广泛性焦虑症(Generalized anxiety disorder,GAD)是一种普遍的精神障碍,其特征为对日常生活或可能发生事情的莫名、长期、持续的担忧。患者常常遭受疲倦、烦躁不安、睡眠障碍等一系列身体或心理症状的困扰。与其他焦虑症相比,GAD发病率高,治疗后症状缓解慢,阐明其病理机制将促进治疗方法的发展。

之前许多研究者已经使用任务态或静息态功能磁共振成像对GAD进行了研究,发现了患者大脑功能的异常,这些研究大多假设扫描期间大脑活动静止不变,但越来越多的最新研究表明,大脑活动随时间变化是动态的。大脑动力学可以加深对疾病脑的理解,提高脑疾病诊断精度。另外,局部大脑活动可以反映大脑波动组织内在属性的各个方面,而目前为止大部分研究都集中于使用功能连接的方法来研究脑区间重复的连接模式,对局部脑活动的研究较少,GAD患者是否表现出异常的动态局部脑活动仍不清楚,识别此类异常将有助于我们对GAD神经病理学机制的理解

低频振幅(The amplitudeof low-frequency fluctuations, ALFF)是衡量局部大脑活动的有效方法。近期,电子科技大学相关研究团队提出使用ALFF结合滑动窗方法对GAD患者的动态局部脑活动进行研究。在Human Brain Mapping上发表了题为《Dynamic changes of amplitude of low-frequency fluctuations in patientswith generalized anxiety disorder》的研究论文[1]。本文对该论文进行了解读。

                                                                               ##方法##

1、被试

该研究招募了56名GAD患者与55名正常对照,两组样本在年龄、性别、教育年限等上相匹配。部分人口统计学信息如下表所示:

2、数据采集

使用3T GE DISCOVERYMR750扫描仪进行fMRI数据的采集,数据采集期间,要求被试睁眼,不要想任何事情并保持清醒。采集重复时间TR=2s,TE=30ms,43个slices,共采集了255个volumes。

3、数据预处理

使用DPABI工具箱对数据进行预处理,处理过程包括:1) 去除前15个volume,以排除扫描仪与被试前期不稳定因素的影响;2) 时间校正;3) 头动校正,去除头部平动超过3mm,转动超过 3度的被试;4) 归一化至标准MNI空间,体素重采样至3*3*3 mm2;5) 以 6mm 的全宽半高高斯核进行空间平滑;6) 去趋势;7)回归干扰参数(包括基于Friston-24模型的估计运动参数、白质信号、脑脊液信号及全局信号);8) 在0.01-0.08Hz范围内进行带通滤波;9) 计算每个被试的平均逐帧位移(framewise displacement, FD)来评估头部运动;10) 移除FD大于0.5mm的时间点,并移除此时间点后面一个和前面两个时间点。

4、动态低频振幅分析

使用DynamicBC工具箱评估每个患者的动态低频振幅(The dynamic amplitude of low-frequency fluctuations, dALFF),根据之前研究,将时间窗长度设置为50TR(100s),步长设置为5TR(10s),每个样本得到39个时间窗。计算每个时间窗下,每个体素的ALFF值得到一个ALFF maps,每个样本共可以得到39个ALFF maps。之后,将dALFF变异性定义为这39个ALFF maps的标准差,计算即可得到每个样本的dALFF变异性。最后,通过减去均值除以标准差,将每个样本每个体素的dALFF变异性进一步转换为z-score。为了验证动态低频振幅与静态低频振幅(The static amplitude of low-frequency fluctuations,sALFF)是否表现出相似或互补的信息,从而进一步了解GAD背后的神经病理学机制,作者同样计算了每个样本的sALFF map。

5、统计分析

首先,分别求取患者组与对照组中所有样本每个体素dALFF变异性的均值,获得两组的dALFF变异性分布。之后,将年龄,性别,教育水平等作为协变量,使用双样本t检验评估两组dALFF变异性的组间差异。同样的,以相同方法得到两组sALFF的分布及sALFF的组间差异。使用错误发现率(false discovery rate, FDR)对检验结果进行校正,显著性阈值p设为0.05,群集大小设为20。

