中医手法治疗颈椎病对静息态脑功能认知结构的影响

中医手法治疗颈椎病对静息态脑功能认知结构的影响

神经根颈椎病的发病率占颈椎病发病率的50%70%。一般症状是神经根支配区域的疼痛、瘫痪和感觉障碍。当疼痛持续3.6个月以上时，它被认为是一种慢性疼痛。慢性疼痛通过复杂的生理病理机制,可进一步引起脑功能紊乱,出现智能下降、焦虑、抑郁等精神疾患,严重影响患者生活质量。在颈椎病的非药物疗法中,中医推拿是被广泛采用的康复疗法,其治疗神经根型颈椎病的中枢疗效机制尚不明了。本课题即从静息态脑功能成像角度,研究推拿手法改善临床症状的同时,对临床量表相关的默认网络的影响。1门医院推管者2013年7月—2014年1月在北京中医药大学东直门医院推拿科门诊患者10例,所有受试者均为右利手,经北京中医药大学东直门医院医学伦理委员会批准,受试者均已签署知情同意书。患者的基本情况见表1。1.2双侧抑郁症状量表及抑郁量表检测参照第三届全国颈椎病专题座谈会对神经根型颈椎病的诊断标准,根据患者症状、体征和影像学结果进行诊断,并对患者进行田中靖久颈椎病症状量表以及视觉模拟评分(visualanaloguescore,VAS),并通过汉密尔顿17项抑郁量表(hamiltondepressionratingscale,HAMD)排除抑郁症。1.3腰椎节段阳性反应物1颈项、肩背部疼痛、僵硬,上肢的疼痛、麻木范围与颈脊神经支配区域一致,疼痛持续6个月以上;2颈部活动受限;3颈背部肌肉紧张,呈局限性条索状或结节状阳性反应物,在病变的颈椎节段间隙、棘突上、棘突旁及其神经分布区可出现压痛、放射性痛、麻,均与病变节段相吻合;4臂丛神经牵拉试验和/或颈椎间孔挤压试验阳性;5患侧肌力可减弱,痛、触觉可减低;6腱反射可减弱或消失;7X线片显示颈椎生理曲度变直或消失、椎间隙变窄、椎体增生、椎间孔狭窄、韧带钙化;8CT或MRI检查,椎体增生、颈椎椎管或神经根管狭窄、椎间盘突出或膨出、韧带肥厚、脊神经受压。1~4项必备,78有一项符合即可。1.4不能行核磁检查的患者1受试者患有心、脑血管系统疾病;2有心脏支架、起搏器等不能行核磁检查的患者;3治疗前2周内服用止痛药的患者;4HAMD得分>17分。1.5治疗手法治疗组基础手法:1在患者颈项、肩、背及上肢部施以法、点按法、弹拨法、揉法;2仰卧位颈椎拔伸法。随症加减:颈项肩背痛为主症的患者取患侧风池、肩井、肺俞、膈俞、魄户、神堂;上肢尺侧、掌侧痛麻为主者取患侧极泉、青灵、少海、阴郄、肩贞、小海、曲泽、内关,循手少阴、厥阴、太阳经施以拿法、捋顺法;以上肢桡侧、背侧痛麻为主者,取患侧肩髎、肩髃、手五里、曲池、合谷、尺泽、孔最、臑会,循手阳明、少阳、太阴经施以拿法、捋顺法。每次治疗时间35~40min,隔日治疗1次,12次为1疗程。在治疗前后进行颈椎病症状量表和VAS评分。1.6图像数据预处理1.6.1扫描方法使用SiemensVero3.0TMR扫描仪。T1像采用TLF3D序列,扫描参数为:TR1900ms,TE2.52ms,矢状位采集矩阵256×256,层厚1.0mm,扫描层数176层,体素大小为1.0mm×1.0mm×1.0mm。静息态功能磁共振采用T2*WI梯度回波-平面回波成像(echo-planarimaging,EPI)序列,层厚3.5mm,层间距0.7mm,TR:2000ms,TE:50ms,扫描矩阵:128×128,Fov:240×240,Flipangle:90°,采集层数:26层。共采集210帧图像。以泡沫枕固定受试者头部以减少头动,使用耳塞降低噪音,嘱受试者闭眼、放松、保持清醒,尽量不进行任何思考。治疗前后分别进行1次扫描。