《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》
神经影像增强了我们对疼痛的神经关联的理解。但神经回路是如何与持续疼痛相互作用并导致持续疼痛的，在很大程度上仍是未知的。
我们通过两个独立数据集的静息态fMRI数据生成内在功能社区来研究大脑的介观尺度组织，队列包括43名纤维肌痛患者(FM)和20名健康对照(HC)，复制样本包括34名纤维肌痛患者和21名纤维肌痛患者。使用归一化互信息，我们发现慢性疼痛患者的全球网络结构不太稳定(更多变化)。随后的节点社区分配分析表明，FM和HC的社区组成存在差异。此外，网络组织的差异与不同程度临床疼痛患者的社区构成变化有关。总之，这项工作证明了FM患者和对照组之间的内在网络社区有很大的不同。这些差异可能代表了慢性损伤性疼痛病理生理学的一个新方面。
1. 简述
疼痛研究的一个难以实现的目标是对慢性疼痛状态的客观标记进行识别。理想情况下，该标记在慢性疼痛患者中更为显著，并可根据临床疼痛感觉的严重程度定量跟踪。损伤性疼痛中，如纤维肌痛(FM)，中枢神经系统功能改变有助于在没有周围组织损伤或炎症的情况下感知疼痛。静息态功能磁共振成像可以通过测量功能连通性来了解大脑的内在动态。之前的研究已经确认了慢性疼痛患者内在功能连接的中断。然而，这些分析基于先验假设(如种子连接或独立成分分析)检查了孤立的大脑区域或静息状态网络(RSNs)之间的功能连接。大脑还可以作为节点和边的网络来研究，去测量所有功能连接的贡献。采用基于网络的方法提供了对大尺度功能网络的全局和局部拓扑结构的洞察力。
在大多数网络中，节点的集合可以被组织成相互连接的组，称为社区。
与网络中其他社区中的节点相比，这些社区中的节点在本质上彼此之间的连接更加紧密。这种关系通过一种称为模块度的度量来量化，模块化、分离的网络在结构上具有更高的模块度。使用归一化互信息(NMI)可以量化两个网络之间的社区结构组成。具体来说，NMI是一种全局度量方法，通过每个社区内节点的分配来量化两个网络之间社区结构的相似性。局部度量，如phi值、节点间距或灵活性，探索跨网络的节点社区分配以及它们之间的差异。然而，在FM中，脑功能是如何内在地组织成模块或社区的仍然是未知的。
我们假设，大脑内功能社区的组织提供了一个基于大脑的FM标记。
我们还推测特定节点或大脑区域的社区分配改变，导致FM网络结构的差异，并与疼痛自我报告的水平有关。
2. 方法
2.1 被试
这项研究的新分析包括来自已发表的调查了慢性疼痛中的单因素静息状态功能连接和中枢结构研究的女性纤维肌痛(FM)患者和健康对照者(HC)。受试者分为无重合的FM和HC的发现集和重复集。FM与HC年龄匹配。发现集包括43女FM和20HC，由于伪迹排除5FM和3HC。重复集包括34FM和21HC，2FM和1HC排除，1FM由于不符合临床诊断标准被排除。
2.2 疼痛、抑郁和焦虑的临床评价
扫描前获得所有人的疼痛（0-100分的直观类比量表）评级、发现集抑郁和焦虑（医院抑郁和焦虑量表HADS）评级、重复集抑郁和焦虑（流行病研究中心抑郁量表CES-D、状态-特征焦虑量表STAI）评级。为了比较所有研究对象的临床变量，使用抑郁和焦虑的临界值将患者分为两组:可能是抑郁或焦虑，或不焦虑。临界值如下：HADS-Depression:≥8；HADS-Anxiety:≥9；STAI:大于40；CESD:≥18.
