基于形态度量逆差异网络揭示糖尿病患者认知衰退纵向演变轨迹及预测研究

《Brain Research Bulletin》:Longitudinal Alterations in Morphometric Inverse Divergence Networks Among Diabetes Patients with Progressive Cognitive Decline

【字体: 大 中 小 】 时间:2026年04月24日 来源:Brain Research Bulletin 3.7

编辑推荐:

  本研究针对糖尿病患者认知衰退轨迹存在高度异质性、亟需有效生物标志物进行早期识别和预测的临床问题,研究人员聚焦于大脑结构协变网络,创新性地应用了形态度量逆差异网络分析方法,对来自ADNI队列的101名糖尿病患者进行了纵向研究。研究发现,处于认知衰退轨迹的糖尿病患者在基线期即表现出以颞叶区域为主的局部网络连接破坏,其纵向网络变化模式更具针对性且显著影响了全局网络效率。至关重要的是,基线MIND网络可显著预测长期认知进展状态,展现出作为网络生物标志物识别高危个体、实现个体化风险分层的潜力,有望推动高级别网络分析走向实际临床应用。

  
在老龄化社会日益加剧的背景下,糖尿病与认知障碍之间的关联已成为公共卫生领域的重大挑战。数据显示,约20%的糖尿病患者会发展为轻度认知障碍,而糖尿病合并MCI会使进展为阿尔茨海默病的风险增加1.53倍。然而,并非所有糖尿病患者都会走向认知衰退,他们的轨迹呈现出稳定、恶化甚至可逆的“异质性”特点。这给临床医生带来了一个棘手的难题:如何在海量患者中,精准识别出那些“高危”个体,从而进行早期干预和个性化管理?
传统上,我们理解大脑疾病往往着眼于特定区域的萎缩或病变。但现代神经科学将大脑视为一个由不同区域(节点)通过连接(边)构成的复杂网络。从这个视角看,糖尿病可被视为一种“网络疾病”,其引起的结构性损伤累积会破坏大脑的功能组织,最终导致认知障碍。然而,构建大脑网络通常需要依赖弥散张量成像等高级磁共振序列,这限制了其在临床的广泛应用。为了克服这一瓶颈,研究者们发展出了基于常规T1加权结构磁共振图像构建“形态度量相似性网络”的方法,通过计算不同脑区在皮质厚度、表面积等形态特征上的统计相似性来映射网络连接。但传统的MSN方法存在简化数据、忽略特征自然变异性等局限。
为此,一项名为“形态度量逆差异”的新方法应运而生。它通过评估脑区间多变量形态特征分布的差异来量化相似性,被认为具有更优的技术可靠性和生物学效度。这项发表在《Brain Research Bulletin》上的研究,正是首次将这一前沿的MIND网络分析方法应用于探索糖尿病相关脑损伤与认知衰退的关系。研究人员想知道:MIND网络能否敏感地区分有无进展性认知衰退的糖尿病人群?它能否预测糖尿病相关的长期认知恶化?
为了回答这些问题,研究团队从大型公共数据库“阿尔茨海默病神经影像学计划”中,回溯性纳入了101名患有糖尿病的参与者,其中41人认知正常,60人患有轻度认知障碍。根据纵向诊断转换情况,他们被分为认知稳定组和认知衰退组。研究人员利用参与者的基线T1加权磁共振图像,提取了100个脑区的皮质厚度、表面积等多维形态特征,并运用MIND方法计算了脑区间的形态相似性,为每位受试者构建了个体化的MIND网络矩阵。随后,他们应用图论分析了这些网络的全局和局部拓扑属性。通过采用基于网络的统计方法及其预测性扩展,研究评估了受试者的网络连接特征是否与长期的认知恶化相关。
