外側頂葉區和內側前額葉皮層的區域系統[23]，主要參與維護靜息態下大腦的基本活動，如自我意識的調節與控制、情景的加工與記憶以及對外界環境和信息的整合、評價等腦功能活動，在休息期間具有較高的代謝活性[24-26]。多項研究表明MHE 患者會出現DMN 網絡的功能連接下降，且隨著疾病進展會出現功能連接逐漸減少的趨勢[18-19,25]。例如，Chen 等[25]發現大腦DMN 網絡與認知功能障礙密切相關，在MHE 患者中楔前葉、后扣帶皮層和左額內側回這兩個重要區域會出現功能連接明顯下降。除DMN 之外，Bajaj 等[27]認為改善CCN 和VN 之間的聯系將增強MHE 患者的工作記憶、心理運動速度和視覺運動協調性。Chen 等[28]認為SN、DMN 和CEN 之間的異常功能耦合是MHE 的核心特征。部分研究深入探索發現MHE 患者的DMN 內還存在異常的動態腦功能網絡連接（dynamic functional network connectivity，dFNC）[26]。dFNC 是基于大腦活動的時變特性來識別不同網絡之間的動態功能交互，提供了不同狀態下的腦功能連接信息。Jiang 等[29]發現MHE 肝硬化患者存在dFNC 減少，涉及DMN 和CCN、SMN 和SCN 之間的連接。Lin等[30]發現CCN 和VN 的dFNC 在MHE 患者中會出現顯著降低。這些研究表明，改變腦網絡之間的連通性可能是未來改善MHE 的潛在方向，動態腦功能連接可能是未來監測MHE 發展的重要輔助工具。

ICA 通過將整個研究參與者的數據集暫時連接或連接到單個大數據集，可以在一組研究參與者中實施單個ICA，也可以用于進行群體水平的分析。但群組ICA（group ICA，GICA）算法在rs-fMRI 中存在變異性和不穩定性。而近來新提出的穩定ICA 算法（subject order independent GICA，SOI-GICA）較好地解決了GICA 存在的不足。ICA 描述了隱藏成分或網絡的時間和空間特征，盡管對源信號的處理不需要先檢驗，但研究者需要憑借經驗從噪聲中識別ICA 的網絡成分，而且對獨立信號個數的確定比較困難。此外，ICA 不能測量大腦區域之間的聯合強度，也不能同時檢查多個網絡。

4 基于種子的功能連接

基于種子的功能連接分析主要是研究特定腦區或全腦的功能連接變化，確定預先選擇的種子或感興趣區域（region of interest，ROI）與全腦體素之間的時間相關性。目前，已有大量研究對MHE 患者的丘腦、后扣帶回皮層、前扣帶回皮層、基地神經節、紋狀體、海馬以及形成DMN 的關鍵腦區的功能連接變化進行了分析[31-35]，均是通過預選擇一個或一組ROI 進行功能連接分析，發現MHE 患者會出現功能連接顯著減弱。ROI 不僅可以設定為特定的大腦網絡或結構，還可以覆蓋整個大腦。Zhang 等[36]通過在全腦水平上分析MHE 患者的ROI 功能連接變化，發現MHE 患者會出現廣泛的皮質和皮質下網絡功能連接改變，且與健康對照組相比存在ROI 功能連接減弱，并提出基底神經節-丘腦-皮層回路的異常可能與MHE 患者精神運動速度和注意力缺陷等認知功能障礙相關。

體素鏡像同位連接性（voxel-mirrored homotopic connectivity，VMHC）是一種以大腦半球為種子，測量對稱半球間體素之間功能連接改變的方法，可對靜息狀態下雙側大腦半球相同腦區等位體素功能連接的強度進行量化評價，通過評價雙側大腦半球之間的協調性，間接反映認知、感覺和行為等特征的改變。Chen等[37]采用VMHC 與彌散張量成像（diffusion tensor imaging，DTI）相結合的研究方法分析了大腦半球之間的相互作用，發現MHE 患者額內側回、額上灰、前扣帶回、頂下小葉、中央后回、舌回和枕中回區域的VMHC 降低，且胼胝體區的各向異性分數（fraction alanistrophy，FA）值降低和平均彌散率（mean diffusivity，MD）值升高，表明存在半球間協調異常，且前扣帶回/額內側回的VMHC 與胼胝體白質結構損傷相關。基于胼胝體作為連接兩大腦半球皮質區域的最大白質結構，Ye 等[38]對胼胝體進行更深入的探討，發現MHE患者存在大腦半球間VMHC 連接障礙和胼胝體體積減少（以中后部為著），且隨著疾病進展逐漸受損，同時聯合VMHC 和胼胝體體積對區分無肝性腦病和MHE 的肝硬化患者方面具有更高的鑒別價值。以上研究表明，在大腦半球連接分離的特定模式下兩大腦半球間的溝通和協調功能與疾病進展及病理生理狀況有關。

基于種子點的分析簡單且易于解釋，目前已經發展成為了功能連接分析的主要技術手段，種子點的選取是這類研究的重點。雖然依賴于預選擇種子點且不能用于分析大量節點，但在全腦水平上分析在一定程度上避免了ROI 的選擇偏差。對于不同腦區的有向腦網絡或者網絡信息因果關系的探索，基于種子點的分析具有能夠和先驗假設配合的優勢，相比于其他方法在探究動態變化和因果關系的研究中具有更廣闊的前景。