6、多元模式分析

使用脑区水平的多元模式分析测试异常dALFF与异常sALFF对两组样本的分类能力。具体的,使用dALFF变异性进行分类时,将具有dALFF变异性显著性差异的体素集群定义为dALFF脑区,每个样本都可以得到一个dALFF脑区集合。计算每个脑区中所有体素dALFF变异性值的均值作为特征值,进一步就可以得到分类的特征集。同样的,使用sALFF进行分类时,将具有sALFF显著性差异的体素集群定义为sALFF脑区,每个样本都可以得到一个sALFF脑区集合。计算每个脑区中所有体素sALFF变异性值的均值作为特征值,进一步就可以得到分类的特征集。使用留一交叉验证法进行分类,使用分类精度(accuracy)、灵敏度(sensitivity)、特异性(specificity)、分类权重(classification weights)几个指标来评估分类器性能。

7、药物信息评估

为了测试患者的dALFF变异性是否会受到药物的影响,作者计算了每个患者的药物负荷指数来反映所用药物的剂量。具体的,对于每一个患者,按照(Sackeimc, 2001)[2]的标准将每种药物的使用量编码为0(未使用)、1(少量)、2(高量)。对于Sackeimc(2001)中未包含的两种药物,根据医师参考手册推荐的每日剂量范围的中间值编码为0、1或2。总的药物负荷指数为每种药物编码之和。

8、临床相关分析

为了进一步评估患者dALFF变异性及sALFF异常与症状严重程度之间的关系,作者计算了dALFF脑区中平均dALFF变异性值及sALFF脑区中平均sALFF值与汉密尔顿焦虑量表 (HamiltonAnxiety Scale, HAMA)得分的皮尔森相关系数。此外,作者还计算了异常dALFF变异性及异常sALFF与总的药物负荷指数间的斯皮尔曼等级相关,来测试用药情况对结果的潜在影响。统计的显著性阈值p均设为0.05。

9、验证分析

为了验证窗长对结果的影响,作者使用另外两种窗长(30TR和80TR)重新计算了之前的结果。

                                                                                           ##结果##

1、dALFF变异性与sALFF分析结果

患者组与对照组显示出相似的dALFF变异性分布,如图1所示。较高的dALFF变异性主要分布于前额叶皮层、颞顶交界处、颞极、后内侧及枕皮质。较低的dALFF变异性主要分布于感觉运动区,颞下及边缘皮质。组间对比结果表明GAD患者在双侧的背内侧前额叶皮层、海马、丘脑、纹状体、左侧眶额回等表现出dALFF变异性的增加,在双侧海马、纹状体、左丘脑中表现出sALFF值的增加,在双侧中央后、枕叶皮质及右侧梭状皮质中表现出sALFF值的降低。

图1

2、多元模式分析结果

两次分类分析的结果如图2所示,使用dALFF变异性作为特征,分类精度为87%,灵敏度为82%,特异性为93%,对分类贡献最大的脑区为双侧背内侧前额叶皮层、纹状体、左侧颞极、左侧顶下小叶及右侧海马。使用sALFF作为特征,分类精度为78%,灵敏度为70%,特异性为87%。这些结果显示出,异常的dALFF变异性比异常的sALFF更具鉴别力。

图2

3、相关分析结果

如图3所示,患者右侧纹状体的异常dALFF变异性与HAMA得分显示出正相关。然而,患者异常的sALFF未与HAMA得分显示出显著性相关。无论异常的dALFF变异性还是异常的sALFF都未与药物负荷指数显示出显著相关,这说明本研究中,药物未对局部脑活动产生影响。

图3

4、验证分析结果

窗长改变为30TR或80TR时,研究结果与窗长为50TR时相似。具体结果请参看原文补充材料。

                                                                                         ##讨论##

这项研究首次使用了新的dALFF方法研究GAD患者局部大脑活动的时间变异性。发现患者在海马、丘脑、纹状体、梭状体及广泛的额顶叶皮层中显示出dALFF变异性的增加。相对于使用sALFF作为特征,使用dALFF变异性作为特征进行分类可以获得更高的分类精度。此外,纹状体dALFF变异性的异常与患者症状的严重程度相关。这些发现都强调了动态局部脑活动在研究中的重要性。

患者在海马、丘脑、边缘区域的dALFF变异性增加,这些区域都与情感处理相关。情感障碍是GAD患者的最主要特征。之前的研究显示,患者在面对具有正面或负面影响的图片时,其脑网络参与情感调节的能力降低,前额叶皮层及前扣带皮层的血氧水平依赖反应减弱,无法调节情感冲突。海马参与腹侧情感神经系统,在与其他边缘区域协调调节焦虑状态方面起着关键的作用。有报道显示,GAD患者在处理焦虑时海马表现出过度激活,这种过度激活与病理性焦虑反应相关,并被认为与GAD中的情绪失调有关。丘脑是感觉信息传递的中继中心,它与皮层及皮层下区域有广泛的联系,并参与到多种情感和认知过程。之前有研究表明,患者在想象与疾病相关的情景时,丘脑会表现出过度激活。同时,GAD患者边缘系统的功能与结构异常也多有报道,研究在边缘区域dALFF变异性增加的发现也与前人一致,这凸显了患者对情绪刺激的过度敏感性。