2.3 fMRI方法
2.3.1 数据采集和预处理
3.0T GE扫描仪，8通道头线圈。T2*spiral序列采集6分钟静息数据。采集T1*W 高分辨率结构像。被试清醒睁眼，同时采集生理数据。SPM12和Conn进行数据预处理和分析。MATLAB的RETROICOR算法去除生理伪迹，FSL进行层时间校正。然后进行头动校正、重排列、配准到T1、标准化到MNI空间、平滑。预处理后的fMRI数据被输入到Conn工具箱，其中CompCor包括6个受试者特定的运动参数，来自白质和脑脊液的fMRI信号，以及它们的一阶导数作为混杂。0.01-0.1Hz滤波。
2.3.2 移动
多步排除过度移动的被试。第一，排除FD平动超过2mm，转动超过0.5°的被试。计算每个被试6个头动参数的均值和方差来决定每个数据集在移动参数上的组差异。6个移动参量组合成瞬间FD。计算均值和最大FD作为平均和瞬态FD。平均FD大于均值3SD的被试被排除。为排除移动不会对NMI和phi的组差异带来贡献，将均值和最大FD作为NMI组差异检验的协变量。评价组NMI内的均值FD和最大FD得相关性。
2.4 图论分析
图1是个体图创造步骤。预处理的数据传入Conn得到基于264脑区作为ROI的FC矩阵。使用最大化模块化的社区检测方法为个体受试者生成功能网络，并考虑了1000次重复的全连接和加权相关矩阵。共识分析用于生成每个个体特定的网络。具体来说，计算两个节点在同一社区中的次数生成一致矩阵。阈值tau（0.1-0.9），被应用于每个矩阵，以0.1为间隔来创建个体水平的分区。
图1 静息态数据功能脑网络构建2.4.1 模块度
使用模块度最大化可以实现将网络划分为不重叠的社区或模组。模块度度量量化了模块化分区的好坏，即一个模组或社区内有较强连接的网络比模块间连接网络具有更高的值。基于共识分析生成的个体水平分区的全加权矩阵计算模块度。
2.4.2 归一化互信息
为量化被试间全球网络组差异，我们用归一化互信息。NMI测量了所有被试两个网络间的成对相似性（图1b）。基于信息论，互信息(MI)量化了两个集群共享相似解决方案的程度。当两个网络完全随机时，MI为0;当两个网络完全相同时，MI为1。归一化互信息 (NMI)技术提高了有不同社区数的两个网络比较的灵敏度。具有相似社区结构的网络具有较高的NMI值，因为较低的NMI表明网络在组织上是不同的。对每个被试，用相同组所有被试间的平均NMI计算组内NMI（FM-FM,HC-HC）。计算组间NMI作为不同组所有被试间平均成对NMI（FM-HC）。更大的NMI说明两个网络在社区结构上更大的相似度。
2.4.3 组一致功能网络
对FM和HC组，用阈值tau=0.4的个体网络分区分别生成一致性矩阵。这个框架下，一致性矩阵测量了两个节点出现在FM和HC组内不同被试相同社区内的一致性。基于tau在0.1-0.9，步长0.1得到组一致分区或网络。发现社区数量随tau增加而增加。我们报告了tau=0.5（组内50%一致）的跨不同一致矩阵的组一致网络，因为这个阈值FM和HC之间社区数一致。
2.4.4 phi分析
一个节点的社区分配是一个局部度量，它标识了节点对网络组织的贡献。我们使用Phi检验来量化节点社区分配的成对相似性，从而确定哪些节点可能导致NMI组差异(图1c)。对于每个受试者，根据给定节点与其他所有节点在同一社区（1）或不同社区(0)生成一个二进制矩阵。用此矩阵，然后皮尔逊phi系数生成节点相似性度量(phi)。
对每个受试者与受试者的节点对计算组内平均phi。较高的phi值表明该节点在参与者中经常是同一社区的成员(即强烈忠诚)。低的phi 表示节点社区的分配是可变的，并且经常在不同被试网络的不同社区之间转移忠诚。
