摘要
众所周知，慢性疼痛会改变大脑的网络动态。这些动态通常通过识别大脑网络拓扑结构的改变来证明。一种常用的方法是图论。
到目前为止，对于慢性疼痛中这些潜在的网络改变与这些患者报告的症状之间的关系知之甚少。在这里，我们应用图论方法来识别慢性颈痛患者的网络变化，这是一个在慢性疼痛研究中经常被忽视的群体。慢性创伤性和非创伤性颈部疼痛的参与者与健康无疼痛的对照组进行了比较。他们表现出更高水平的自我报告的敏感化症状，更高水平的残疾，和受损的感觉运动控制。此外，与健康的无疼痛大脑相比，患有慢性颈痛的大脑显示出后扣带皮层、杏仁核和苍白球网络属性的改变。这些区域被确定为大脑中枢(即负责协调其他大脑区域之间的通信的区域)，因此在包括慢性疼痛在内的大脑疾病中更容易受到伤害。我们进一步发现了这些改变的大脑网络属性和患者报告的症状之间的联系。我们的研究结果表明，慢性颈痛患者反映了针对患者的大脑可能是最重要的脑网络的改变。
1.简介
慢性颈部疼痛为全球第六大致残原因。以前对慢性肌肉骨骼疼痛的研究特别关注疼痛神经基质的功能连通性，这是一组已知的涉及疼痛感觉的区域。最近的进展确实证实了疼痛基质以外的区域参与了许多疼痛障碍，进一步需要对整个大脑进行检查。为此，大脑可以被定义为一个由紧密连接的区域(通常称为网络节点)组成的网络，这些节点之间信息相互流动。图论为研究这些复杂网络提供了一个理论框架，并可能揭示功能网络的局部和全局组织信息。
2.方法
2.1被试
这项研究的参与者曾参加过之前发表的一项关于大脑形态的研究。共纳入35例HC, 39例INP, 37例WAD。所有参与者(n=110)都是女性，母语为荷兰语，年龄在18岁至65岁之间，通过网络、传单和海报招募。满足纳入排除标准。
2.2临床评估
2.2.1自我报告的疼痛、敏感和残疾测量
参与者在VNRS上对他们的颈部疼痛强度进行评分，VNRS是一种可用且有效的疼痛评级量表，评分范围从0到10,0表示没有疼痛，10表示最严重的疼痛。自我报告的残疾评估与荷兰版本的NDI,已经证明了高的信度和效度。包括10个条目:疼痛强度、个人护理、起重、阅读、头痛、浓度、工作,开车,睡觉,和娱乐,让每个项目都有6个响应类别：从0到5(没有残疾和5过度残疾),导致总分50不等。分数越高，说明自我报告的残疾程度越高。最后，参与者完成了荷兰版的中央敏感化量表，这是一种可靠的自我报告筛选工具，用于测量慢性疼痛人群的中央敏感化临床症状。较高的中央敏感量表得分表示较高的中枢敏感症状程度。
2.2.2运动控制
最大强度(牛顿，N)是通过手持测功器测定。受试者坐着，胸部稳定。手持式测功器分别放置于前额(额骨)、枕骨、左耳和右耳(顶骨)正上方进行屈伸和左右侧屈。最多保留3个连续试验，休息时间为10秒。
采用AMTI ACG便携式钳板评估姿势控制。参与者站在一个稳固的表面上，双脚与臀部同宽，双眼紧闭，以测量高感觉负荷下的姿势控制。为了获得可靠的结果，我们使用100 Hz的采样频率，在90秒内连续测量了3次压力中心(CoP)数据使用MATLABR2015a，使用截止频率为5 Hz的四阶低通数字巴特沃思滤波器对原始数据进行滤波。记录CoP的位移变化，计算CoP的平均摇摆速度(cm/s)和摇摆面积(95%置信椭圆面积cm2)。一个增加的摇摆区域反映了更糟糕的姿势控制。
反映特定肌肉收缩能力的神经肌肉控制通过颅颈屈曲试验和肩胛骨握持试验进行评估。颅颈屈曲试验已被证明是一种有效和可靠的方法。关于肩胛骨保持试验的有效性和可靠性的信息尚未得到。这两种测试都包含了神经肌肉控制、运动控制和耐力的特定标准。
这将导致0到10的分数，较低的分数表明神经肌肉控制较差。
基于力量和神经肌肉控制的分数，计算出一个评分平均值，以提供力量和神经肌肉控制的总体指标。分数越高，说明力量越强，或者在神经肌肉控制方面的表现越好。
2.3神经影像
2.3.1 MRI数据采集
西门子3T MRI采集T1W图像和T2W图像。T2*W EPI序列采集rs-fMRI图像。闭眼，停止思考，不要入睡。
2.3.2脑影像数据分析
2.3.2.1高分辨率T1图像