研究在背内侧前额叶皮层和顶下小叶中也观察到了dALFF变异性的增加,它们是额顶叶认知控制网络的组成部分。之前的神经影像学研究表明,GAD患者不能利用前额叶网络来下调情绪反应可能是其情绪调节困难的原因,背内侧前额叶皮质的活动以及其与多个脑区间功能连接的异常与GAD症状有关。同时还有报告显示,GAD患者背内侧前额叶皮质区域灰质体积增加,与情感调控相关的活动降低。此外,患有多种焦虑症亚型的患者在进行认知重新评估时,顶下小叶激活降低。本研究中观察到的背内侧前额叶皮质和顶下小叶dALFF变异性增加表明这些区域的局部大脑活动出现异常,这种异常可能会破坏患者前额叶网络参与情绪调节的能力。

参与高级社会情感功能的区域,包括眶额回,纹状体,梭状回,颞极和颞下回,在GAD中也表现出增加的dALFF变异性。眶额回参与奖励处理,是奖励系统的关键节点,而GAD患者的大脑奖励系统存在明显的损害。梭状回参与面部识别及情感刺激感知,颞极及颞下回与心理相关理论有关。这些区域在社交线索的感知和推理中具有重要的作用,对于社交能力至关重要。这些区域中检测到的dALFF异常与先前的研究一致。

sALFF与dALFF显示出相似的组间差异,但是在对患者与对照进行分类时,dALFF表现出更强的鉴别力,得到了更高的分类精度。此外,纹状体中dALFF变异性的增加与症状的严重程度呈正相关,这表明脑区dALFF变异性的增加对于理解焦虑的发展可能很重要。这些发现表明动态局部大脑活动可能是探测GAD病理变化的强大神经影像指标,并为区分患者与健康人群提供了新途径。

此外,这项研究尚存在几个局限性。首先滑动窗长度的选择仍具有争议,本文在不同的窗长下得到了相似的结果,表明结果相对稳定。其次,焦虑与抑郁常常具有并发性,数据集中的抑郁样本可能会对结果照成影响,需要更多的样本来进一步证明文中的结果。第三,用药会影响结果的可靠性,尽管研究中药物负荷指数与dALFF变异性并未显示出显著性相关,但仍需要采取进一步的研究来证实。

                                                                                        ##总结##

总之,GAD患者在设计执行、情感和社交功能的脑区表现出dALFF变异性的增加。dALFF变异性的异常与GAD的症状相关,能够用以分类GAD患者与正常对照,并且相对于使用sALFF作为特征,使用dALFF变异性作为特征进行分类可以获得更高的分类精度。这项研究从动态局部脑活动的角度为GAD的脑功能障碍提供了新的见解,强调了dALFF变异性在理解GAD的神经病理机制和指导疾病诊断方面的重要作用。

参考文献:

[1]Cui Q, Sheng W, Chen Y, et al. Dynamicchanges of amplitude of low‐frequencyfluctuations in patients with generalized anxiety disorder[J]. Human BrainMapping, 2019.

[2]Sackeim H A. The definition and meaning oftreatment-resistant depression[J]. The Journal of clinical psychiatry, 2001, 62(16):10–17.

本文同步发布于“脑之说”微信公众号,欢迎搜索关注~~

Human Brain Mapping:广泛性焦虑症患者低频振幅ALFF的动态变化相关推荐

  1. Human Brain Mapping:持续注意的个体差异与皮层厚度有关

    持续注意(sustained attention)是一种对日常生活至关重要的基本心理能力.功能磁共振(Functional magnetic resonance imaging, fMRI)研究发现, ...

  2. Human Brain Mapping:多项目工作记忆的时空和波谱动态特性—基于MEG的研究

    <本文同步发布于"脑之说"微信公众号,欢迎搜索关注~~> 一.研究背景 多项目工作记忆(working memory, WM)是我们日常生活中每天都在使用的一项复杂高级 ...

