《Frontiers in Neuroscience》：White matter hyperintensity drives EEG microstate abnormalities in arteriosclerotic cerebral small vessel disease
编辑推荐：
目的：尽管磁共振成像（MRI）是评估白质高信号（WMH）的最佳影像学方法，但其对WMH潜在病理生理学改变的敏感性不足。本研究旨在探讨与WMH相关的脑电图（EEG）变化，并识别WMH相关痴呆的潜在EEG生物标志物。方法：这项横断面研究纳入90名受试者：30名伴痴
目的：尽管磁共振成像（MRI）是评估白质高信号（WMH）的最佳影像学方法，但其对WMH潜在病理生理学改变的敏感性不足。本研究旨在探讨与WMH相关的脑电图（EEG）变化，并识别WMH相关痴呆的潜在EEG生物标志物。方法：这项横断面研究纳入90名受试者：30名伴痴呆的WMH患者（WMHD）、30名不伴痴呆的WMH患者（WMH-ND）和30名年龄及性别匹配的健康对照者（HC）。研究人员使用脑部MRI分割并量化深部、室周和总WMH体积（DWMH、PVWMH、TWMH）。记录静息态EEG数据进行微状态分析。提取四类微状态（A、B、C、D），计算其出现率、平均持续时间、时间覆盖率和转移概率。研究人员采用偏相关分析评估微状态特征与WMH体积及简易精神状态检查（MMSE）评分之间的关联。基于微状态特征，研究人员使用机器学习算法构建分类预测模型。结果：在WMHD组中，微状态C的时间参数（出现率、平均持续时间、时间覆盖率）降低（P < 0.05–0.001），而微状态A和B的平均持续时间延长（P < 0.05–0.001）。WMH-ND组同样显示微状态C时间参数降低（P < 0.001），但微状态D的平均持续时间和时间覆盖率呈代偿性增加（P < 0.001）。两组患者向微状态C转移的转移概率均降低（P < 0.001），且WMHD中所有向微状态D转移的转移概率均低于WMH-ND（P < 0.05–0.001）。微状态A和B的时间参数及向其转移的转移概率与WMH体积呈正相关，与MMSE评分呈负相关。相反，微状态D的这些参数呈相反的相关性。在区分WMHD与WMH-ND方面，支持向量机（SVM）和逻辑回归（LR）表现最佳（准确率：76.67%，AUC：0.84）。WMH-ND与HC的分类性能最高（LR：79.17%，AUC 0.86），WMHD与HC的分类性能最低（SVM：68.33%，AUC 0.77）。结论：WMH患者表现出与WMH负荷及认知功能显著相关的EEG微状态特征改变。基于这些微状态特征的分类模型在WMH相关痴呆的实际应用中显示出前景。
该研究发表于《Frontiers in Neuroscience》。目前临床中，白质高信号（WMH）作为动脉硬化性脑小血管疾病（aCSVD）最常见的MRI表现，其与认知功能的关系复杂，常规影像评估缺乏对WMH潜在病理生理学改变的敏感性，即便WMH负荷相似的患者认知功能差异也较大。为探究WMH相关的脑电图（EEG）变化并识别WMH相关痴呆的潜在EEG生物标志物，研究人员开展了此项横断面研究。研究纳入伴痴呆的WMH患者（WMHD）、不伴痴呆的WMH患者（WMH-ND）及健康对照者（HC）各30例，通过分析静息态EEG微状态特征及其与WMH体积、认知功能（MMSE评分）的关联，构建机器学习分类模型，得出WMH患者EEG微状态特征发生特异性改变且与疾病负荷及认知功能显著相关，分类模型具有一定应用潜力的结论，这对早期识别WMH相关认知障碍具有重要转化意义。
研究人员开展研究用到的主要关键技术方法包括：样本队列来源于2022年10月至2025年4月茂名市人民医院神经内科连续筛选的60例伴严重WMH（Fazekas评分3分）的aCSVD患者（分为WMH-ND组与WMHD组）及体检中心招募的30例年龄性别匹配健康对照者；采用MRI进行WMH分割量化（使用LST工具箱、FSL软件）；采用19导联静息态EEG记录与预处理（使用EEGLAB工具箱，含独立成分分析ICA校正伪迹）；采用Microstate 1.0工具箱进行微状态分析（提取A-D四类微状态的时间参数与转移概率）；采用偏相关分析控制年龄性别变量；采用SVM-RFE结合共线性过滤进行特征选择，在留一法交叉验证框架下构建SVM、GNB、LR、NN四种机器学习分类模型并评估性能。
