היישום של גריינג'ר ניתוח סיבתיות של חיבור פונקציונלי מכוונת מחלת אלצהיימר, ליקוי קוגנטיבי מתון

בהתבסס על מצב נח הדמיית תהודה מגנטית תפקודית עם ניתוח סיבתיות גריינג'ר, חקרנו את השינוי בקישוריות פונקציונלי מכוונת בין בקליפת cingulate האחורי ואת כל המוח בחולים עם מחלת אלצהיימר (AD), בחולים עם ליקוי קוגנטיבי מתון (MCI) ופקדים בריא.

קישוריות מליקוי תפקודי ב רשת מצב ברירת המחדל (DMN) עשויים להיות מעורבים את ההתקדמות של מחלת אלצהיימר (AD). בקליפת Cingulate האחורי (PCC) הוא סמן ההדמיה פוטנציאליים לפיקוח ההתקדמות של המודעה. מחקרים קודמים לא התמקד קישוריות פונקציונלי בין צמתים באזורים בחוץ לעזאזל עם PCC, אבל המחקר שלנו הוא מאמץ כדי לחקור את הקשרים פונקציונלי תסולא בפז. עבור איסוף נתונים, השתמשנו דימות תהודה מגנטי תפקודי (fMRI), ניתוח סיבתיות גריינג'ר (GCA). fMRI מספק שיטה לא פולשנית ללמוד את האינטראקציות דינמי בין אזורי מוח שונים. GCA הוא מבחן השערות לקביעת אם סדרת חד פעמי הוא שימושי חיזוי נוסף. במילים פשוטות, זה נאמד על ידי השוואת מוכרות כל מידע על רגע האחרון, התפלגות ההסתברות של X בזמן הזה", מוכרות כל מידע על רגע האחרון למעט Y, התפלגות ההסתברות של X בזמן הזה", כדי לקבוע אם קיים קשר סיבתי בין Y ל- X. הגדרה זו מבוססת על מידע מלא המקור, נייח רצף כרונולוגי. השלב העיקרי של ניתוח זה הוא להשתמש X ו- Y כדי לבסס את נוסחת הרגרסיה וצייר קשר סיבתי על ידי מבחן היפותטי. מאז GCA יכול למדוד תופעות סיבתי, השתמשנו בו כדי לחקור את. בנוגע למקורו של קישוריות פונקציונלי ולחקור את תפקוד רכזת PCC. . הנה, הוקרנו המשתתפים 116 עבור סריקות MRI, לאחר preprocessing את הנתונים המתקבלים דימות מוחי, השתמשנו GCA להפיק את הקשר הסיבתי של כל צומת. לבסוף, הגענו למסקנה כי החיבור מכוונת הוא שונה באופן מהותי בין הקבוצות ליקוי קוגנטיבי מתון (MCI) ו- AD, מן PCC למוח שלם ומן למוח PCC שלם.

המודעה היא מחלה ניוונית של מערכת העצבים המרכזית אשר ניתן לאבחן באמצעות histopathology, אלקטרופיזיולוגיה, דימות מוחי¹. לעזאזל עם הקשורות לזיכרון היא מערכת חיוני של האזורים במוח שמעצבת הקשורים לספירה, תפקידה לא תקין הוא מאפיין של המודעה^2,3. PCC אזור חשוב של הרשת מסורתי המוגדר כברירת מחדל במצב מנוחה, משחק תפקיד מרכזי זיכרון אפיזודי, בקשב המרחבי, הערכה עצמית, אחרים תפקודים קוגניטיביים^4,5,6,7. בנוסף, ייתכן סמן ההדמיה למעקב אחר התקדמות לספירה. . Liao et al. , בעזרת GCA, נמצא כי PCC, אזור cytoarchitectonics מרובים עם חיבורים מרובים, ממלא תפקיד חשוב ב- מבנה מוח תפקודי⁸. Zhong. ואח דיווחו כי PCC מרכז התכנסות שקיבלו אינטראקציות מרוב של אזורים אחרים בתוך לעזאזל עם³. יתר על כן, מיאו. et al. הוכיח כי לעזאזל עם רכזת אזורים, PCC יש הקשר הסיבתי אפקט הכי טוב עם צמתים אחרים⁹. ביחד, כל הראיות עולה כי החיבור בבימויו של PCC יקר במחקר לספירה PCC צריך להיות רחוק חקר מעמיק כמו אזור חיוני לעזאזל.

