目的：虽然颞叶癫痫(TLE)被认为是一种系统疾病，但从动态角度探究其病理变化的研究很少。通过利用量化连接之间信息流的计算模拟，我们测试了网络通信异常的假设，研究了疾病影响下海马和网络水平之间的相互作用，并评估了与认知相关的情况。
方法：通过扩散加权磁共振成像的采集大脑结构影像，通过线性阈值模型模拟信号传播，将31名经组织学证实的海马硬化症患者与31名年龄和性别匹配的健康对照组进行比较。我们评估了大脑皮层和海马结构改变对网络动力学的调节作用。此外，多变量统计方法用于分析与认知的相关关系。
结果：我们观察到多个双侧区域的信号传入和传出时间减慢，表明信息流的延迟，在同侧额颞区、丘脑和海马区的影响最大。当控制海马体体积而不是皮质厚度时，信号传入和传出时间显著降低，表明海马体在疾病表达的中心作用。多变量分析将额叶、边缘、默认网络和皮质下网络中较慢的传播速度与感觉运动、执行、记忆和语言能力任务的损害联系在一起。
重要性：本研究没有进行静态拓扑分析，转向大脑动力学的探究，为结构介导的网络功能障碍提供了新的视角，并证明了全脑传播动力学的改变导致了TLE常见的认知障碍。
要点：颞叶癫痫患者在多个双侧区域表现为信息流延迟，以同侧额颞区、丘脑和海马区影响最大；当控制海马体积时，信息流延迟差异显著降低，说明海马在疾病表达中的中心作用；额顶、边缘和默认网络以及皮层下网络的传播速度较慢与各种认知的损害有关。本文发表在Epilepsia杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。
思影曾做过多期癫痫相关的脑影像文章解读，欢迎点击下文浏览：
PNAS：癫痫发作过程中有效连接网络的时变可控性
癫痫的神经行为和临床共病：白质网络中断/损伤的作用
癫痫合并神经行为障碍：基于网络的精确分类
Lancet Neurology：脑成像在评估癫痫手术中的作用
癫痫磁共振成像:临床标准与进展
致痫脑源时空分布的无创电磁源成像
BRAIN:AFQ（纤维束自动量化）技术预测颞叶癫痫术后疗效
Radiology：颞叶癫痫对侧脑区的术前fMRI脑网络整合情况与术后结果的关系
Neurology：颞叶癫痫：海马病理学基础与脑网络连接组拓扑结构和可控性的联系
JAMA Neurology：局灶性癫痫患者皮质的进行性变薄
Molecular Psychiatry：神经影像机器学习对不同表型癫痫患者脑龄进行预测
结构、弥散及静息态fMRI对探查颞叶癫痫患者大脑改变及言语记忆损伤的敏感性研究
SLEEP:睡眠/清醒状态下癫痫发作患者结构共变脑网络的研究
颞叶癫痫患者直系亲属的正常大脑皮层厚度
PPI研究：颞叶癫痫的左颞叶语言网络功能连接
关键词：认知，传播动力学，DTI，MRI，颞叶癫痫
1 引言
颞叶癫痫(Temporal lobe epilepsy, TLE)是最常见的抗药性癫痫。虽然传统上颞叶癫痫是一种以海马硬化为组织病理学标志的局灶性综合征，但来自神经影像学的研究表明，分布在新皮质和白质的结构和功能异常，为这种疾病的神经生物学提供了新的观点。网络异常与理解影响记忆、语言和执行的认知功能障碍有关，初步证据表明结构和静息态功能连接测量方法的预测价值。事实上，在网络科学进步的推动下，目前TLE是一个快速增长的研究领域。到目前为止，图论一直是表征结构脑网络的主要方法，通常源自协方差分析或扩散磁共振成像。以往TLE研究表明，相对于健康对照组来说，TLE的网络拓扑存在异常，主要是通过特征路径长度和聚类系数来量化网络整合和分离的能力。从动态的角度来看，病理连接组学在很大程度上仍未被探索。此外，很少有人研究疾病影响下海马和网络层面的相互作用。
