[论文解读] Temporal connection signatures of human brain networks after stroke

Catalina Obando, Charlotte Rosso+3 more|arXiv (Cornell University)|Jul 23, 2019

Functional Brain Connectivity Studies参考文献 62被引用 4

一句话总结

本研究引入时序指数随机图模型（tERGMs），以识别中风后大脑网络的动态重组，发现与半球内三角形形成及半球间连接相关的时序网络特征——尤其在亚急性期——比静态网络指标更能预测长期功能恢复。这些时序连接特征在纵向fMRI数据上得到验证，可作为皮质及皮质下病变患者慢性语言与视觉结局的稳健生物标志物。

ABSTRACT

Plasticity after stroke is a complex phenomenon initiated by the functional reorganization of the brain, especially in the perilesional tissue. At macroscales, the reestablishment of segregation within the affected hemisphere and interhemispheric integration has been extensively documented in the reconfiguration of brain networks. However, the local connection mechanisms generating such global network changes are still largely unknown as well as their potential to better predict the outcome of patients. To address this question, time must be considered as a formal variable of the problem and not just a simple repeated observation. Here, we hypothesize that the temporal formation of basic connection blocks such as intermodule edges and intramodule triangles would be sufficient to determine the large-scale brain reorganization after stroke. To test our hypothesis, we adopted a statistical approach based on temporal exponential random graph models (tERGMs). First, we validated the overall performance on synthetic time-varying networks simulating the reconfiguration process after stroke. Then, using longitudinal functional connectivity measurements of resting-state brain activity, we showed that both the formation of triangles within the affected hemisphere and interhemispheric links are sufficient to reproduce the longitudinal brain network changes from 2 weeks to 1 year after the stroke. Finally, we showed that these temporal connection mechanisms are over-expressed in the subacute phase as compared to healthy controls and predicted the chronic language and visual outcome respectively in patients with subcortical and cortical lesions, whereas static approaches failed to do so. Our results indicate the importance of considering time-varying connection properties when modeling dynamic complex systems and provide fresh insights into the network mechanisms of stroke recovery.

研究动机与目标

• 探究动态、随时间变化的网络机制是否在中风后功能重组中起作用。
• 确定诸如三角形形成与半球间连接等时序连接模式是否能预测慢性功能结局。
• 比较时序网络模型与静态网络方法在中风恢复中的预测能力。
• 在模拟中风后网络重组的合成网络上验证所提出的模型。

提出的方法

• 将时序指数随机图模型（tERGMs）应用于从发病后2周、3个月和1年采集的静息态fMRI数据中提取的纵向功能连接（FC）网络进行分析。
• 通过将FC矩阵在10%连接密度下进行阈值化，构建时变且稀疏的邻接矩阵，以确保受试者间的可比性。
• 限制模型设定，聚焦于受损半球内的三角形形成与半球间连接形成，使用乘积项以强制实现三角形的纵向闭合。
• 在模拟中风后网络重组的时变合成网络上验证模型性能。
• 将中风患者中的tERGM结果与人口学特征匹配的健康对照组进行比较，以识别过度表达的时序机制。
• 采用模块化网络方法，仅对受病变影响的脑区进行建模，以提高特异性，尤其适用于皮质和皮质下病变。

实验结果

研究问题

• RQ1 与静态网络指标相比，诸如三角形形成与半球间连接发展等时序连接机制是否能更好地预测中风后功能恢复？
• RQ2 与健康对照组相比，中风患者在亚急性期的脑网络重组时序动态是否表现出过度表达？
• RQ3 从发病早期的时序网络中提取的网络特征是否能预测皮质或皮质下病变患者的慢性功能结局？
• RQ4 时变网络属性是否能捕捉到静态模型所遗漏的更高阶网络重组模式？
• RQ5 半球内三角形形成与半球间连接的形成是否足以重现中风后脑网络拓扑结构的纵向变化？

主要发现

• 受损半球内半球内三角形的形成以及半球间连接的建立，足以重现从发病后2周至1年期间的脑网络纵向变化。
• 与健康对照组相比，这些时序连接机制在亚急性期（2周至3个月）显著过度表达。
• 基于tERGM的时序特征分别成功预测了皮质下病变和皮质病变患者的慢性语言与视觉结局，而静态网络方法则未能实现这一预测。
• 该模型通过在10%连接密度下使用稀疏、阈值化的邻接矩阵，成功捕捉了网络重组的动力学，确保了跨受试者的稳健比较。
• tERGM模型中引入的乘积项确保了三角形仅在时间维度上实现闭合，从而强制实现纵向形成而非瞬时出现。
• 对于皮质下病变，受损半球的定义基于病变位置——白质病变以病灶侧为准，小脑病变以对侧为准，脑干病变则以双侧为准——从而提高了模型的特异性。