2.4.5 社区率
为了评估一个节点在其社区成员中是如何不同的，我们检查了每组低疼痛和高疼痛被试中每个节点的社区分配的变化(见图7中的例子)。
在这两个组中，我们发现节点要么分配给一个社区，要么在我们的数据集中分布在两个或多个社区。我们根据它们的模式对这些节点进行分组:模式A、模式B、模式C和模式D。遵循模式A的节点被划分为社区1和社区3。模式B由主要存在于社区2中的节点组成。分组在模式C和D中的节点分别优先在社区3和社区1。
社区比率进一步通过量化节点社区分配在低和高疼痛FM网络之间的差异来检验节点社区分配的变化。Alpha比率量化了节点相对于社区2被分配在社区1和3的平均频率.一个较低的Alpha比率意味着一个节点可能经常被分配到社区2中。通过计算节点相对于社区3被分配到社区1的频率，Beta比率检查节点是分配到社区1还是分配到社区3。较低的beta比表明在一组网络中一个节点主要在社区3中。
对社区比率的另一种解释是，Alpha比率决定了一个节点在一个群体中相对于模式B表现出模式A的规模。beta比率解释了一个节点显示模式D相对于模式C的比例。
2.5 ROC分析
根据R统计软件的接收器曲线分析确定识别指标。在每个阈值，组内NMI值用于确定网络拓扑是否准确识别FM或HC组成员。阈值是根据最大化到恒等线距离的值来确定的。敏感性、特异性和准确性也从这个阈值计算。
2.6 全脑回归分析
为了探讨传统的内在静息状态网络(RSN)与我们的网络测量方法之间的关系，我们进行了全脑回归分析，将FM患者的NMI与静息状态网络功能连接的改变进行相关。RSN种子是使用GIFT工具栏通过独立成分分析生成的。从估计的成分中，凸显(SLN)和默认模式网络(DMN)通过空间相关性与RSN模板进行识别。为每个RSN生成二元mask，用于Conn工具箱中的种子到全脑功能连接分析。为决定FM中与NMI关联的RSN网络的变化，个体beta图用于与NMI二阶全脑回归分析。年龄和运动作为协变量。
最后进行统计学分析。
3. 结果
3.1 内在网络结构在慢性疼痛患者中改变了
首先决定FM与HC之间的网络结构是否有差异。比较了组内和组间网络组织的差异。发现FM组内，每一对FM患者平均NMI低于HC的对，说明FM组FC的组织更多变。HC有相对稳定的网络结构（高配对NMI）。组内NMI在FM与HC间显著不同，且在不同阈值都是事实（图2a）。然后，比较组间网络相似度。发现，FM患者组间NMI相对于组内FM NMI显著更低，说明网络组织与HC大不同。FM与HC之间社区数和模块的无显著差异（图2b,c）。对于运动的影响，平均FD在FM与HC显著不同，但NMI与运动无显著相关性，说明运动不会影响个体网络变化。均值FD与最大FD作为协变量不会影响组差异。
随后检验了这些结果的可重复性。在复制集，同样发现FM有更低的组内和组间NMI（图2c-e）。简言之，慢性疼痛患者有更低的组内和组间NMI，说明其网络结构更多变和不同。模块度和社区数无组差异进一步说明尽管相对于社区间，社区内的连接强度是相似的，组成社区的节点在不同组是不同的。
图2 FM和HC功能网络比较3.2 NMI识别FM网络的敏感性和特异性
为了研究全局网络结构是否可以用于识别FM网络，我们测量了NMI是否可以准确地识别FM患者和HC的网络。ROC分析表明组内NMI在多个阈值可成功识别病人和控制,对发现和复制集平均准确性为85 ±13.9和86± 10，曲线下面积(AUC) 为87±10.8和86±12.8(图3)。不同阈值得到70%的一致性,组内NMI断准确识别FM患者，发现集敏感性88%,特异性94%,和复制集平均敏感性79%,特异性91% (图3 b)。在这两个数据集的准确性,敏感性,特异性和AUC随tau增加超过了0.7而有所下降。