המחקרים הקודמים הוגבלו למקום הקישוריות בין PCC ואזורים אחרים בתוך DMN; עם זאת, השינויים מכוונת פונקציונלי קישוריות בין האזורים PCC והמוח בחוץ את DMN, כמו גם והשפעתם על המודעה טרם אושרו בחנו¹⁰. המחקר שלנו חקר נוסף זה קישוריות פונקציונלי נחקרו ב מנגנון בריא נורמלי, חולים עם MCI, וחולים עם AD. על ידי התבוננות מכוונת קישוריות בין כל המוח אזורים PCC, אנחנו נועדו להבהיר את השינויים פונקציונליים במוח הקשורים לספירה התקדמות, ובכך ליצור בסיס הרומן אובייקטיבית להערכת חומרת המחלה.

קישוריות פונקציונלי מתייחס אינטראקציה interregional זה יכול להיות מיוצג על-ידי תנודות בתדר נמוך סינכרונית (LFFs) בתוך האות מוחי fMRI דם חמצן ברמה התלויים (מודגש). לכן, על מנת להתבונן קישוריות פונקציונלי בין PCC באזורים אחרים במוח, ניתחנו את קישוריות פונקציונלי בין PCC הרשת כל המוח באמצעות fMRI בעזרת GCA, PCC כמו האזור של הריבית (ROI). טכניקה זו נובע ישירות את הקשר הבסיסי של כל צומת שימוש בנתונים המתקבלים דימות מוחי¹¹. לאחרונה הוחל GCA העוויתיים (EEG), מחקרי fMRI כדי לחשוף את ההשפעות סיבתי בין אזורי המוח¹². כל המחקרים הללו ציינו כי הטכניקה GCA עשוי להיות אופטימלית עבור גילוי הקשר הסיבתי של כל צומת במוח.

This study was approved by the Ethics Committee of Zhejiang Provincial People's Hospital. Every enrolled subject signed a written informed consent.

1. Sample Classification and Screening

1. Diagnose and divide 116 patients into AD and MCI groups.
   NOTE: Use the 2011 National Institute of Neurological and Communicative Disorders and Stroke and the Alzheimer's Disease and Related Disorders Association (NINCDS-ADRDA) diagnostic criteria and the Mini-Mental State Examination (MMSE) criteria for identification and classification of MCI, which is described in detail in Yu et al.¹⁰
2. Select participants in the healthy control group.
   NOTE: The age, gender, and education level of the control group were matched with patients in the MCI and AD groups.
3. Assess all subjects by MMSE¹⁰.
4. Exclude the subjects who did not fulfill the inclusion criteria. For all subjects, the exclusion criteria are mentioned in Yu et al.¹⁰
5. Use MRI to scan subjects; exclude subjects with unusable data due to head movements.
   NOTE: Ultimately, we screened 26 patients with MCI, 32 patients with AD, and 58 controls.