  3. 工作多年的工作焦虑症-广泛性焦虑症

    我相信工作多年的人都会有自己的工作焦虑症的情况,而我们普通人最多的最容易的也就是广泛性焦虑症,广泛性焦虑障碍(GAD)是一种常见的慢性焦虑障碍,患者长时间处于一种担心.紧张.无法放松的状态.它会让一种 ...

  4. 焦虑症患者,整天心神不宁,忧心忡忡怎么办?

    整天心神不宁,忧心忡忡,而且很多时候并没有任何原因,那么可以说这就是典型的焦虑症状,如果这种焦虑症状长时间持续存在,那就很可能要去诊断焦虑症了.其实焦虑症是我们国家最常见的精神疾病,虽然不严重,但那种 ...

  5. Human Brain Mapping: 自发性大脑活动的有向功能连接

    在过去的几十年中,大量的fMRI研究已经表明自发性大脑活动以特定脑区信号之间的同步化增强为特点,而这些在静息状态下表现出活动信号同步化增强的脑区称之为静息态网络(resting-state netwo ...

  6. NeuroImage:脑网络分析揭示社交焦虑症患者的大脑功能环路异常

    <本文同步发布于"脑之说"微信公众号,欢迎搜索关注~~> 社交焦虑症(SAD)是最常见的精神疾病之一,其通常伴随有精神共病症,严重的社交功能障碍,以及持续的情绪.认知和 ...

  7. Human Brain Mapping:基于BOLD-Delay的脑灌注成像

    导读 BOLD Delay是一种新兴的非侵入性脑灌注成像技术,无需造影剂,适合用于纵向检测.本文基于136名被试数据使用线性混合模型评估该方法的可重复性,所有被试均接受了两次不同情况下的扫描.总体而言 ...

  8. 焦虑症和抑郁症的区别

    当今社会,面对来自学习.工作和生活上的方方面面压力,许多人不幸地罹患上焦虑症.抑郁症等心理疾病.虽说焦虑症与抑郁症这两种心疾均属于精神方面的疾病,但其实二者有着很大的差别. 关于焦虑症与抑郁症的区别之 ...

  9. 心理学 | (1)焦虑症和恐惧症--一种认知的观点

    今天不想学习,也不想出门,在宿舍一天看完了一本心理学书籍<焦虑症和恐惧症--一种认知的观点>,本书是认知治疗之父艾伦·T·贝克经典著作,被誉为治疗焦虑症的"黄金标准", ...

最新文章

  1. java,将Image变量保存成图片
  2. Hook安卓项目内的字符串获取,用服务器的key value优先代替本地的key value
  3. Javascript模板引擎handlebars使用实例及技巧
  4. Linux内核源码树建立加载hello模块
  5. 阿里云边缘计算又获奖啦!
  6. LVS+Keepalived实现负载均衡和双机热备
  7. [jQuery原理] jQuery属性操作相关方法
  8. linux系统修改只读文件权限如(etc/hosts)文件
  9. Python下载prettyloaded的swf
  10. android 常见的异常,Android 几个常见异常且容易被忽略的地方
  11. windows10中安装anaconda和pytorch
  12. python字典实现好友管理系统简易版
  13. mac上iphone4刷机与越狱(一)
  14. eclipse启动报错,显示找不到指定路径的JRE
  15. 涨跌的例题用C语言编辑,基于LSTM的股票涨跌分析-pytorch
  16. mysql查询各类课程的总学分_关于SQL练习2的一些写法。。。查询选修人数超过2人且成绩都在60分以上的课程 查询选修张老师讲授所有课程的学生 计算并填写学生获得的总学分...
  17. 修改el-table表头高度 表格高度 行鼠标悬停颜色
  18. 强化学习 - Deep RL开源项目总结
  19. android手机操作手册,数字填图(Android版)操作手册.pdf
  20. <textarea></textarea> placeholder属性不显示

热门文章

  1. [攻略] 球会6 特殊战术(FORMATION COMBO)一览
  2. RLException: Invalid roslaunch XML syntax: mismatched tag: line 3, column 2报错
  3. ubuntu 16.0.4安装Opencv3.2.0
  4. 打开word文档时出现严重错误解决方法
  5. 实现页面静态化(模型数据+模板=静态化)
  6. @小陈同学 ,来啦~
  7. Jim Williams神作:The Art and Science of Analog Circuit Design.pdf文件免费分享
  8. Jekyll建站之搜索引擎收录小技巧
  9. 暑假小学期安卓开发笔记1——设计思路
  10. 使用TensorRT对AlphaPose模型进行加速