图3 组内NMI可靠的从HC中识别出FM3.3 静息态网络的变化与归一化互信息有关联
为了探讨FM的NMI与内在网络连接的相关性，我们采用全脑回归分析了静息状态网络连通性与NMI的相关性。凸显网络(SLN)和默认模式网络(DMN)之间的功能连接与组内NMI (FM-FM)有关。具体来说，我们发现扣带回/胼胝体下回、楔叶、颞中回和角回之间的显著连接与NMI呈负相关(图4a)。突显网络和前扣带皮层的功能连接说明突显网络内更强的连接与更低的NMI相关。由于后扣带皮层(PCC)和角回是默认模式网络的一部分，这些结果表明凸显网络和默认模式网络之间的功能连接也与组间不太相似的FM网络有关。值得注意的是，我们还发现脑岛皮质、舌、额下回、边缘上回和中央前回之间的DMN功能连接与FM中的NMI呈负相关。
图4 内部静息网络功能连接与NMI有关3.4 组一致分析揭示社区结构
为可视化FM和HC的社区结构，我们生成一致网络，tau=0.5.选择50%作为一致性阈值是因为病人和控制一直网络之间的社区数目一致。为测试RSN内的节点如何在社区中分布，对每个RSN，我们量化了每个社区的节点百分数（图4c,d）。对FM和HC网络，视觉网络和默认网络的节点主要在一个社区。一致HC网络，感觉运动节点分裂在社区3（66%）和4（26%），在一致FM网络仅在社区3（发现集）。额顶、凸显和次皮层节点在FM和HC的多个社区的分布不同。
为决定每个社区的构成，量化了每个社区内节点在每个RSN的百分数。两个数据集，FM和HC组社区1,2,3的构成一致。社区1包含从视觉到小脑网络的节点，2包含DMN的节点，3包含感觉运动、扣带-盖、次皮层、背侧和腹侧注意网络的节点。最小的社区4在不同数据集和组的节点数目和组成不同，FM一致网络社区4的48%的节点属于额顶网络，HC网络45%的节点与感觉运动网络一致。重复集，社区4的32%的节点在FM一致网络包含额顶网络节点，与发现集一致。突显网络在FM和HC分别构成了社区4节点的41%和50%。总之，FM和HC组每个RSN的节点的社区分布不同。
3.5 慢性疼痛的节点在社区分布上更多变
一致网络的差异表明，社区由多个静息网络的节点组成，这可能揭示了内在静息网络连接的差异。此外，FM患者与HC网络中不同社区节点的组织可能反映了慢性疼痛网络结构的差异，并与患者的临床疼痛强度有关。我们研究了FM和HC之间的社区组成差异与哪些节点有关。较高的phi值表明一个节点在FM或HC组内的个体中始终是同一社区的成员。我们发现许多脑区社区分配在组间存在显著差异，FM患者的Phi值低于HC患者。在发现集和复制集，FM组分别有118和121个节点有显著低的phi值。其余的phi在两组之间统计不显著。264个中有47个节点在两个数据集的FM个体中phi值一致更低，说明它们在FM中显著多变（图5b）。
图5 phi分析识别出FM组脑网络变化节点3.6 不同疼痛度的病人内部网络结构不同
虽然在FM网络中节点更多变，我们特别感兴趣的是确定FM中的社区结构的可变性是否与临床疼痛相关。结合两个数据集的FM网络，然后基于临床疼痛评级分为三分位（每组23），创造低、中和高痛组。与低痛组相比，高痛组有显著更低的NMI，说明两组社区结构的差异（图6a）。中和高、低和中痛组组内NMI无显著差异。下面的分析仅纳入高和低痛组这两种极端情况。