基于神经系统的生理活动受到连接模式限制的基础上，网络科学正在向新的方向发展，超越静态拓扑，转向大脑动态模型的研究。在这些研究中，连接情况有多种方式，包括尺度（例如，微观、介观、宏观）和模态（例如，结构，功能）。在大脑功能分析中，应用于fMRI的动态连接不再是简单的扫描长度平均值，而是捕捉连接的时差性能。动态连接也可以从结构连接的角度来解决。在这方面，连接模型提供了一个桥梁，从扩散磁共振成像了解功能动力学介导的结构连接。值得注意的是，虽然“路由”过程意味着通信沿着最快或最直接的路线从特定源流向特定目标，但扩散或扩散过程意味着在没有特定目标的情况下进行信息传播，或者即使指定了目标，缺乏对全局网络拓扑的了解会妨碍信息采用最短路径传播。可以使用传播模型来研究通信，由此在给定的网络节点上虚拟地诱导激活，并且在环路中追踪相连的节点。每个节点的活动根据它的邻近节点不断更新。通过增加一个有限的阈值，即在给定节点之前必须激活邻近节点的比例，可以参数化地调节节点兴奋性，从而允许广泛的网络行为。网络传播动力学被认为是理解疾病影响、可塑性和恢复力的基础。
在这里，我们假设全脑传播受到最短路径连接以外的影响，其严重程度在统计学上与海马区病理程度成比例。为此，我们通过线性阈值模型，模拟沿着扩散加权磁共振成像得到的结构连接进行信号传播。具体来说，我们使用线性阈值模型来描述网络中的每个节点如何根据其邻居节点的状态决定该节点状态。该模型在结构图的顶点生成随时间演变的信号，捕捉解剖结构和传播动力学之间的相互依赖关系。换句话说，这个模型模拟网络中节点的激活序列，并测量节点对之间的信息传播时间，即来自给定节点的活动到达另一个节点所需的时间。因此，传播时间反映了激活的时间顺序，允许按区域评估事件的级联。我们评估了网络传播的全局和节点差异，将患者与健康对照组进行了比较，并评估了新皮质和海马结构改变对网络动力学可能的调节作用。此外，我们使用多变量相关来捕捉传播动力学指标和认知之间的关系。
2 方法
2.1 被试
从转到我院进行抗药性TLE调查的患者数据库中，基于以下纳入标准，挑选了31名被试（平均年龄±SD = 34±10， 18- 53岁；16名女性）：
（a）接受手术的病人；
（b）切除标本的组织病理学分析显示海马硬化；
（c）患者在手术前接受了研究专用的3T磁共振成像，包括解剖和扩散加权磁共振成像。颞叶癫痫诊断和癫痫发作的偏侧化(LTLE，n = 15；RTLE，n = 16) 是由综合评估决定的，包括详细的病史、神经系统检查、病历回顾、视频脑电图记录和常规磁共振成像，均显示海马萎缩和T2加权信号强度增加。值得注意的是，没有患者有肿块病变(皮质发育畸形、肿瘤或血管畸形)、创伤性脑损伤或脑炎病史。
所有患者都接受了常规神经心理学测试（V.S. 和 J.C）。在各种检查中，我们挑选了适用于所有患者的检查。言语智商(Verbal IQ)用韦氏成人智力量表评估(WAIS- III)。视觉构建能力和注意力/工作记忆能力通过WAIS- III的分块设计和数字跨度分量表测得。Rey听觉词汇学习测试(RAVLT)、抽象词汇表和它们的非语言类比测试了语言和非语言记忆。Thurstone语言流畅性测试(TWFT)评估语言流畅性，Leonard敲击任务测量顺序运动敲击。
手术切除组织的组织病理学检查显示，17名患者的CA1和CA3均有明显的细胞丢失，主要是9名患者的CA1和5名患者的CA4。我们根据Engel改良分类确定了手术后癫痫发作的结果。在超过2年的随访中，25名患者(81%)出现了一级结果(即没有致残性癫痫发作)，而其余6名患者报告了残余癫痫发作。
对照组由31名年龄和性别匹配的健康个体组成(平均年龄±SD = 33±8岁， 24-53；16女)。蒙特利尔神经病学研究所和医院的伦理委员会批准了这项研究，并获得了所有参与者的书面知情同意。
2.2 MRI采集
核磁共振扫描数据是通过西门子3T TimTrio上使用32通道头部线圈获得的。数据采集包括3D T1 MPRAGE（ TR = 2300 ms， TE = 2.98 ms，TI= 900 ms，翻转角度= 9°，1 × 1 × 1 mm3）和2D二次聚焦回波平面扩散加权图像(TR = 8400 ms，TE = 90 ms，翻转角度= 90°，63个轴向切片，2 × 2 × 2 mm3；64个扩散方向，b = 1000 s/mm2，以及b0)。
