这篇文档属于类型a，是一篇关于阿尔茨海默病（Alzheimer’s disease, AD）脑层级结构功能耦合失调的多中心原创研究。以下是针对该研究的学术报告：

作者与发表信息

本研究由Yibao Sun（北京邮电大学人工智能学院医学影像人工智能中心）、Pan Wang（天津环湖医院神经内科）、Kun Zhao（中国科学院自动化研究所脑网络组研究中心）等来自10家机构的联合团队完成，通讯作者为Yong Liu（北京邮电大学）。研究成果发表于Alzheimer’s & Dementia期刊，2024年6月13日在线发表，DOI: 10.1002/alz.14123。

学术背景

科学领域：神经科学与医学影像学交叉研究，聚焦阿尔茨海默病的脑网络层级结构异常。
研究动机：AD以认知衰退为特征，但其脑层级结构（即从初级感觉区到高阶认知区的信息传递层级）的具体功能障碍机制尚不明确。既往研究多关注单一模态（如结构或功能MRI），缺乏多模态耦合分析。
理论基础：
1. 脑层级假说：大脑通过白质结构网络约束功能活动，形成从感觉运动区到联合皮层的梯度层级（hierarchical gradient）。
2. 结构-功能解耦指数（Structural Decoupling Index, SDI）：由Preti与Van de Ville提出，通过图信号处理（graph signal processing）量化区域功能活动与底层白质结构的依赖程度，高SDI提示功能活动脱离结构支持。
研究目标：
1. 揭示AD患者脑层级结构的SDI异常模式；
2. 探究SDI与认知能力的关联；
3. 验证SDI作为AD影像学生物标志物的潜力。

研究流程与方法

1. 参与者与数据采集

• 样本：来自7个中心的793名受试者，包括284名AD患者、254名轻度认知障碍（MCI）患者和255名正常对照（NC）。
  
• 数据模态：静息态功能MRI（rs-fMRI）和扩散张量成像（DTI），采集于统一标准的3T MRI扫描仪（参数见附表S2-S3）。
  

2. 数据预处理

• 功能MRI：使用Brainnetome fMRI工具包进行切片时间校正、头动校正、标准化（MNI空间）、去噪，并基于Brainnetome图谱（246脑区）提取区域平均时间序列。
  
• DTI：使用DiffusionKit工具包计算各向异性分数（FA）、平均扩散率（MD），并通过确定性纤维追踪构建结构连接矩阵（纤维数量网络，FN）。
  

3. SDI计算

• 核心算法：基于图信号处理，将功能信号分解为低频（耦合于结构）和高频（解耦于结构）成分，SDI为高频与低频信号能量比（公式3）。
  
• 多模态SDI：分别计算FA-SDI、MD-SDI和FN-SDI，覆盖不同白质属性。
  

4. 统计分析

• 组间差异：采用Mega-analysis框架整合多中心数据，通过Liptak-Stouffer Z-score转换校正站点效应，Bonferroni多重检验（p < 0.05/246）。
  
• 临床关联：Pearson相关分析SDI与MMSE/MoCA评分，控制年龄、性别和站点效应。
  
• 基因富集分析：使用Allen人脑图谱基因表达数据，通过偏最小二乘回归（PLS）关联SDI差异与基因表达模式，Metascape平台进行通路富集。
  
• 机器学习验证：支持向量机（SVM）模型以SDI为特征，采用留一站点交叉验证（LOSO）区分AD与NC，并预测MMSE评分。
  

主要结果

1. SDI的脑区分布与AD异常

• 层级模式：感觉运动区（如视觉皮层）SDI低（强耦合），联合皮层（如前额叶）SDI高（弱耦合），符合脑功能层级理论。
  
• AD特异性改变：
  
  • 增高区域：后颞上沟、岛叶、楔前叶、海马、杏仁核（均p < 0.001），提示这些区域功能活动与结构连接解耦增强。
    
  • 降低区域：额中回、额下回（p < 0.001），反映额叶功能整合能力下降。
    

2. 临床与基因关联

• 认知评分：AD患者额叶SDI与MMSE呈正相关（r = 0.35, p = 1.9e-17），而颞叶SDI呈负相关（r = -0.26, p = 6.8e-6），表明解耦程度与认知衰退一致。
  
• 基因通路：SDI差异最显著关联能量代谢（GO:0006091, pFDR = 9.26e-14）和线粒体组织（GO:0007005, pFDR = 2.47e-10），提示代谢异常可能是解耦的生物学基础。
  

3. 诊断效能

• 分类模型：FA-SDI的AUC达0.864（准确率77%），显著优于传统DTI指标。
  
• 评分预测：SDI可预测MMSE（r = 0.45, p < 0.001），验证其临床实用性。
  

结论与价值

1. 科学意义：首次在多中心队列中证实AD存在脑层级结构解耦，异常模式与认知衰退、代谢通路相关，为AD机制研究提供新视角。
   
2. 应用价值：SDI作为无创影像标志物，可辅助AD早期诊断和疗效评估。
   
3. 方法论创新：融合多模态SDI与Mega-analysis框架，提升跨站点研究的可重复性。
   

研究亮点

1. 多模态数据：结合rs-fMRI与DTI，全面刻画结构-功能耦合。
   
2. 跨中心验证：大样本（793人）和LOSO设计确保结果泛化性。
   
3. 转化潜力：SDI模型可直接应用于临床MRI数据，无需额外扫描协议。
   

其他价值

• 开放科学：代码公开于GitHub（yongliulab），促进方法复用。
  
• 局限性：缺乏病理确诊（如Aβ-PET），未来需纵向队列验证SDI与疾病进展的关系。
  

（报告字数：约1500字）