使用FreeSurfer对高分辨率t1加权扫描进行处理，采用默认的处理流程，包括强度归一化、颅骨剥离、去除非脑组织、生成脑面具、重建皮质、皮层下白质和深部灰质体积结构的分割，皮层灰质/白质和灰质/脑浆边界的镶嵌，根据脑回结构和脑沟结构构建基于概率图谱的皮层分割68个区域，将深部灰质结构分割成16个皮层下区域，总计84个roi。目测所有FreeSurfer输出，如果出现表面变形，则排除该受试者进行进一步分析。我们没有执行任何纠正FreeSurfer细分。附录B列出了不同区域的概述，以及不同区域的平均脑容量和标准差估计。
2.3.2.2静息态fMRI预处理
使用FMRIB软件库 (FSL)对每个受试者的功能MRI数据进行预处理。
和功能神经影像分析(AFNI)具体来说，预处理包括以下步骤:使用BET提取颅骨，运动校正，切片时间校正，带通频率为0.009 ~ 0.08 Hz的时间滤波，去除线性和二次趋势去除信号的趋势。然后，使用FSL提供的线性和非线性配准算法(FLIRT和FNIRT，将功能图像与个体的结构空间共同配准，并归一化到蒙特利尔神经学研究所和医院(MNI)的标准模板。然后，使用FAST和协变量对rs-fMRI信号进行分割，包括6个头运动参数、白质信号和脑脊液信号。需要注意的是，我们没有进行平滑的原因如下:(1)在平均步骤中已经考虑了噪声抑制(见下文);(2)避免ROI一致性的偏移。作为附加的质量参数，计算帧级位移来评估头部在扫描时间内的运动。下一步，将前一步获得的FreeSurfer皮层分割映射到受试者的功能空间。具体来说，rs-fMRI图像使用FSL flirt的epi_reg函数与受试者原始高分辨率t1加权图像进行线性配准。然后，利用该变换矩阵的逆将FreeSurfer分割方案转换为受试者的功能空间。通过计算各区域体素时间序列的空间平均值，得到各区域血氧水平依赖的平均成像信号时间序列。
最后，通过计算所有区域之间的Fisher z-transform Pearson相关系数来构造连接矩阵。对自动解剖标记(AAL) atlas重复同样的程序，以评估我们分析的稳健性。
2.3.3图论分析
2.3.3.1图构建
使用FreeSurfer分割方案的84个区域作为节点，每对节点之间的区域功能连接作为边，构建了个体功能大脑网络，即图形。为了定义一个图，每个连通性矩阵都有一个阈值来创建一个邻接矩阵，其中每个元素要么是1，如果相关性的值大于给定的阈值，要么是0。因为这个阈值的值对于定义图密度是至关重要的(即，图中的边的数量除以可能的边的总数)，每个图在不同的阈值下有个阈值。
这些阈值的选择是为了避免图度量的不可靠性和当网络过于稀疏(30%)和避免生物上不可信的网络过于密集(0.70%)。因此，计算了所有个体大脑网络在30% - 70%不同网络密度下的图特征，密度步数为10%。除了单个网络外，我们还构建了100个具有相同节点和边数的随机图，作为比较的基线。所有的图都是用BrainConnectivity Toolbox构建的
2.3.3.2网络特征：全局和局部测度
在连通矩阵的基础上，用图论框架提供的图度量来检验拓扑性质。
这些指标可以被归类为包括隔离(即，在紧密相连的区域组内进行专门处理的能力)、集成(即，网络快速结合来自分布区域的专门信息的能力)和中心性(即，脑网络区域对于全球网络功能的重要性)
特别地，我们计算了聚类系数(隔离的度量)和全局效率(整合的度量)来推断全球网络的属性。小世界性是复杂网络结构的一个重要共同特征，作为网络隔离和整合的权衡小世界性的值大于1被认为反映了隔离和融合之间的最佳平衡。除全局图度量外，还在节点水平上计算聚类系数、度和中间性中心性(中心性度量)。关于图度量定义的更多细节，感兴趣的读者可以参考Rubinov和sporons的研究。所有上述和以后展示的图度量都是通过脑连接工具箱进行估计的。
2.3.3.3网络识别：模块化组织
通过最大限度地增加组内连接数和最小限度地减少组间连接数，将网络细分为模块，可以揭示网络的模块化结构。模块性统计量量化了网络可以被细分为这些清晰描述的模块的程度通过跨越100次迭代的模块性最大化来确定这个统计数据，作为额外的检查，在每个主题的100次迭代中计算这个模块分解的稳定性。特别地，我们计算了(每个受试者)任意两个节点在同一个模块中分组的频率。然后，我们计算了所有节点的平均稳定性。结果显示相对较高的稳定性(受试者平均=68%，SD=15%)。最后，基于网络的模块化结构，计算了网络的模块化度和参与系数。
2.3.3.4网络的识别：中心节点(hubs)
特别令人感兴趣的是在这一复杂网络的组织中起中心作用的节点