主要技术方法:本研究主要技术方法包括:1) 研究对象队列构建:从阿尔茨海默病神经影像学计划公共数据库中,根据严格的纳入排除标准,筛选出101名糖尿病患者,并按纵向认知变化分为稳定组与衰退组。2) MIND网络构建:使用CAT12软件包处理结构MRI图像,基于Schaefer图谱提取100个脑区的顶点级形态特征,并采用MIND方法计算脑区间形态相似性,构建个体化网络矩阵。3) 图论与统计分析:运用GRETNA软件包计算网络的全局与节点图论指标,并采用基于网络的统计及NBS-predict框架进行组间比较和纵向预测分析,统计过程中对多重比较进行了FDR校正。
研究结果
  • •
    3.1. 参与者:基线时,认知衰退组在记忆、语言和执行功能的复合评分上已显著低于稳定组,显示出既存的认知脆弱性。
  • •
    3.2. 基线期MIND网络与图论指标组间差异:在基线期,认知衰退组已表现出一个局灶性的形态相似性破坏子网络,主要涉及颞顶叶网络与默认模式网络、腹侧注意网络之间的连接,其中颞极、辅助运动区等脑区是关键节点。
  • •
    3.3. 基线网络指标与认知评分的关联:在衰退组中,特定的图论指标与执行功能、语言评分存在显著关联,表明这些网络属性的功能相关性。
  • •
    3.4. MIND网络与图论指标的纵向变化:纵向来看,两组均表现出网络变化,但模式迥异。稳定组的变化子网络分布更广泛;而衰退组的变化虽然更集中,却显著影响了全局效率、局部效率、路径长度等关键的全局网络拓扑属性。这提示稳定个体的大脑可能发生了广泛的重组,而衰退个体则经历了更具针对性的、并引发全局网络“崩溃”的降解。
  • •
    3.5. 基线MIND网络对长期认知进展的预测:最关键的是,利用基线MIND网络,通过机器学习模型能够显著预测个体长期的认知进展状态。预测性子网络富含跨模态连接,涉及颞顶叶、默认模式网络和边缘系统等对高级认知至关重要的脑网络。
结论与意义
这项研究系统性地揭示了糖尿病相关认知衰退背后的大脑结构网络演变轨迹。研究得出结论:糖尿病患者的认知衰退在发生可测量的下降之前,就已在大脑结构连接组中显现出特定的、以颞叶枢纽区为主的局部网络连接破坏特征。纵向来看,认知衰退的轨迹并非由网络变化的“数量”决定,而是由变化的“性质”决定——一种针对关键连接的有序降解,最终导致了全局网络效率的衰竭。最引人瞩目的是,基线期的大脑网络特征能够以高于随机水平的准确度预测未来的认知恶化,这为利用常规临床MRI图像进行个体化风险分层提供了全新的、具有转化潜力的生物标志物。
研究的深层意义在于,它将糖尿病认知衰退的理解提升到了“网络病理学”的层面。MIND网络反映的脑区间形态相似性,可能根植于共享的遗传影响、协调的发育轨迹、共同的对病理的易感性或相互的营养支持。因此,观察到的网络破坏可能揭示了糖尿病通过高血糖、胰岛素抵抗、微血管病变等机制,破坏了大脑区域间这种深层的生物学协变关系。同时,预测性子网络大量涉及阿尔茨海默病易感脑区,这为理解糖尿病如何增加阿尔茨海默病风险提供了网络层面的线索,提示二者可能共享部分神经退行性通路。
尽管该预测模型的性能尚未达到理想的临床诊断标准,且研究存在样本量有限、缺乏详尽的糖尿病特异性临床变量等局限性,但它无疑迈出了关键的一步。它证明,基于广泛可及的常规T1加权MRI,通过先进的网络分析方法,我们有可能挖掘出蕴含在大脑结构协变模式中的、关于未来认知命运的信息。这为在庞大的糖尿病人群中,低成本、无创地筛查出认知衰退高危个体,从而实现早期监测和精准干预,开辟了一条充满希望的新路径。未来,整合血糖控制指标、血管风险因素等多维度信息,并在更大队列中验证,将推动这一网络生物标志物最终走向临床实践,助力应对糖尿病相关认知障碍这一日益严峻的公共卫生挑战。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号