探索临床疼痛和FM社区结构的可变性之间的关系,我们确定哪些节点可能引起了低和高疼痛病人网络结构的差异(图6 b)。phi测试显示43个节点在高和低痛组社区分配显著不同（图6b）。簇分析发现这些节点组成了2簇解决方案，在高低痛队列之间的差异进一步说明节点社区分配的变化与疼痛强度相关。高痛组43个节点的12个节点在社区分配中是稳定的。这些节点与DMN、额顶和凸显网络有关（图6c）。低痛组其余31个节点在社区分配中稳定，与感觉运动、扣带-盖、视觉、注意、额顶、凸显网络有关（图6d）。
图6 网络结构与临床疼痛水平的关系3.7 社区率揭示了节点社区分配在不同疼痛强度间的不同
为了检查一个节点在两个组之间的社区成员如何不同，我们使用社区比率来量化低和高疼痛网络之间的节点社区分配。对于在低和高疼痛网络中社区分配存在显著差异的节点，我们通过计算每个组的节点社区分配频率分布，量化了社区分配在低和高疼痛网络中的差异。
我们测量了高痛网络更高phi的节点的alpha比率，这些节点在社区1和3（模式A）对比社区2（模式B）中分配不同（图7a,c）。例如，右角回通常位于社区1和3之间(相对于社区2)，在高疼痛网络中相对于低疼痛网络有更高的Alpha比率。相反，右前脑岛主要在社区2的高疼痛患者网络中发现，具有较低的Alpha比率。我们还计算了评估社区3(模式C)或社区1(模式D)在低疼痛时节点稳定情况的Beta比率。左侧中央后回在低疼痛网络分配到社区3。因此，与高疼痛组相比，低疼痛组的beta比值更低。右内侧眶额回在低疼痛网络位于社区1，而高疼痛网络更常见于社区3。因此，对于这个节点，与低疼痛组相比，高疼痛组beta比率较低。
最后，我们研究了基于组一致分析的社区标签在节点之间的社区比率，以及它们在低和高疼痛网络之间的差异。Alpha比值的差异表明，颞中回、额上回、额中回和角回的节点与默认模式网络相关，在高疼痛时是稳定的，并且存在于与视觉和感觉运动静息状态网络相关的社区中。在高疼痛患者的默认网络社区中发现了与凸显网络相关的两个节点(即脑岛前部和额前中央)（图8a,c）。值得注意的是，丘脑内侧低和高疼痛网络之间的差异反映了低和高疼痛网络之间的社区2或3的节点分配。
Beta比率强调了与不同疼痛强度相关的视觉和感觉运动网络分配的差异（图8b,d）。在高痛网络中，眶内侧额回、颞上回、运动补充区/中央旁小叶、背侧前扣带回节点的beta比值较低，表明这些节点在高痛组分配到了感觉运动网络。在低疼痛网络中，这些节点在视觉和感觉运动社区之间变化，结果beta比接近1。有趣的是，第三组结点包括中央前回、中岛、颞上回额眶中回和视觉区域:舌、颞下回和枕下回，在高疼痛时也有更高的beta比。与低疼痛网络相比，高疼痛网络的这些节点出现在视觉社区中。这些结果表明，社区比例量化了FM患者与临床疼痛强度相关的社区组成的节点差异。
图7 社区比率揭示了低和高痛组节点社区分配分布4. 讨论
本研究的主要结果是慢性疼痛患者与HC的NMI是不同的。FM患者组内和组间NMI均显著降低，说明FM患者的社区构成更不稳定，与HC有显著差异。此外，NMI准确地预测网络是来自FM患者还是HC，准确率为85%。我们发现，社区结构的差异与慢性疼痛患者网络中节点忠诚度的变化有关。简言之，在慢性疼痛患者的社区分配中，某些大脑区域更多变、可预测性更低。接下来，我们确定这些社区结构的变化是否与临床疼痛水平相关。与低疼痛的慢性疼痛患者相比，高疼痛的临床患者NMI较低。这些网络拓扑结构上的差异归因于跨网络功能社区的内在组成，并与不同程度的临床疼痛相关(图8)。本研究的一个显著优势是，我们在FM和HC参与者的新队列中复制了社区结构的差异。
图8 FM组的网络重组5. 结论
与HC相比，FM患者的内在脑功能网络变化更大。此外，不同程度的临床疼痛患者内在脑网络的社区组成也不同。本研究表明介观尺度的社区结构可以作为FM患者的诊断工具。