这些节点被确定为大脑hubs，并被认为具有高中心性测量，包括中间中心性。对这些节点的检查具有特殊的意义，因为它们涉及建立和保持有效的沟通，这是健康人类大脑的一个关键特征。在社区结构的网络中，采用类似的推理来确定枢纽。模块化hubs可以是省级hubs或连接器hubs。省级hubs在子网内提供高效的通信，其特点是参与系数低(即模块间的连通性相对于模块内的连通性较低)。连接器hubs提供网络中不同模块的连接，具有较高的参与系数(即模块间连接性相对于模块内连接性较高)。值得注意的是，参与系数、模块度和模块化使用相同的模块分解进行计算。考虑到这些定义，根据参与系数分别低于第15个分位数或高于第85个分位数，hubs被分为省级hubs和连接器hubs。为了研究hubs属性的变化，我们计算了网络中每个hubs(WAD vs HC, INP vs HC, WAD vs INP)各组间中心性、模块度和参与系数的平均差异。显示绝对组间差异大于2个SDs的hubs被确定为中断hubs。
2.3.3.5网络变化的识别：HDI
最后，为了克服传统全局网络度量的缺点，我们计算了Hub Disruption Index (HDI, k)，这是一个对图中节点差异敏感的全局指标。HDI对一组利益群体或单个患者与某一特定节点图测量的参考(如无疼痛健康对照的平均值)之间的差异程度进行估计。具体来说，受试者的HDI对应于作为因变量的参照组(即健康无痛对照组)的平均局部网络测量值与作为自变量的参照组与被研究的受试者/组之间的差异之间的线性回归线斜率。在网络密度为30% - 70的情况下，根据其他图指标计算了度、聚类系数、中间性中心性、参与系数和模块度。
2.3.4统计分析
分别用Shapiro-Wilk和Levene检验正式评估各组内所有变量的方差的正态性和相等性，并用分位数-分位数图和直方图直观检查。
当各组方差均为正态性和相等时，由于年龄在组间的显著性，我们采用协方差分析模型估计人口学变量和临床变量的组间差异。
对于非高斯分布的数据，对数据进行对数变换，以达到正态性和方差相等。使用药物的变量采用chi-square检验进行评估，并根据蒙特卡罗模拟计算报告的确切p值。以组为固定变量，以年龄为固定变量，采用随机截距模型(REML)对图测量进行分析。采用随机截距模型对一个受试者的多个图密度(图密度为30%、40%、50%和60%)的观察结果进行建模。基于Akaike信息准则和模型间似然比检验，选择最佳拟合模型。显著的组效应评估由1000排列测试如果组效应显著，则进行两两后tukey -honestly显著性差异(HSD)调整比较，并补充两两比较基于排列的p值。同样，通过建立一个以年龄和临床变量为固定因素的随机截距模型，分析了临床变量和图表指标之间的关系。通过交互作用组x变量的显著性来评估组特异性关联。交互作用只有在交互作用对模型的可能性有重大贡献的情况下才保留在模型中。最后，计算模型的R²。采用R行所有统计分析，显著性水平为alpha=0.05。
3. 结果
3.1人口统计学和自我报告症状
如表1所示，组间年龄差异的f检验具有显著性，但只有WAD患者比HC平均大7.2(±3.6)岁。在疼痛持续时间方面，患者亚组间无显著差异。INP患者报告的残疾和中枢敏感症状高于HC。与INP患者相比，WAD患者报告的疼痛强度明显更高，与HC和INP患者相比，自我报告的残疾和中枢敏感症状的数量更高。对于疼痛药物的摄入量，观察组之间的差异，定期摄入非甾体抗炎药物和扑热息痛，而不摄入阿片类药物。然而，受试者在测试前48小时被要求避免摄入非阿片类药物。完整的人口统计和临床细节可参考表2和表3。
  3.2运动表现
从表1中可以看出，INP患者仅在神经肌肉控制方面逊于HC。WAD患者在神经肌肉控制、力量、摇摆面积、摇摆平衡等方面的表现较HC差，力量值较INP患者小。在患者亚组之间没有发现神经肌肉控制、摇摆面积和摇摆速度的差异，我们也没有发现INP和HC患者之间的力量、摇摆面积
和摇摆速度的差异。
3.3rs-fMRI质量评估
HC组的平均(SD)帧位移为0.08 (0.042)，INP组为0.11 (0.051)，WAD组为0.10(0.050)。组间差异无统计学意义，提示WAD或INP患者与HC相比没有明显的移动。
3.4图测度
3.4.1网络识别：传统全局图测度
