突发性耳聋伴偏头痛患者多层脑网络异常与情绪障碍的关系研究

目的利用多层神经网络技术探索突发性耳聋伴偏头痛与情绪障碍的关系。材料与方法对41名突发感音神经性耳聋(sudden sensorineural hearing loss,SSNHL)伴偏头痛患者和47名健康对照的听力、偏头痛、多维度神经功能及静息态功能MRI进行了评估。采用多层网络来识别突发性耳聋伴偏头痛诱导的动态大脑全局网络交换的变化。采用图论网络分析软件处理血氧水平依赖成像数据,通过Pearson相关分析计算功能MRI数据与情绪障碍评分的相关性。结果SSNHL伴偏头痛患者组与健康对照组在年龄、性别和受教育年限上匹配良好。SSNHL伴偏头痛患者组两耳的平均听阈明显高于健康对照组,且突发性耳聋伴偏头痛患者的焦虑和抑郁评分显著增高。两组间的总体模块化没有显著差异,但右侧中央沟盖、中扣带皮层、左侧楔叶和枕下回的网络切换率差异有统计学意义(P<0.005,错误发现率校正)。SSNHL伴偏头痛组中扣带回的网络转换率与抑郁评分呈负相关(r=−0.41,P=0.008)。结论SSNHL伴偏头痛患者脑区的网络切换率减低,与抑郁具有一定相关性,有助于阐明SSNHL伴偏头痛患者出现情绪障碍的神经病理学基础。

基于时变特性的多层脑网络拓扑属性分析及脑疾病分类

多层脑功能网络已经广泛应用于疾病的诊断。现有研究大多利用动态功能连接的改变诊断疾病,极少探索多层网络拓扑属性对疾病分类的影响。目前主要通过计算所有单层网络拓扑属性的均值或标准差来表征多层网络拓扑属性,但这忽略了有代表性的特定属性值及拓扑属性整体分布情况的影响。因此,提出基于统计指标的多视角多层脑网络拓扑属性计算方法,综合表示网络的拓扑结构。具体来说,在现有方法的基础上,引入极差、相对极差、离散系数计算多层网络拓扑属性,并用于疾病的分类。结果显示,无论是自闭症还是阿尔兹海默症的诊断,基于相对极差、离散系数视角的分类准确率均显著高于传统方法。这表明,本研究所提出的方法有效提高了疾病的分类效果且具有较好的可扩展性。同时,多视角融合特征获得最好的分类结果。因此,从多个角度表征多层脑网络的拓扑特征,有利于更好地识别精神疾病,从而在临床诊断中具有重要的应用价值。