2.3 网络分析
2.3.1 结构磁共振成像预处理与大脑分割
对T1加权图像进行如下预处理：场强非均匀性校正，线性配准到MNI152空间。T1w图像分割为白质（WM）、灰质（GM）和脑脊液（CSF）。我们应用CLASP(Constrained Laplacian AnatomicSegmentation using Proximity)算法，在每个半球的皮质表面生成41000个点(此后为顶点)。简而言之，CLASP迭代地扩展表面以拟合GM-WM表面，并且随后通过沿着两个表面之间的拉普拉斯梯度（Laplacian gradient）来估计GM- CSF表面。基于表面的配准，即根据皮质折叠来对齐到个体表面，增强受试者之间顶点的解剖对应。目测检查表面，手动校正误差。我们使用自动解剖标记(AAL)将每个半球皮质分成78个区域，这些区域被进一步细分为更小的patche，这些patche具有相似的表面积，从而得到294个皮质区，加上12个皮质下区域，总共306个区域。个体MRI被非线性地定义到AAL图谱的Colin27模板上。使用这种变换的逆变换，图谱标签被映射回个体MRI，并与皮质表面相交，以产生特定被试的表面分割（Figure 1A）。
Figure1 传播模式。（A）自动解剖标记将大脑分成306个区域，包括海马、杏仁核、苍白球、壳核、尾状核和丘脑。健康对照和TLE患者的连接是使用所有节点之间的扩散追踪成像生成的(根据功能分区:默认模式[DM1和DM2]、腹侧注意[VA]、背侧注意[DA]、躯体运动[SM]、额顶叶[FP]、边缘[L]、视觉[V]和皮质下[S])。对于每个群组(对照组和患者)，网络图显示在每个矩阵旁边，根据FA值对边进行颜色编码。（B）线性阈值模型生成事件(或信号)，这些事件(或信号)在结构图中随时间演化(图示为海马体中的单个种子)；信号需要四个时间步长(t)才能传播到整个大脑。基于加权传播时间Sij对节点进行颜色编码。(C)对于不同的激活阈值θ值，左图显示平均传播时间(T)，右图显示Hamming距离(D)，传播时间和最短路径之间的路径长度数。z-score标准化。A θ = 0.015 (*)最大化了患者和对照组之间的差异。阴影区域表示标准误差。皮质厚度计算方法：灰质-白质和灰质-脑脊液表面上相应点之间的欧几里德距离。使用先前验证的surface patch算法自动分割海马体，该算法在健康受试者和TLE患者中都显示出优异的性能。
2.3.2 连接构建
使用FSL (fmrib.ox.ac.uk/fsl)对扩散加权图像进行失真校正、运动和涡流校正。我们估计了每个体素的扩散张量形状，并使用trackvis导出分数各向异性（FA）。对于每个个体，通过WM和FA骨架之间的非线性配准，将皮质表面从T1加权图像映射到个体扩散空间。然后，我们将AAL标记对应到GM-WM边界下1mm的WM表面，该过程通过GM-WM表面和脑室之间的拉普拉斯梯度完成。基于FACT算法生成全脑结构连接，这是一种考虑体素中多个扩散方向的算法。结构连接在WM内计算，当达到GM- WM边界以下1mm或steamline的曲率超过阈值60时，追踪停止。基于这些streamline，我们计算每对节点的平均FA，并将存放在全脑结构连接矩阵wij中(Figure 1A)。选择FA，因为它已被证明能反映白质显微结构特性，并已在TLE文献中广泛使用，有助于结果的解释。
2.3.3 传播模型
我们使用线性阈值模型来描述网络中的每个节点如何根据其邻居节点的状态来决定其状态。该模型生成事件(此后称为信号)，这些信号在结构图的顶点随时间进行变化，从而捕捉解剖结构和传播动力学展之间的相互依赖关系。每个节点i对应AAL的一个顶点，有两种状态: xi =0不活跃，xi= 1激活。边由连接节点对间的平均加权FA表示。任何时刻节点状态都由具有比例阈值的动态规则控制。