如图1所示，在所有图密度的聚类系数、全局效率、模块化或小世界性方面，没有发现组之间的显著差异。值得注意的是，所有组都表现出小世界特征，小世界性值都高于1。因此，慢性颈痛患者和健康对照者之间的全球网络特征似乎没有差异。
 图1 不同图密度全局图测度组间差异
3.4.2网络变化的识别：HDI
图2表示了基于分组的HDI对中间性中心性、聚类系数、度、模块度和参与系数的估计，以及它们各自的95%置信区间。HDI是通过取HC中各节点图度量的平均值作为参考来计算的。如果HDI与零有显著差异(即参考线)，则被研究组的节点图测量被认为与参考组不同。
对中间性中心的HDI，INP或WAD患者诊断显示平均显著负值，与HC所有图形密度相比,表明HC有一个高度的中间性中心，病人有一个低程度的中间性中心,反之亦然。同样，在所有图密度中，与HC相比，患者模块程度的HDI为显著负值。密度大于0.5和密度介于0.4 ~ 0.6时，患者的度HDI和聚类系数值均较高。只有诊断为INP的患者参与系数HDI为正值。图3给出了密度为0.5时所有图形度量的HDI可视示例。如果健康对照参照组在人群中被认为是典型的，那么受试者的HDI(如程度)的负值对应的是通常低值节点的HDI的较高值和通常高值节点的较低值。
 图2 不同图密度病人与健康人HDI变化比较。
 图3 图2中相应图形度量的HDI可视化表示，以对照组(自变量)的图测值之间的回归线斜率和参考对照组与个体受试者(因变量)的图测值在图密度为50%时的差值计算。
表4显示了每组受试者特定HDI的程度、聚类系数、中间性中心性、参与系数和模块化程度的结果(即以HC为参照组计算每组受试者的HDI)。INP患者模块度HDI明显低于HC，但不低于WAD。同样，与HC相比，WAD患者在中间中心性和模块内度方面的HDI明显更阴性，但与INP(事后TukeyHSD矫正)不一样。INP患者与HC患者间中心性HDI无差异。参与系数、聚类系数和程度的HDI均未观察到显著的组效应，与中介中心性和模块内度不同。有趣的是，当我们使用AAL图谱作为一个分割方案来构建不同的网络时，我们能够识别出类似的结果。
 3.4.3网络识别：Hubs
皮质区主要被识别为连接hubs(如双侧颞上回、左侧额上回和左侧扣带回)，皮质下区主要被识别为省级hubs(如双侧苍白球和双侧杏仁核)。表5显示了HC的参考网络中标识的这些hubs和省级hubs。
只有所有5个密度一致的区域被保留。我们评估了间性、中心性和模块化程度的组间节点差异，因为只有在这些图表指标中，HDI显示出组间的显著差异。显示出大于2个标准差的一致差异的hub被确定为中断的hub(即，在3个或更多图密度上被确定的hub)。与HC相比，WAD患者左侧后扣带显示较低的中间中心性。这说明在WAD患者中，通过左侧后扣带的节点与其他节点的连接较少，即在WAD患者中，左侧后扣带的作用可能不那么突出。相反，与HC相比，WAD和INP患者的大脑右侧杏仁核和左侧皮层的模块内程度更高，表明这些区域的亚网络重要性增加。最后，与HC相比，WAD患者的右颞极仅显示出脑内模块度的增加。患者亚组间没有观察到差异。相反，与HC相比，WAD和INP患者的大脑右侧杏仁核和左侧皮层的模块内程度更高，表明这些区域的亚网络重要性增加。最后，与HC相比，WAD患者的右颞极仅显示出脑内模块度的增加。患者亚组间没有观察到差异。
 3.4.4HDI与临床参数之间的关系
从表6可以看出，中间中心性的HDI与自我报告的残疾和自我报告的中枢敏感症状之间存在负相关。中间性中心性的HDI更负，反映了受试者网络比参考网络的节点变化更高，与自我报告的残疾和中枢敏感症状的更高值相一致。在模块程度的HDI之间也观察到类似的关联，模块内程度的HDI越负，自我报告的残疾和中枢敏感症状越高，神经肌肉控制表现越低。没有发现群体特异性的关联，我们也没有发现中心性或模块内程度与其他临床变量之间的关联。
 4.讨论
我们的主要发现如下:(1)最显著的网络拓扑结构变化是中心性，包括内模块度和中间中心性;(2)在疼痛的大脑中，受影响最严重的中枢包括扣带回皮层、杏仁核和白球;(3)网络拓扑测量中心性的可变性可以部分解释为自我报告的中枢敏感化症状、自我感知的残疾和神经肌肉控制。据我们所知，这项研究是第一次使用新的HDI度量证明慢性颈痛患者的脑网络拓扑的节点差异，并发现与自我报告的症状和神经肌肉控制之间的关联。 |