1.6.2数据预处理首先使用DPARSF软件包(北京师范大学)将原始文件转换为NIFTI格式。为消除磁场不均匀的影响,静息态功能像去除前10个时间点数据。经过层面时间校正(Slicetiming),头动校正,所有被试对象在3个平移方向和3个旋转方向的位移/角度都小于2mm/度。为了不影响支持向量机分类的结果,故没有对数据进行平滑。高清晰结构像经过FreeSurfer(美国麻省总医院)和SUMA(美国国立精神卫生研究所)软件包处理,提取所有被试对象之间点对点精确对应的皮层模型,每个半球有40962个顶点,再将功能像投射至皮层模型上。1.6.5基于SVM分类结果的DMN与颈椎病症状量表的相关分析考虑到脑功能都是以簇的形式存在,对SVM的结果进行簇阈值的筛选(面积>5mm2),在这些激活簇中对DMN和颈椎病量表进行Pearson相关分析(MATLAB平台),对所得到的相关系数的P值进行基于错误发现率(FalseDiscoveryRate,FDR)的多重比较校正(q<0.05),簇阈值为1mm2。以上所有计算流程见图1(彩图见插页5)。2结果2.1患者症状改善情况对患者治疗前后的田中靖久颈椎病症状量表得分进行配对t检验(MATLAB平台),P<0.0001,即经治疗后,患者症状得分明显升高,症状改善,见表2。2.2蒙特卡罗模拟的簇水平校正所有19个成分中,符合DMN频带分布,且与模板拟合度最高的第17个成分患者治疗前后的单样本t检验结果(P<0.05),蒙特卡罗模拟的簇水平校正(重复1000次)簇阈值为30mm2。DMN主要分布于双侧半球后扣带回前、后部,楔前叶,角回等区域。治疗后DMN分布区域在左半球的前扣带回正激活增多,右楔前叶、后扣带回正激活减少,右半球前额叶、岛叶的负激活减少。见图2(彩图见插页5)。2.3下回、左扣带回、睡眠叶分布对识别治疗前状态贡献度大的区域主要集中在左侧额下回、左扣带回及双侧枕叶,而代表治疗后状态的区域相对较分散,双侧额顶叶、扣带回、枕叶均有分布,见图3(彩图见插页6)。2.4治疗前与症状有正相关的dmn临床特点经推拿治疗后,与症状减轻相关的DMN连接位于双侧体感区(左中央后回,右顶上、下回),右侧执行功能皮层(额中回前部);而治疗前与症状呈正相关的DMN连接出现在左侧认知、语言相关区域(额中回眶部、额下回),双侧视觉(左舌回、右梭状回)和记忆相关区(右楔前叶),见图4(彩图见插页6)。详细区域说明见表3,表4。3讨论3.1svm分析结果使用基于大脑皮层的功能磁共振分析,研究局限在脑表面灰质相关区域,提高了不同受试者间皮层对齐的精度,并去除了皮层外组织(颅骨、白质、脑脊液)的干扰,可以在三维脑表面直观地显示结果。多个比较研究均显示,基于皮层的功能磁共振研究结果较基于体素的更为准确。从GIFT软件估计独立成分的数量(基于体素的24个/基于皮层的19个)来看,也能显示出基于皮层的ICA混杂因素明显减少。基于ICA的脑网络提取方法已广泛被多家研究采用,并有较为公认的模板,与后扣带回种子点功能连接相比较,具有结果可重复性高、去噪声能力强、不依赖种子点选择等优势。很多研究直接将行为学数据与磁共振数据进行相关分析,但研究证实,简单地将磁共振数据和量表之间进行Pearson相关分析,结果易受离群值的影响。因此将全脑所有顶点作为不同维度,将治疗前后作为2种状态,使用支持向量机算法进行分类识别,经过权重值的统计学估计和交叉验证,找出治疗前后2种状态的特征模式,在此基础上进行相关性研究,可以突出中医推拿治疗对分值的影响,并极大减少单变量统计的次数,降低多重比较严格程度。