2. Acquisition of Neuroimaging

1. Remove metal and magnetic objects before entering the 3.0 T MRI Laboratory.
2. Install an MRI receiving coil at the magnetic resonance scanning bed. The receiving coil is an 8 channel circularly polarized brain phased-array coil.
3. Instruct the participant to lie on the bed, and to remain supine with the head advanced and the long axis of the body along the long axis of the bed. Place the participant's head on the bracket of the coil, and make sure that the orbitomeatal line is perpendicular to bed.
4. Tell the participant to place the upper limbs to the sides of the body, keep eyes closed, not think of anything in particular, and move as little as possible during the scan. Place foam pads on the head in the bilateral temporal area to prevent head movement and provide headphones to reduce scanner noise for the participant.
   NOTE: Dimensions of the foam pad are: long diameter = 13 cm, short diameter = 10 cm, the thickest thickness = 7 cm, the thinnest thickness = 3 cm, average thickness = 5 cm.
5. Adjust the position of the head through the positioning light so that the sagittal positioning cursor is in the midline of the face, and the axis positioning cursor is parallel to the lateral canthus. Then move the bed to keep the axis positioning cursor on the eyebrows or 2 cm below it.
6. Move the head to the center of the magnet. Perform an fMRI brain scan, including gradient Echo-Planar Imaging (EPI-BOLD) and 3D-T1-MPRAGE imaging.
   NOTE: Use the following parameters:
   EPI-BOLD: TR/TE = 2,000/30 ms, layer thickness/layer pitch = 3.2/0.8 mm, 31 slices, matrix = 64 x 64, FOV = 220 x 220 mm, voxel size = 3 x 3 x 4 mm, flip angle = 90 °, scanning time of 484 s, and a total of 240 scanning images.
   3D-T1-MPRAGE imaging: TR/TE = 8.5/3.2 ms, flip angle = 15 °, field of view = 250 x 250 mm, matrix = 256 x 256, slice number = 176, slice thickness/gap = 1/0 mm, scanning time of 353 s, and a total of 192 scanning images.
7. Keep the patient safe when they are leaving the bed at the end of the scan.

3. Data Preprocessing

NOTE: Analyze the raw data for resting-state brain functions by using the Resting-State fMRI (rs-fMRI) Data Analysis Toolkit plus (RESTplus).

1. Open RESTplus through MATLAB and left click on Pipeline.
2. Import the relevant files into RESTplus. Select the work directory and then the starting EPI and T1 directories.
3. Convert DICOM files to NIFTI. Check off the DICOM to NIFTI box in preprocessing and check off the EPI DICOM to NIFTU and the T1 DICOM to NIFTI parameters.
4. Remove the first 10 time points by checking off the Remove first n time points and setting the n parameter as 10.
5. Set the slice timing according to rs-fMRI parameters. Check off the Slice timing box. Set the slice number according to the rs-fMRI parameters of the study. Enter the slice order.
   NOTE: The acquisition of data of each layer in the brain scan is not at the same time point, and thus, it needs to be calibrated to the same time point.
6. Correct the time and head motion. Check off Realign.
   NOTE: The exclusion criterion for excessive head motion was >2.0 mm translation or >2.0 ° rotation in any direction. In the RESTplus this is a default parameter (left click on the option of 'Realign').
7. Perform spatial normalization by using T1 image unified segmentation and all heads standardized to the same space. Check off Normalize and leave the default parameters at the bottom. Select the Normalize by using T1 image unified segmentation and European parameters.
   NOTE: Resample the rs-fMRI images with voxels of 3 × 3 × 3 mm, and other parameters in the RESTplus are default, just left click on the option of 'Normalize by using T1 image unified segmentation'.
8. Perform spatial smoothing using an isotropic Gaussian kernel with a full-width at half maximum (FWHM) of 6 mm. Check off Smooth.
9. Remove the linear trend by checking off Detrend.
10. Regress out signals from nuisance regressors (WM, CSF, Global) to increase signal-to-noise ratio. Check off Nuisance covariates regression and the following parameters: 6 head motion parameters, global mean signal, white matter signal, and cerebrospinal fluid signal.
    NOTE: During this step, set the 'Polynomial trend' as 1 as default, and choose the '6 head motion parameters', the 'Nuisance regressors (WM, CSF, Global)' and the 'add mean back' as default.
11. Use band-pass filtering to retain signals between 0.01 - 0.08 Hz. Remove high-frequency physiological noise, and low-frequency drift. Check off Filter.

4. Directed Connectivity Analysis

NOTE: Perform GCA combined with the BOLD signals for each voxel in the whole brain after extracting the average BOLD signal intensity in the seed area.