5 全腦網絡分析

全腦功能網絡分析是基于圖論、無偏見和無先驗假設的，通過將整個大腦建模為一個網絡來進行功能性的連接體分析，已經成為研究MHE 一種常用方法。目前，功能連接密度（functional connectivity density，FCD）被許多學者用于MHE 診斷[39-42]。FCD 是基于體素水平的全腦功能網絡分析，其通過測量全腦中一個體素與其他體素之間的內在聯系，反映整個大腦體素之間的連接數量。此外，FCD 可以根據不同大腦體素之間的相鄰關系來區分短距離和長距離的FCD 對象[39-40]。Cai 等[41]通過測量動態FCD 的一致性來評價腦網絡的功能穩定性，發現MHE 患者在右側緣上回、右側中扣帶皮層、左側額上回和雙側后扣帶皮層上的功能連接減少，而在左側枕中回和右側顳極上的功能連接增加，這些腦區均與認知功能相關（如注意力、記憶和視覺功能），表明腦網絡功能穩定性改變可能是MHE 患者認知障礙的神經病理學基礎。

基于圖論的方法常用于全腦網絡的功能連接組分析，包括小世界屬性、聚類系數、網絡效率、節點效率、模塊化等，MHE 患者功能性全腦網絡的拓撲組織往往更隨機、更少集群和更少模塊化[42-44]。人腦解剖和功能網絡具有有效的小世界性質，Zhang 等[43]研究發現MHE 患者會出現大腦功能連接中斷、小世界屬性丟失，以及在疾病發展過程中發生腦網絡重組，特別是基底神經節-丘腦皮層回路的紊亂。全腦功能網絡分析中的另一種非參數統計方法是“基于網絡的統計”（network-based statistic，NBS），能更敏感地識別連接組件（子網絡）之間的差異，對全腦網絡連接進行更高維度的分析。Zhan 等[45]在全腦功能連接組水平進行NBS 分析并識別與MHE 相關的功能連接變化，發現MHE 患者在涉及DMN 網絡區域的子網絡中出現功能連接顯著減少，且DMN 與體感網絡和語言網絡相關區域之間的連接性也明顯減少。NBS 作為一種在全腦連通性分析過程中處理多重比較的有效統計方法，但閾值選擇的隨意性會影響研究結果的穩定性和可靠性。

全腦功能網絡分析與局部功能研究相比，具有多維度探索MHE 的神經病理學機制和功能網絡重組關系的優勢。FCD 是一種快速且無偏見的方法，不依賴于種子區域的先驗選擇。它能夠高效地識別功能連接密集的區域，但不足之處在于FCD 分析中預處理參數的選擇會對研究結果產生一定的影響。

6 AI 的應用

隨著計算機技術的迅速發展，AI 被廣泛用于疾病的發生、發展和預后預測等方面，是一種新興的統計分析方法，能夠對大數據進行深度挖掘與分析，包括機器學習和深度學習[6,12,15,20,46-48]。機器學習算法包括常規算法（邏輯回歸、貝葉斯、決策樹和支持向量機等）和集成算法（隨機森林、XGBoost 和極限樹等）。目前越來越多的研究將機器學習算法應用到肝性腦病領域并獲得良好的診斷與預測結果，但與rs-fMRI 相結合來探索MHE 的研究尚處于初步階段。其中支持向量機（support vector machine，SVM）是機器學習最典型的算法，是一種具有高分類精度的分類器，適用于具有小樣本量和高維度的rs-fMRI 數據。

Chen 等[6]通過SVM 方法探索大腦內在活動的局部同質性，發現該模型在識別MHE 肝硬化患者上具有良好的診斷效能，其準確度、靈敏度和特異度分別為0.829、0.813 和0.842。Jiao 等[20]采用SVM、決策樹（C4.5、CART）、邏輯回歸和貝葉斯5 種機器學習算法來探索DMN 內異常功能整合與臨床變量之間的關聯以區分MHE 和健康人群，發現貝葉斯算法較其他算法具有更高的分類準確度（98%）。Cheng 等[48]通過結合SVM 及大腦連接的時變特性，發現功能連接的3 個動態特征（強度、穩定性和變異性）在診斷MHE 上具有更高的判別精度。AI 與rs-fMRI 相結合不僅能夠使腦磁共振成像信息作為輸入數據來識別肝硬化患者是否患有MHE，還能夠間接評估大腦靜態和動態的大腦功能連接變化[48]，提高了傳統rs-fMRI 分析的準確度和特異度，也彌補了目前rs-fMRI 研究中存在的一些不足，比如人為數據處理耗時、易產生偏倚和圖像分辨率低等。深度學習方法是AI 的另一個分支，相對于機器學習具有更高的大數據學習能力，但目前應用于rs-fMRI和MHE 的研究甚少，可能是未來研究MHE 精準診斷和監測的有效的影像生物學標志物。

7 展望

rs-fMRI 作為一種無創性的影像學檢查技術，在顯示腦形態學結構的同時，能更好地反映腦功能連接、局部大腦活動變化和全腦網絡的拓撲特征，目前已被廣泛應用于臨床研究。rs-fMRI 為MHE 的早期診斷及疾病進展監測起到了積極作用，隨著近年來研究的深入，實現了單個大腦網絡、大規模腦網絡到全腦拓展，由靜態到功態功能連接的突破，來挖掘大腦網絡的動力學、穩健性和相互作用。但隨著大數據和精準醫療的驅動下，神經影像的多模態聯合分析以及與AI 相結合的跨學科研究，為未來探索MHE 的病生理機制、診斷、預測和病情監測提供了一條新的研究途徑。