其中xi(t)是节点i在时间t的状态(以任意单位表示的模拟时间步长)，wij是个体FA权重，Ki=∑jwij是节点i上的总输入权重，F(u)是阶跃函数[如果u > 0，F(u) = 1，否则F(u)= 0]。θ用于控制参数的激活阈值；直观地说，它可以解释为信号传播的阻力。对于θ= 0，信号沿最短路径传播，导致整个网络的快速激活；相反θ较大，不管初始激活位置和强度如何，都没有信号传播，因为节点邻域中的连通性权重较低。该特征突出了模型中θ= 0.015的all-or-none转变(详见下文)。对于θ> 0和θ< 0.015，信号通过FA权重较高的路径传播。
2.3.4 传播动力学模拟
在每个个体中，节点被初始化为非活跃状态。然后，我们通过将给定的节点i设置为活动状态进行传播。根据θ值，信号可以根据等式(1)通过网络进行传播。对于每个θ，我们测量了加权传播时间，由Skj= 1∕wkj定义（任意单位，其中wkj是节点k和j之间的FA权重），例如，信号通过k和j的所需时间。因此，从给定节点i到任何区域j的有效加权传播时间Sij，表示为信号从i传播到j的任何激活邻居k的时间之间的平均值，Sik表示当信号从k到达j的时间，1∕wkj表示为：
其中nj是节点j的活跃邻居节点的数量，并且总和仅超过j的活动邻居。当节点j被激活时为每对(i，j)计算一次Sij；如果j未激活，则Sij= 0（Figure 1B）。值得注意的是，没有一个活跃节点可以自己激活目标j；j被同时连接到i的所有活动路径激活。Sii=0，也就是说，从每个节点到自身的传播时间是瞬间的。此外，即使wij对称，矩阵Sij也不一定对称。
计算了种子点-目标节点对间的平均加权传播时间，并定义了以下两个参数。传出时间是给定种子激活整个网络所需的时间(即Sij每行的所有列j上的平均值)，可以解释为节点对网络施加的动态影响。传入时间是给定节点被激活所需的时间(Sij的每一列的所有行i的平均值)，表示给定节点对来自其他节点的信号的动态敏感度。
研究比较了二值传播矩阵Tij和最短路径矩阵Pij，Tij表示从激活节点i到j所需的时间步长，Pij用D(T, P)之间的Hamming距离的平均值表示。Tij是信号从i到达j所需的最小时间t(以模拟时间步长为单位)。因此，Tij不依赖于FA值，因此当θ= 0时，二值传播时间减少到Pij。Hamming距离表示二值传播时间和最短路径矩阵之间不同路径长度的数量，换句话说，它显示了二值化传播时间是否不同于最短路径，并确定了最大限度区分患者和对照组的θ值。值得注意的是，传播路径是对传播阻力最小的路径；换句话说，由大于θ的边组成的路径。注意：两个区域通过连接来进行通信是不够的，连接必须足够强(大于θ)，并且并行伴随路由必须存在，通信才能有效(这就是为什么节点只能在其输入之和超过阈值时被激活)。在所有θ中(范围从0到0.03，步长为0.005)，患者始终表现出较高的平均二值化传播时间以及较大的二值化最短路径和传播时间的Hamming距离（Figure 1C），表示与最短路径的偏差很大。在θ= 0.015时，患者和对照组之间的加权传播时间差异最大；因此，该值被选择用于所有后续分析。如您对脑影像等数据处理如脑功能，脑网络或其他模态脑影像数据处理感兴趣，请浏览思影以下链接（直接点击即可浏览），感谢转发支持。(可添加微信号siyingyxf或18983979082咨询)：南京：
第六十七届磁共振脑影像基础班（南京，9.15-20）
第五届弥散磁共振成像提高班（南京，9.22-27）
第三十三届磁共振脑网络数据处理班（南京，10.16-21）
第二十二届磁共振脑影像结构班（南京，10.24-29）
上海：
第二十一届磁共振脑影像结构班（上海，9.19-24)
第二十四届脑影像机器学习班（上海，10.9-14）
第三十一届磁共振脑网络数据处理班（上海，10.28-11.2）
第六十九届磁共振脑影像基础班（上海，11.4-9）
重庆：
第九届脑网络数据处理提高班（重庆，10.13-18）
第七十届磁共振脑影像基础班（重庆，10.22-27）