1. Perform the voxel-wise GCA by using the REST-GCA in the REST toolbox. In the post-processing box, check off GCA.
2. Set the 'order' as 1 as default. Select the parameters in the input.
3. Define ROI and identify seed points of interest in the PCC. Select Define ROI and choose the Spherical ROI. Select Next. Set the center coordinates and radius of the seed ROI based on the known data and select OK.
   NOTE: An ROI for the DMN was placed at the PCC (centering at x = 0, y = -53, z = 26 with radius = 6 mm), as in a previous study¹³.
4. Select Run and OK to run the program.
5. Find folders named ZGCA and GCA after processing of relevant file data. Sort out the files of ZGCA and classify them into four subfolders, xx, xy, yx, yy accordingly.
   NOTE: Later, mainly use the xy and yx subfolders. The three sets of file data ('AD' 'MCI' 'NC') are all processed and sorted according to steps 3.1 - 4.5 above.
6. Open RESTplus through MATLAB and left click on Statistical Analysis. Left click on REST Two-Sample T-Test.
7. Name the output result as T1xy and set the output directory. Left click on Add Group Images to open the xy subfolder in the AD Results folder and the xy subfolder in the NC Results folder.
8. In the option of Mask File, left click to open the BrainMask_05_61*73*61 subfile in the 'mask' folder.
9. Select Compute to run the program.
10. Name the output result as T2xy and set the output directory. Left click on Add Group Images to open the xy subfolder in the AD Results folder and the xy subfolder in the MCI Results folder. Repeat steps 4.8 - 4.9.
11. Name the output result as T3xy and set the output directory. Left click on Add Group Images to open the xy subfolder in the MCI Results folder and the xy subfolder in the NC Results folder. Repeat steps 4.8 - 4.9.
12. Name the output result as T1yx and set the output directory. Left click on Add Group Images to open the yx subfolder in the AD Results folder and the yx subfolder in the NC Results folder. Repeat steps 4.8 - 4.9.
13. Name the output result as T2yx and set the output directory. Left click on Add Group Images to open the yx subfolder in the AD Results folder and the yx subfolder in the MCI Results folder. Repeat steps 4.8 - 4.9.
14. Name the output result as T3yx and set the output directory. Left click on Add Group Images to open the yx subfolder in the MCI Results folder and the yx subfolder in the NC Results folder. Repeat steps 4.8 - 4.9.
15. Finally, obtain the six result files by following steps 4.6 - 4.14 and left click on viewer of RESTplus to view the result. Import the template named ch2 in Underlay.
16. Find the six result files in the output directory and fill in the Overlay one by one. Obtain the final result graph, and the six result files that correspond to the six graphs.
17. Use Statistical Product and Service Solutions (SPSS) to process the data obtained from the previous step.
    1. Present Continuous variables as means and Standard Deviations (SD).
    2. Present categorical variables as numbers and percentages, then use the chi-square test.
       NOTE: All p-values of <0.05 were considered statistically significant.

Demographic information

Table 1 presents the characteristics of the subjects. All the subjects had an education level of junior school or above. Age, gender, and education level were similar between the three groups (P >0.05), while the MMSE scores were significantly different (p <0.01).

Directed brain functional connectivity

The active nodes in the whole brain were first identified. Using the GCA technology, the directed functional connectivity from the PCC to the whole brain and from the whole brain to the PCC in the AD, MCI, and control groups were determined (Figure 1, Figure 2; Tables 2, 3).

The directed connectivity from the whole brain to the PCC was enhanced in the AD group as compared to the normal control group, and primarily focused in the bilateral cerebellar region outside the DMN. The directed connectivity from the PCC to the whole brain was significantly reduced in the AD group as compared to the controls, with the main regions, such as the right precuneus and left middle frontal gyrus, belonging to the DMN.

