数据的分析
功能连接分析
本研究基于T2*-weighted EPI序列进行了功能连接分析，数据处理和分析流程如下：
1. 数据预处理
本研究中预处理主要包括前4个时间点去除、头动校正、分割、空间标准化和高斯平滑。其中，高斯平滑采用8mm的平滑核。
2. 独立成分分析
本研究采用GIFT工具包对预处理的数据进行了独立成分分析（Independent Component Analysis，ICA）。首先，研究者基于Infomax ICA算法迭代20次并估计了40个独立成分；其次，本研究基于先前的研究将40个独立成分划分为8个功能网络。8个功能网络分别为DMN、DAN、SLN、SMN、左右侧FPN、MVN和左侧VIS；最后，针对每个网络，研究者构建了平均成分图谱的空间模板，旨在进行下一步的基于种子点的功能连接分析。
3. 种子网络到全脑的连接分析
本研究使用CONN工具包进行了种子网络到全脑的连接的分析。首先，去除无关变量和滤波。无关变量包括白质、脑脊液和头动信号；滤波采用了0.01-0.10Hz的带通滤波器。其次，本研究基于ICA分析中的大脑网络的空间模板定义了种子脑区。再者，本研究基于PASAT任务条件的记录计算了种子区域和其余脑区之间的功能连接。最后，本研究采用一般线性模型分析第一次扫描的功能连接和ESR之间的相关性，同时将年龄、性别作为无关变量引入模型。
4. 图论分析
本研究基于图论构建了任务特异的脑网络。首先，基于Power264模板，本研究定义了264个半径为10mm的球状感兴趣区；其次，根据实验中任务的记录，研究者将在任务条件下的数据进行拼接，并对感兴趣脑区中的所有信号进行平均；再者，研究者计算了每两个感兴趣区之间的Pearson相关性，并进行Fisher-z变换。最后，本研究获得264*264的功能连接矩阵。
5. 基于网络的统计(The Network-Based Statistic， NBS)
基于网络的统计分析（The Network-based Statistic， NBS）是一种评估大尺度网络的统计方法。本研究中采用阈值水平为3.3，经过5000次置换检验，并通过FWE校正（FWE校正后p<0.05）。
6. Hub分析
本研究计算了中心度（EC）来评估整个大脑网络中节点的重要性。Hub节点的定义采用节点的EC大于全部节点的EC的平均和1倍标准差之和的标准。此外，本研究还分析了NBS分析显著的节点中Hub节点的数目，最后，本研究对Hub节点的EC与ESR临床评分之间进行了相关性分析，以便确定与炎症相关的Hub节点和周围炎症程度的提高之间的显著作用。
基于体素的形态学（voxel-based morphometry，VBM）分析
本研究基于T1-weighted数据进行了VBM分析，具体分析如下：
1. 感兴趣的VBM分析
本研究旨在分析与ESR存在显著相关的感兴趣脑区的大脑结构的改变。因此，在第一次扫描中，基于种子网络到全脑的功能连接分析中存在显著激活的团块，本研究构建了半径为8mm的球状感兴趣区，然后进行了回归分析以评估感兴趣区灰质体积与ESR之间的相关性。
2. 全脑VBM分析
本研究采用多元回归分析对全脑的灰质体积和ESR相关性进行了分析。其中，所有的分析均将年龄、性别、颅内总体积作为无关变量进行去除。
3. 与临床病症相关分析
为研究与ERS显著相关的脑区是否与临床症状显相关，本研究对第一次扫描中的感兴趣脑区的灰质体积与患者的当前临床症状进行了Pearson相关性分析。
研究结果
种子网络到全脑连接分析
本研究通过ICA分析得到8个大脑功能网络，并将所有功能网络作为种子网络计算与大脑其余脑区的功能连接，旨在探究在较高程度的外周炎症（ESR）下与种子网络存在更强正负功能连接的特定脑区。研究表明，4个网络（默认网络（DMN）、背侧注意网络（DAN）、突显网络（SLN）、内侧视觉网络（MVN））表现出相关性。如表1和图2所示。其中，左侧顶下小叶/角回和双侧mPFC两个脑区表现出于多个网络的连接。如图3所示。其余四个网络（感觉运动网络（SMN）、侧向视觉网络、左右额顶感知\语言网络）未发现存在此关系。另外，8个区域与种子网络的连接模式中的6个也表现为与高水平的CRP相关，其中3个和ESR相关的连接在第二次扫描分析中被重现（左侧IPL和DMN，左侧IPL和DAN，右侧mPFC和DAN），5个与CRP相关的连接被重现（左侧IPL和DMN，右侧PCC和DMN，左侧IPL和DAN，右侧mPFC和DNA，左侧IPL和MVN）。详见图4和表2。