第二十八届弥散成像数据处理班（重庆，11.5-10）
北京：
第六十八届磁共振脑影像基础班（北京，9.21-26）
第十届脑网络数据处理提高班（北京，10.20-25）
第十一届磁共振ASL（动脉自旋标记）数据处理班（北京，11.3-6）
脑电及红外、眼动：
重庆：
第四届脑电机器学习数据处理班（Matlab版本，重庆，9.24-29）
第二十七届脑电数据处理入门班（重庆，10.28-11.2）
上海：
第二十五届近红外脑功能数据处理班（上海，10.17-22）
北京：
第三十九届脑电数据处理中级班（北京，10.11-16）
更新：第十三届眼动数据处理班（北京，10.26-31）
南京：
第五届脑电机器学习数据处理班（Matlab版本，南京，11.3-8）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技定量磁敏感（QSM)数据处理业务
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影科技灵长类动物fMRI分析业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
思影科技微生物菌群分析业务
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京，重庆）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
2.4 统计检验
2.4.1 传播动力学
在MATLAB R2016b中使用SurfStat进行统计分析。患者的左/右半球传播矩阵(加权传出和传入时间)被分为病灶的同侧和对侧。为了最大限度地减少与正常半球间不对称相关的混淆，使用z变化进行标准化，并计算了每个节点和整个网络的平均值。此外，通过将AAL模板的节点分到其大部分顶点所在的网络，我们分析了八个功能网络之间的传播矩阵；这也是一种低分辨率的脑区分割方法。线性模型评估了患者和对照组之间的群体差异。我们使用Cohen's d来计算平均效应量。为了评估形态学对传播时间的影响，统计还包括平均皮质厚度和海马体积的分析。此外，我们还评估了FA以及图论的聚类系数和介数中心性的组差异。
2.4.2 与认知和临床参数的关系
我们应用偏最小二乘相关(PLS)来确定线性加权组合(即分量或潜在变量)，最好地解释了传播时间与年龄、发病年龄和认知评分的协方差。通过10000次置换检验来评估每个PLS成分的统计显著性。通过bootstrapping进行评估个体变量权重的显著性，权重与其标准误差的比率决定了它们的加权贡献。此外，我们使用重复100次的三折交叉验证方法验证结果，其中从67%的患者中估计变量权重，并应用于生成剩余33%的PLS评分。最后，我们计算了PLS评分与临床和认知量表之间的相关性。对功能网络的节点进行了同样的分析。
2.4.3 多重比较的校正
我们使用FDR进行多重校正，阈值设置为q = 0.05。
3 结果
3.1 大脑的传播动力学
在健康对照组中(Figure2A)，额叶的传入时间(给定节点被激活所需的时间)总体上更快，而包括海马和杏仁核在内的颞叶的传入时间更慢。相反，传出时间(给定节点激活整个网络的时间)在不同的大脑区域没有差异。与对照组相比，TLE患者在许多双侧区域显示出较慢的传入和传出时间(PFDR < 0.01；Figure 2B)，主要影响同侧边缘结构(海马、杏仁核、颞极、海马旁回、脑岛)、丘脑和尾状核。值得注意的是，传入时间和传出时间呈正相关(r = 0.39，P < 0.0001)；也就是说，花费更多时间被激活的节点(慢的传入时间)也很难激活它们的邻居(慢的传出时间)。将节点分为功能网络的研究表明，视觉和皮层下、腹侧注意、DMN1和额顶网络之间以及皮层下和边缘、躯体运动和背侧注意之间的传播改变较大(PFDR < 0.01；Figure 2C)。控制海马体积后的重复分析结果显著改变，只有少数节点在同侧额叶、颞叶(包括海马、杏仁核和颞极)和顶叶显示出较慢的传播时间(图3A)。当将节点分成功能网络时，海马结构完整性对传播动力学的影响是相似的。相反，控制皮质厚度不会改变结果(Figure 3B)。