The directed functional connectivity from the PCC to the whole brain in the bilateral precuneus and postcentral gyrus regions showed a significantly enhanced causal effect in the MCI group as compared to the controls. The directed functional connectivity from the whole brain to the PCC was not significantly enhanced in the MCI group compared to the controls; however, it was significantly reduced in the regions outside the DMN including the caudate nucleus, putamen, and parietal lobule.

The directed connections were significantly different between the MCI and AD groups, both from the PCC to the whole brain and from the whole brain to the PCC. Furthermore, these differences were predominantly observed in the left hemisphere (Tables 2, 3), probably indicating asymmetry. The abnormally directed connectivity in the left hemisphere was primarily located in the DMN. With regard to the differences in the directed connections between the MCI and AD groups, more left hemisphere regions (with a significant causal effect) were involved in the connectivity from the PCC to the whole brain than the regions involved in the connectivity from the whole brain to the PCC.

Table 1: Characteristics of the MCI, AD, and Control Groups.
The characteristics of the subjects: age, gender, and education level were similar between the 3 groups, while the MMSE scores were significantly different.

Table 2: PCC to the Whole Brain.
(a) The directed connection from the PCC to the whole brain: the directed connections were significantly different between the MCI and AD groups, from the PCC to the whole brain. (b) These differences were predominantly observed in the left hemisphere, possibly indicating asymmetry.

Table 3: Whole Brain to the PCC.
(a) The directed connection from PCC to the whole brain: the directed connections were significantly different between the MCI and AD groups, from the whole brain to the PCC. (b) These differences were predominantly observed in the left hemisphere, possibly indicating asymmetry.

Figure 1: PCC to the Whole Brain.
The directed connection from the PCC to the whole brain. The active nodes in the whole brain were first identified, and the directed functional connectivity from the PCC to the whole brain in AD, MCI, and control groups was determined. Please click here to view a larger version of this figure.

Figure 2: Whole Brain to the PCC.
The directed connection from whole brain to the PCC. The active nodes in the whole brain were first identified, and the directed functional connectivity from the whole brain to the PCC in AD, MCI, and control groups was determined. Please click here to view a larger version of this figure.

דו ח זה מציג תהליך להשוואת את מכוונת פונקציונלי קישוריות מן PCC את כל המוח וממנה את כל המוח PCC בין לספירה, MCI קבוצות שליטה. יתר על כן, צעד. מפתח בתהליך זה הוא סיווג הקרנת מדגם לפני הניסוי. לפיכך, את הסיווג וסינון קריטריונים הן חיוניות, משום יכולים להיות מושפעים הדיוק של התוצאות אם הם מוטעים. כמפורט בפרוטוקול, השתמשנו קריטריונים לאבחון של NINCDS-ADRDA 2011 MMSE ואת הקריטריונים עבור הזיהוי והסיווג של MCI; הקריטריונים הסינון שלנו נקראים גם בפרוטוקול לעיל. אנחנו לא נכלל מטופלים אשר היו לא מתאימים לכל אורך המשפט, ואז, מסווג במדויק את החולים הנותרים, וזה היסוד לניסויים הבאים. ניתוח ביקורתי GCA נובע קישוריות פונקציונלי מכוונת PCC את כל המוח וממנה את כל המוח כדי PCC בין המודעה, MCI, ועל קבוצות שליטה באמצעות הנתונים המתקבלים דימות מוחי. הצגנו את הפרטים של הניתוח GCA פרוטוקול זה. טכנולוגיה זו מצאו הבדלים משמעותיים בין הקבוצות בקישוריות מכוונת ולאחר שהסברנו היטב המתאם בין שינויים פונקציונליים והתקדמות לספירה.

