Применение анализа причинно-следственных связей Грейнджер режиссер функциональные связи в болезни Альцгеймера и умеренными когнитивными нарушениями

Основываясь на отдыха государство функционального магнитного резонанса с Грейнджер анализа причинно-следственных связей, мы исследовали изменения направлены функциональной связи между задней поясной коры и весь мозг пациентов с болезнью Альцгеймера (AD), пациентов с мягкий когнитивных нарушений (MCI) и здорового контроля.

Нарушением функциональной связи в сети по умолчанию режим (НУМ) могут быть вовлечены в прогрессирования болезни Альцгеймера (AD). Задней поясной коры (PCC) является потенциальным изображения маркера для мониторинга прогрессирование AD. Предыдущие исследования не нацелен на функциональные связи между КЦП и узлы в регионах за пределами НУМ, но наше исследование является попыткой изучить эти упускается из виду функциональных соединений. Для сбора данных, мы использовали функциональная магнитно-резонансная томография (МРТ) и анализ причинно-следственных связей Грейнджер (ГКА). МР-томографию предоставляет неинвазивный метод для изучения динамического взаимодействия между регионами различных мозга. ВКА — статистическая гипотеза тест для определения, полезен ли одноразовый серии прогнозирования другой. В простых терминах, он оценивается путем сравнения «Известные всю информацию на последний момент, распределения вероятностей X в это время» и «Известные всю информацию на последний момент, за исключением Y, распределения вероятностей X в настоящее время», чтобы определить, существует ли причинно-следственная связь между X и Y. Это определение основывается на источник полной информации и стационарные хронологическую последовательность. Основной шаг этого анализа заключается в использовании X и Y, чтобы установить уравнение регрессии и привлечь причинно-следственной связи, гипотетический теста. С ГКА можно измерить причинных эффектов, мы использовали его для изучения анизотропии функциональной связности и исследовать функцию концентратора PCC. Здесь мы проверку 116 участников для МРТ сканирование, и после предварительной обработки данных, полученных от нейровизуализации, мы использовали ГЦА вывести причинно-следственной связи каждого узла. Наконец мы пришли к выводу, что режиссер связи значительно отличаются между группами мягкий когнитивных нарушений (MCI) и AD, PCC весь мозг и весь мозг для КПК.

АД это дегенеративное заболевание центральной нервной системы, которая может быть диагностирована с помощью гистопатология, электрофизиологии и нейровизуализации¹. Связанных с памятью НУМ является жизненно важной системы взаимодействующих областей мозга, связанные с AD, и аномальные функции характерно AD^2,3. PCC является важным регионом по умолчанию традиционной сети в состоянии покоя и играет ключевую роль в эпизодических памяти, пространственной внимание, самооценки и других когнитивных функций^4,5,6,7. Кроме того она может быть маркер изображений для мониторинга AD прогрессии. Используя вка, Ляо et al. обнаружил, что КПК является регионом несколько cytoarchitectonics с несколькими подключениями и играет важную роль в функциональных мозга структуры⁸. Чжун et al. сообщили, что центр конвергенции, который получил взаимодействия от большинства других регионов в течение НУМ³PCC. Кроме того Мяо et al. показали, что в регионах хаб НУМ, PCC имеет наибольшее причинной эффект отношения с другими узлами⁹. Вместе все, что это свидетельство показывает, что режиссер подключение PCC ценные исследования AD и PCC нуждается в дальнейшем изучить обстоятельно как жизненно важного региона НУМ.

Предыдущие исследования были ограничены соединения между КПК и других регионов в НУМ; Однако изменения направлены функциональные связи между регионами КЦП и мозг за пределами НУМ, а также их влияние на объявление пока не изучены¹⁰. Наше исследование дополнительно изучить этот неисследованных функциональные связи в нормальных здоровых элементов управления, с MCI и пациентам с AD. Наблюдая режиссер подключения между КПК и весь мозг регионами, мы стремились выяснить функциональные изменения в головном мозге, относящиеся к AD прогрессии и тем самым создать роман объективной основы для оценки тяжести заболевания.

Функциональные связи относится к межрегионального взаимодействия, который может быть представлен синхронных колебаниями низкой частоты (LFFs) в мозгового сигнала зависит от уровня крови кислорода (BOLD) МР-томографию. Таким образом для того чтобы наблюдать функциональной связи между КПК и других регионах мозга, мы проанализировали функциональной связи между КПК и весь мозг сети по МР-томографию с помощью вка, с PCC как региона интерес (ROI). Этот метод непосредственно вытекает фундаментальные отношения каждого узла, используя данные, полученные от нейровизуализации¹¹. В последнее время GCA был применен к электроэнцефалограммы (ЭЭГ) и МР-томографию исследования для выявления причинных эффектов среди регионов мозга¹². Все эти исследования показали, что ВКА техника может быть оптимальным для выявления причинно-следственной связи каждого узла в головном мозге.