与传播时间的显著差异相比，FA、聚类系数和介数中心性的组差异仅包含少数节点，这表明与静态拓扑度量相比，动态度量的敏感性增加(图S1)。
Figure 2 全脑传播动力学
(A)对照组中的加权传播时间。红色表示给定节点慢的传入或传出时间。
（B）以效应量(Cohen's d)表示的TLE患者和对照之间传播时间的节点比较；粉色表示在TLE中传播时间较慢。
（C）传播时间的组差异表示为Cohen'sd效应量，矩阵中的节点分为功能网络(DMN:默认模式；VA:腹侧注意；DA:背侧注意；SM:躯体运动；FP:额顶叶；l:边缘性；V:视觉；和S:皮层下)。网络矩阵Cmn被计算为从网络m中的所有节点i到网络n中的所有节点j的平均加权传播时间。q < 0.05，FDR校正。L/R表示左/右半球；ipsi/contra指癫痫发作病灶的同侧和对侧。
Figure 3 大脑形态计量学对沟通动力学的调节作用。海马体积(A)和皮质厚度(B)对节点(左图)和网络(右图)传播时间的影响。TLE患者和对照组之间的比较用Cohen's d效应量表示；粉色表示TLE中传播时间较慢。控制同侧海马体积显著改变了结果，而皮质厚度对结果几乎没有影响。q < 0.05，FDR校正。L/R表示左/右半球；ipsi/contra指癫痫发作病灶的同侧和对侧。
3.2 传播动力学与临床量表的关系
偏最小二乘法分析显示，一个包括71%为节点部分 (置换P < 0.005，样本外中位数r = -0. 73，P < 0.001)和97%为网络部分 (置换P < 0.005，样本外中位数r = 0.71，P < 0.001)的协方差成分在传播矩阵和临床量表间存在显著差异。对于节点分析(Figure 4A，右侧)，顺序运动敲击损伤（sequen- tial motor tapping）是最大的影响因素(r =-. 42；95%置信区间[-0.73，-0.31])，随后是语言智商下降(r =- . 38；[-0.61，-0.23])，注意力/工作记忆功能障碍(r =- . 37；[-0.60，-0.17])，视觉结构残疾(r =- . 36；[-0.40，-0.17])，发病年龄较早(r = -. 34；[-0.57，-0.15])，言语流畅性下降(r =- . 30；[-0.52，-0.19])和语言记忆缺陷(r =-. 16；[−0.4, −0.07])。较慢传入时间的脑区包括额叶、脑岛、角回、枕顶叶、枕外侧区、颞极和海马(Figure 4A，左侧)。在网络分析中(Figure 4B，右侧)，顺序运动敲击损伤是最大的影响因素(r =-. 37；95%置信区间[-0.61，-0.09])，视觉结构残疾(r =-0.33；[−0.57, −0.02])，注意力/工作记忆缺陷(r =-. 33；[−0.58, −0.008]),言语智商下降(r =-. 32；[−0.59, −0.05]),发病年龄较早(r =-. 31；[−0.55, −0.02]),言语流畅性下降(r =-. 27；[−0.46, −0.08]),和语言记忆缺陷(r =-.15；[−0.38, −0.08])。传播时间较慢的网络包括额顶叶、边缘、DMN2和皮层下网络(Figure 4B，左图)。传出时间的重复分析结果几乎相同。
Figure 4 传播动力学与临床量表的关系。PLS分析在传播矩阵与临床量表相关中确定一个成分，其中节点协方差(A)的71%和网络协方差(B)的97%。图中显示了每个临床量表的加权贡献(或显著性)。
A，脑图节点根据代表其贡献的bootstrap比率进行颜色编码。
B，蜘蛛图显示传播时间与认知分数负相关的曲线。
4 讨论