研究结果部分保留小标题并说明结论如下。
3 Results。研究人员通过对三组基线特征比较发现，三组在年龄、性别、教育年限上无显著差异，WMHD组MMSE评分显著低于WMH-ND组与HC组，WMHD与WMH-ND组的DWMH、PVWMH、TWMH体积均显著高于HC组且两组间仅MMSE评分有显著差异；WMH分割质量控制的Dice系数为0.98。
3.1 Comparison of baseline characteristics among groups。研究人员通过基线数据分析确认三组具有可比性，排除了人口学因素对后续EEG微状态差异的混杂影响，明确了WMH体积是两组患者的共同特征而认知功能是分组核心差异。
3.2 Comparison of microstate topographies among groups。研究人员通过地形图方差分析（TANOVA）发现，WMH-ND与HC在微状态A、B、C、D上存在地形差异，WMHD与HC在微状态A、C、D上存在地形差异，但WMHD与WMH-ND间无显著地形差异；三组全局解释方差（GEV）无显著差异。
3.3 Comparison of microstate temporal parameters among groups。研究人员通过比较时间参数发现，WMHD组微状态C的出现率、平均持续时间、时间覆盖率降低，微状态A、B平均持续时间延长；WMH-ND组微状态C时间参数降低，微状态D平均持续时间与时间覆盖率代偿性增加；WMHD组微状态D时长短于WMH-ND组，微状态A覆盖率高于WMH-ND与HC组。
3.4 Comparison of microstate transition probabilities among groups。研究人员通过比较转移概率发现，两组患者向微状态C转移的转移概率均较HC降低；WMH-ND组向微状态D转移的转移概率增加；WMHD组微状态A与B间相互转移概率增加，且所有向微状态D转移的转移概率低于WMH-ND组。
3.5 Microstate correlation with WMH volume and MMSE score。研究人员通过偏相关分析发现，微状态A、B的时间参数及向其转移的转移概率与WMH体积正相关、与MMSE评分负相关；微状态D的时间参数及向其转移的转移概率与WMH体积负相关、与MMSE评分正相关；微状态C的出现率与时间覆盖率与MMSE评分负相关，与WMH体积无显著相关。
3.6 Classification prediction models。研究人员通过机器学习建模发现，区分WMHD与WMH-ND时SVM与LR最优（准确率76.67%，AUC 0.84）；区分WMH-ND与HC时LR最优（准确率79.17%，AUC 0.86）；区分WMHD与HC时SVM最优（准确率68.33%，AUC 0.77）。
讨论部分总结：研究人员指出WMH患者的微状态改变源于慢性脑低灌注与微血管缺血导致的扣带束、钩束等白质通路轴突传导与突触同步受损，尤其累及与微状态C相关的突显网络（Salience Network）。微状态D在WMH-ND组的代偿性增强与WMHD组的降低反映了注意网络从代偿到失代偿的动态演变，可能与上纵束等通路的神经储备耗竭有关。研究结果与既往脑血管认知障碍的EEG研究一致并拓展了不同阶段微状态模式及D状态代偿-失代偿转换的新发现。微状态转移效率受损反映了网络切换障碍，可作为认知储备的功能相关物与痴呆转化的预测标志物。微状态A、B对应感觉网络，C对应突显网络，D对应背侧注意网络（Dorsal Attention Network），WMH优先破坏岛叶与扣带回为中心的突显网络长程连接，与阿尔茨海默病的微状态B/D异常形成区别。分类性能梯度（WMH-ND vs HC最高，WMHD vs HC最低）反映了晚期病理异质性增加。研究人员也承认横断面设计、样本量较小、未直接测量脑血流、未排除共患阿尔茨海默病病理及19导联空间分辨率有限等局限。
结论部分翻译：WMH患者表现出显著的EEG微状态时间参数与转移概率改变。这些改变与WMH负荷及认知功能密切相关，提示了WMH相关认知障碍潜在的神经电生理机制。此外，基于EEG微状态特征的分类预测模型展现出实际应用潜力，值得在未来研究中进一步验证。