由于颈椎病症状量表的制定规则为分值越小,症状越重,因此,与DMN呈正相关的区域的意义为:随着DMN连接增强,症状减轻,这些激活簇都落在SVM分析结果中治疗后的代表区域中。而与DMN呈负相关的区域的意义为:与症状加重相关的DMN功能连接,这些区域都包含在识别治疗前状态的脑区之内。分析结果显示,分值与DMN呈正相关的区域,同时也是治疗后DMN的特征性区域,包括双侧躯体感觉、感觉整合和执行功能相关脑区,这些脑区的DMN变化与临床症状好转相关,并且以右半球为主,显示推拿通过增强静息态DMN对双侧感觉系统和非主侧半球执行功能的连接强度,减轻患者临床症状和疼痛感受。在局部慢性疼痛刺激下,躯体感觉的整合功能下降,并且疼痛患者的执行功能减弱,推拿治疗可逆转这些功能失调。治疗前的特征区域,即与颈椎病慢性疼痛呈正相关的区域,包括左额中回及额下回,这些高级认知功能相关区域连接度增高,考虑为疼痛导致的执行、决策功能的失调;而治疗后楔前叶相关区域的DMN连接强度下降,考虑为疼痛减轻后,负性情绪、记忆强度随之减弱。疼痛作为一种复杂的病理生理现象,虽然以体感脑区的变化为主,但可受视觉甚至听觉网络的调制,治疗后DMN与视觉相关区域(梭状回、舌回)的连接减弱,推测为对自身的视觉关注度随症状减轻而下降。由此可见,慢性颈椎病疼痛患者的默认网络治疗前后有明显变化,并且感觉、认知、视觉等区域的DMN连接与临床症状量表的变化相关,如果样本量足够大,可以使用机器学习方法,建立慢性疼痛患者的临床相关静息态功能影像模型,从功能影像角度对新鲜病例进行判断和量化。本研究的局限性在于:1样本量较小,统计效能不高;2未采用性别、年龄匹配的正常对照对比研究;3采用基于皮层的数据分析虽然提高了配准精度,但无法对皮层下灰质如丘脑、基底节和导水管周围灰质等重要疼痛相关部位进行分析。1.1基于线性核的qp-pcr算法1.6.4支持向量机分类先使用支持向量机(SVM)算法找出对区别治疗前后贡献度最大的区域,在这些高贡献度区域进行相关分析。SVM为一种机器学习方法,属于多变量分析,可以一次性使用所有顶点的信息对两组数据进行区分,适用于小样本、高维度的数据。采用台湾林智仁博士开发的libsvm软件包对10例患者治疗前后的DMN数据进行SVM分类。SVM分析在MATLAB平台上进行,数据被整理成为矩阵形式,共20行(治疗前后共20人次),81924列(双侧半球的顶点个数),第i行j列的数值为第i个被试对象在顶点j处DMN的Z值(由ICA步骤得出)。每一行数据为一个样本,每一列为一个维度,每一个样本有一个分类标记,治疗前为1,治疗后为-1。支持向量机的设置如下:使用线性核,惩罚系数取1(软件包默认)。线型核运算可以给出每一个维度对判断分类的贡献度即权重值w,w的绝对值为贡献度的大小,而w的符号表示是对分为哪一类的贡献度,正数为患者组,负数为对照组。一般对w的统计学推断需要使用置换算法(Permutation),即将数据的分类打乱,重复进行支持向量机运算,如5000次,对所有运算得出的w值进行统计值估计。在此使用美国费城大学的BilwajGaonkar博士提供的算法,可以一次性计算出所有维度w值的P值,可以极大地节约计算时间,经测试,对P<0.05的所有顶点进行留一交叉验证,即以19个受试人次为训练集,剩余1个为测试集,循环20次,每1人次的数据均有1次机会成为训练集,平均正确率为100%。1.6.3独立成分分析使用GIFT软件包(美国新墨西哥大学VinceCalhoun博士)将所有被试基于皮层的静息态数据进行ICA计算,独立成分的个数由软件包采用最小描述长度法(MinimumDescriptionLength,MDL)估计为19个。为避免样本顺序