TLE中的图论分析依赖于最短路径指标的量化。不同于静态拓扑度量，动态传播能够捕获节点之间沿着所有可能路径的信息流，从而允许分析更广泛的网络指标。利用新的计算方法来模拟沿着结构连接的动态传播过程，我们发现，与对照组相比，患者的最短路径有明显的偏差，表明沟通效率较低。我们的模型生成的信号在结构图的顶部随时间变化，从而捕捉解剖结构和传播动力学之间的相互依赖性。在大量双侧区域观察到信息流的延迟，在同侧额颞区以及丘脑和海马区效果最强。当控制海马体积(而非皮质厚度)时，效果显著降低，表明海马在全脑疾病表达中的核心作用。或者，海马结构完整性受损可能是皮质其他部位病理严重程度(疾病严重程度)的标志，而不是在其他地方传播效应的中枢。多变量分析显示，额顶、边缘、默认网络以及皮层下网络的传播速度较慢，这与跨行为任务的损害有关，这些行为任务涉及感觉运动、执行、记忆和语言能力。
基于连接的脑动力学建模是神经科学中一个快速发展的研究领域。癫痫的应用很少，目前仅限于模拟癫痫样事件和分离综合征的少数研究。为了解决TLE中的网络传播动力学问题，目前的工作模拟结构连接的信号传播，结构连接是从边缘由FA加权的概率追踪图中得到的。我们选择FA，是因为它已被证明可以反映白质显微结构特性，并已在TLE文献中广泛使用，从而有助于结果的解释。此外，考虑到我们的目标是模拟随着时间变化的信号，以及对传播时间的定义(见等式2)，FA权重被限制在0或1，这使得它们从图论的角度来看更合适。另一方面，streamline可能在较大范围内变化，这将使一些边比其他边更重要，并会破坏信号在网络中的传播。我们采用模型的优势在于能够将大脑动力学的复杂性降低到一个单一的现象，即每个节点被表示为一个受阈值影响的两状态单元，从而可以估计信号的传播时间。在我们的模型中，信号优先流过FA较高的白质纤维束；换句话说，FA越高，连接相邻节点纤维的方向性越强，信号传输的速度就越快。值得注意的是，轴突的传导速度主要与髓鞘有关。虽然FA可能不是髓鞘含量的高度特异性标志，但一些证据表明髓磷脂含量影响FA。扩散磁共振成像采集的持续进展为更精确的纤维束估计提供了更高的空间/角度分辨率，除了有助于解决纤维交叉的张量模型之外，传导的计算模型有望改善传播动力学以及传播时间的定义和生物学关联。
与图论(如介数中心性和聚类系数)相反，传播时间依赖于扩散过程，当信息不一定通过最短路径传播，而是通过电阻最小的路径传播信号时，这是一个理想的特征。事实上，与传播时间的显著差异相比，FA和图论属性差异仅包含少数节点，这表明与静态拓扑度量相比，动态度量的敏感性增加。事实上，与最短路径相比，加权传播时间不仅考虑了激活的传播路径，还考虑了信号的时间顺序，从而理解功能动态和结构连接的相互依赖关系。结合扩散和功能磁共振成像的研究很少。内侧颞叶和后扣带回皮质之间的功能连接受损已被证明与连接它们的白质纤维束密度降低相关。在全脑分析中，先前研究显示颞中回和目标网络之间的功能连接中断，与灰质密度降低和相互连接纤维束的扩散率改变有关，这些结果表明复杂的结构-功能关系。基于扩散MRI和rs-fMRI的模型也被用于推断颞叶癫痫和全身性癫痫的环路特性。本研究通过独立使用功能或结构连接来补充这些结果，为传播动力学改变可能与结构介导的功能连接降低有关提供证据。事实上，与传播时间的显著差异相比，FA、聚类系数和介数中心性的组差异仅包含少数节点，这表明与静态拓扑属性相比，动态传播动力学的敏感性增加。
由于海马体与所有感觉系统相近的解剖位置及其从同种皮质向同种皮质过渡的独特细胞结构，海马体是分布式处理信息流的汇聚点。因此，如功能和结构连通性分析所示，该区域是一个综合工作区域，支持各种不同的流程。值得注意的是，健康人群的传播动力学模型显示海马体和多个网络之间的紧密连接，尤其是边缘和默认模式网络。海马也是颞叶癫痫的病理核心区域。因此，当校正海马体积时，组间差异显著减小并不令人惊讶，这表明跨时间病理学对大脑局部和全局范围内连接传播动力学特性的普遍影响。这里观察到的传播动力学变化与我们之前在TLE中的研究一致，该研究显示了海马病理学对结构和功能连接以及宏观网络拓扑的级联效应。先前的一项研究表明药物对扩散磁共振成像的可能影响。本研究中，异常在病灶的同侧更大，提示疾病特异性效应。此外，先前对新发癫痫患者的观察表明，广泛的连接障碍在早期就存在，并且不受药物的影响，进一步支持一下观点：即药物以外的因素可能对异常的大脑传播动力学至关重要。