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.

Этот доклад представляет собой процесс для сравнения режиссер функциональные соединения в КЦП весь мозг и весь мозг КЦП между AD, MCI и управления группы. Кроме того ключевым этапом в этом процессе является классификация и отбора образца до эксперимента. Таким образом классификации и критериев отбора важны потому, что точность результатов могут быть затронуты, если они ошибочны. Как указано в протоколе, мы использовали 2011 NINCDS-ADRDA диагностические критерии и MMSE и критерии для идентификации и классификации MCI; Наши критерии отбора также упоминаются в протоколе выше. Мы исключены те пациенты, которые не были пригодны для судебного разбирательства, а затем точно классифицированы остальных пациентов, что является основополагающим для последующих экспериментов. Критический анализ ГЦА наследует режиссер функциональной связности PCC весь мозг и весь мозг КЦП между AD, MCI, и группы элементов управления с использованием данных, полученных от нейровизуализации. Мы представили подробности ГЦА анализа в настоящем Протоколе. Эта технология обнаружили значительные различия между группами в режиссер подключения и хорошо объяснил корреляции между функциональные изменения и AD прогрессии.

В нашем анализе данных этого исследования различия произошло между людьми (не включая возраста, пола и уровня образования, поскольку они похожи между 3 группами, и следовательно, это трудно сделать объективную оценку выводов). Чтобы устранить эту проблему, мы анализируем данные групп, а не индивидуальных данных. Переменные в каждой группе представлены как среднее и SD и непрерывное переменные как цифры и проценты, используя хи-квадрат тест. Через такой количественной оценки мы можем объективно оценить режиссер соединения между КПК и весь мозг региона и прояснить функциональные изменения, связанные с прогрессированием AD в головном мозге.

Хотя линейной корреляции и независимых компонент анализа (МКА) широко использовался для изучения функциональных подключения, эти результаты имеют не направленности. GCA может использоваться не только для измерения причинных эффектов МР-томографию временных рядов, но и чтобы показать динамику и направление смелые сигнала, полученные от rs МРТ^14,15.

Мы проанализировали режиссер соединения между КПК и весь мозг сети, с помощью ГЦА с PCC ROI и найти различия между AD, MCI, режиссер соединения и контрольных групп. Таким образом мы пришли к выводу, что РСС, как важный hub НУМ мозга региона, имеет значительное влияние на объявление прогрессии. PCC может не только показать отклонений в получении информации, но также показать отклонений в передаче информации. Кроме того это исследование показывает, что передача информации во всех регионах мозга с ненормальным соединений направленного, за исключением отдельных узлов (левой средней лобной извилины и левой предклинье), так как аномалий в этих регионах мозга являются односторонними. Еще один интересный вывод этого исследования является, что, как представляется, эти соединения аномалии происходят главным образом в левом полушарии. Это может быть потому, что доминирующее полушария (левое полушарие) более восприимчивы к травмам, чем правого полушария, приводит к ранней метаболических снижение и атрофия¹⁶.

Тем не менее существуют некоторые ограничения в нашем исследовании. GCA технологии, когда дискретизации достигает 2 s, различные гемодинамики задержки трудно получить точно¹⁷, и медленной динамики смелый сигнал на 2 s может вызвать некоторые потери быстрого причинно-следственной связи¹⁸. В результате это ограничение может привести к отклонению экспериментальных данных. Поскольку размер выборки теста не было достаточно большим достаточно, дополнительные образцы имеют важнейшее значение для проверки результатов.

В настоящее время некоторые исследования использовали многомерные ГЦА техники для описания причинно-следственной связи между несколькими областями мозга. В теории Многовариантное ГЦА является улучшенная техника, которая может раскрыть сложность направленного подключения в головном мозге; Однако он имеет больше технических проблем, чем двумерных ГЦА как гемодинамики задержки зависит от региона¹². Наша будущая цель является для решения проблем Многовариантное ГКА и применить его к исследования, чтобы лучше продемонстрировать комплекс направленного подключения мозга.

Авторы заявляют, что они не имеют каких-либо финансовых интересов.

Авторы благодарят Gongjun JI для поддержки программного обеспечения компьютеров. Это исследование было частично поддерживается Фонд национального естественных наук Китая (№ 81201156, 81271517); Чжэцзян провинции естественных наук фонд Китая (no. LY16H180007, LY13H180016, 2013C33G1360236) и научный фонд здравоохранения Комиссии провинции Чжэцзян (№ 2013RCA001, 201522257).