בניתוח שלנו נתונים של מחקר זה, אירעה הבדלים בין אנשים (לא כולל גיל, מגדר, רמות השכלה, שכן אלה דומים בין 3 הקבוצות, מכאן, זה קשה לעשות הערכה אובייקטיבית של המסקנות). כדי לפתור בעיה זו, אנחנו מנתחים את הנתונים של הקבוצות, ולא את הנתונים האישיים. כמו הממוצע ו- SD, ואת המשתנים רציפה כמו מספרים ואחוזים, באמצעות מבחן מתפלג מיוצגים המשתנים בכל קבוצה. דרך הערכה כמותית, אנו יכולים להעריך קישוריות מכוונת בין PCC באזור המוח כולו באופן אובייקטיבי להבהיר את השינויים פונקציונלי הקשורים עם ההתקדמות של המודעה במוח.

למרות מתאם ליניארי, ניתוח רכיבים עצמאיים (ICA) היה בשימוש נרחב של חיבוריות פונקציונלי, תוצאות אלו יש directivity אין. יכול להיות מנוצל GCA לא רק כדי למדוד את ההשפעות סיבתי של סדרות זמן fMRI, אלא גם כדי להציג את הדינמיקה ואת הכיוון של האות מודגש המתקבל rs-fMRI^14,15.

ניתחנו את קישוריות מכוונת בין PCC לבין הרשת כל המוח בעזרת GCA PCC וגם רועי ההבדלים שנמצאו מכוונת קישוריות בין המודעה, MCI, ולשלוט קבוצות. לפיכך, הגענו למסקנה כי PCC, בתור רכזת חשובה של האזור במוח לעזאזל עם, יש השפעה משמעותית על התקדמות לספירה. PCC עשוי לא רק להראות ליקויים במידע המקבל אלא גם להראות ליקויים בהעברת המידע. בנוסף, מחקר זה מראה כי העברת מידע בכל האזורים במוח עם חיבורים נורמלית היא כיוונית, למעט בודדים צמתים (השמאלי האמצעי הפיתול חזיתית, precuneus השמאלי), מאז העיוותים באזורים האלה במוח הם חד צדדיים. ממצא מעניין נוסף של מחקר זה הוא חריגות אלה חיבור נראה להתרחש בעיקר באונה השמאלית. ייתכן כי הכדור דומיננטי (האונה השמאלית) היא חשופה יותר לפגיעה מאשר האונה הימנית, המוביל ירידה מטבולית בתחילת ניוון¹⁶.

עם זאת, ישנן כמה מגבלות במחקר שלנו. לטכנולוגיה GCA, כאשר קצב הדגימה מגיע 2 s, עיכובים בגרימת שונים הן קשה להשיג באופן מדויק¹⁷, הדינמיקה איטי של והנועז אות ב 2 s יכול לגרום הפסד¹⁸כמה מהירה קשר סיבתי. כתוצאה מכך, מגבלה זו יכול להוביל הסטייה של הנתונים ניסיוני. מאז גודל המדגם המבחן לא היה מספיק גדול מספיק, דוגמאות נוספות הם חיוניים כדי לאמת את התוצאות.

כיום, מספר מחקרים השתמשו בטכניקות GCA כמנבאים כדי לתאר את קשרי הגומלין סיבתי בין אזורים במוח מרובים. בתיאוריה, הוא GCA רב משתנית טכניקת שיפור זה יכול לחשוף את המורכבות של קישוריות כיוונית במוח; עם זאת, יש אתגרים טכניים יותר מאשר bivariate GCA כמו עיכוב והמודינמיקה משתנה עם אזור¹². המטרה בעתיד שלנו היא דרגת רב משתנית GCA ולהחלתו למחקר כדי להמחיש טוב יותר מורכבים קישוריות כיוונית של המוח.

המחברים מצהירים כי אין הם לכל אינטרסים כלכליים מתחרים.

המחברים מודים Gongjun ג'י על תמיכה בתוכנה במחשב. מחקר זה מומן בחלקו על ידי נבחרת מדעי הטבע קרן של סין (מס 81201156, 81271517); ג'ה-ג'יאנג מחוזי מדעי הטבע קרן של סין (לא. LY16H180007, LY13H180016, 2013C33G1360236), ושל קרן המדע של הנציבות בריאות של בפרובינצית ג'ה-ג'יאנג (מס 2013RCA001, 201522257).