更高的大脑功能依赖于灵活的跨网络信息整合能力。事实上，通过促进紧密相连的区域之间的交流，全脑整合提高了完成认知任务的能力。因此，预期在患者中观察到传播动力学的系统级病理改变将影响多个领域。事实上，尽管假设结构分布和网络异常会损害颞叶癫痫患者的认知功能，但先前的研究主要集中在白质连接的拓扑属性和特定认知任务之间的关系上。最近的多变量分析表明，网络水平的标记比形态测量更能捕捉多种认知功能障碍。将大脑动力学计算模型与多变量分析相结合，研究发现了传播动力学属性与认知评分以及癫痫发作年龄之间的联系。具体而言，包括额顶、边缘、DMN和皮层下网络在内的各种高阶皮层区域的传播时间较慢，在几个区域中的损害程度不同，并且发病时年龄较低。尽管我们的结果，以及对儿童全身性癫痫的观察，表明在疾病早期网络异常和认知功能障碍之间存在联系，但纵向分析可能提供因果关系的见解。
如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技的支持，感谢！
微信扫码或者长按选择识别关注思影
非常感谢转发支持与推荐
欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：
核磁：
南京：
第六十七届磁共振脑影像基础班（南京，9.15-20）
第五届弥散磁共振成像提高班（南京，9.22-27）
第三十三届磁共振脑网络数据处理班（南京，10.16-21）
第二十二届磁共振脑影像结构班（南京，10.24-29）
上海：
第二十一届磁共振脑影像结构班（上海，9.19-24)
第二十四届脑影像机器学习班（上海，10.9-14）
第三十一届磁共振脑网络数据处理班（上海，10.28-11.2）
第六十九届磁共振脑影像基础班（上海，11.4-9）
重庆：
第九届脑网络数据处理提高班（重庆，10.13-18）
第七十届磁共振脑影像基础班（重庆，10.22-27）
第二十八届弥散成像数据处理班（重庆，11.5-10）
北京：
第六十八届磁共振脑影像基础班（北京，9.21-26）
第十届脑网络数据处理提高班（北京，10.20-25）
第十一届磁共振ASL（动脉自旋标记）数据处理班（北京，11.3-6）
脑电及红外、眼动：
重庆：
第四届脑电机器学习数据处理班（Matlab版本，重庆，9.24-29）
第二十七届脑电数据处理入门班（重庆，10.28-11.2）
上海：
第二十五届近红外脑功能数据处理班（上海，10.17-22）
北京：
第三十九届脑电数据处理中级班（北京，10.11-16）
更新：第十三届眼动数据处理班（北京，10.26-31）
南京：
第五届脑电机器学习数据处理班（Matlab版本，南京，11.3-8）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技定量磁敏感（QSM)数据处理业务
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影科技灵长类动物fMRI分析业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
思影科技微生物菌群分析业务
思影科技EEG/ERP数据处理业务
思影科技近红外脑功能数据处理服务
思影科技脑电机器学习数据处理业务
思影数据处理服务六：脑磁图（MEG）数据处理
思影科技眼动数据处理服务
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京，重庆）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
