分享:
分享到微信朋友圈
X
临床研究
风险决策的动态功能网络研究
蒋伟雄 谭敬德 胡春光 黄任之 李勇帆 姜华 王维

蒋伟雄,谭敬德,胡春光,等.风险决策的动态功能网络研究.磁共振成像, 2018, 9(9):673-678. DOI:10.12015/issn.1674-8034.2018.09.006.


[摘要] 目的 研究与青少年风险决策相关的动态脑功能网络特征。材料与方法 基于49个对象的静息态功能磁共振数据利用动态窗技术进行了动态功能网络的构建,并使用低频振荡振幅作为特征对风险决策行为进行了预测和网络分析。结果 动态功能连接较好地预测了风险决策行为(r=0.3612,P=0.0108),并提取了与之相关的功能网络模式,即与风险决策相关的动态功能连接主要位于网络之间,且默认网络的预测能力最强,然后是两个控制网络即额顶网络和带状盖网络。结论 本研究使用动态功能连接较好地预测了风险决策行为,更重要的是从动态功能网络上阐明了风险决策行为的特征。
[Abstract] Objective: This study aims to investigate dynamic network characteristic of risky decision making among adolescents.Materials and Methods: We first obtained rest-state functional magnetic resonance imaging (fMRI) data of 49 subjects; then dynamic functional connectivity networks were constructed using dynamic window for each subject and the fluctuation amplitudes of dynamic functional connectivity were calculated, finally these amplitude values were used as the features of multivariate pattern analysis to predict the risky decision behavior so as to obtain dynamic network characteristic of risky decision making.Results: Spontaneous fluctuation of dynamic functional connectivity could predict the risky decision behavior with good performance (r=0.3612, P=0.0108). Seventeen informational functional connectivities were found with powerful predictive function for risky decision making and they were mainly located among networks. Default network played the most important role for the risky decision behavior among all network modules, then two control network including the cingulo-opercular and frontoparietal network also played important roles.Conclusions: We used dynamic functional connectivity to predict risky decision behavior. What's more, we investigated the dynamic network characteristic of risky decision making.
[关键词] 风险决策;动态功能连接;脑网络;多变量模式分析;磁共振成像
[Keywords] Risky decision making;Dynamic functional connectivity;Brain network;Multivariate pattern analysis;Magnetic resonance imaging

蒋伟雄 湖南第一师范学院信息科学与工程学院,长沙 410205

谭敬德 湖南第一师范学院信息科学与工程学院,长沙 410205

胡春光 湖南第一师范学院教育科学学院,长沙 410205

黄任之 湖南第一师范学院教育科学学院,长沙 410205

李勇帆 湖南第一师范学院信息科学与工程学院,长沙 410205

姜华 湖南第一师范学院信息科学与工程学院,长沙 410205

王维* 中南大学湘雅三医院放射科,长沙 410013

通讯作者:王维,E-mail:cjr.wangwei@vip.163.com


基金项目: 湖南省哲学社会科学基金 编号:17YBA109
收稿日期:2018-05-20
接受日期:2018-07-22
中图分类号:R445.2 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2018.09.006
蒋伟雄,谭敬德,胡春光,等.风险决策的动态功能网络研究.磁共振成像, 2018, 9(9):673-678. DOI:10.12015/issn.1674-8034.2018.09.006.

       风险决策是指个体在风险情境下,权衡判断不同选择的结果从而做出决策的过程[1]。风险决策是我们生活中经常遇到的决策形式,尤其是青春期个体由于身心发展的不协调,更容易发生与风险决策相关的风险行为,从而危害到他们的身心健康[2]

       近年对风险决策现象开展了一些认知神经机制方面的研究,发现大脑前额叶在风险决策中起着重要作用[3],青少年前额皮层区的活动强度与其风险行为呈负相关[4],而内侧眶额叶与奖赏加工密切相关,其活动强度与奖赏大小呈正相关[5]。有学者认为由于青少年期前额皮层发展的不成熟,使得认知控制能力不足,从而做出不计后果而冒险的决定[2]。随着研究的深入,人们开始从脑网络上对风险决策进行神经机制研究,发现青少年的风险决策行为跟认知控制网络和情感网络有关[5]

       目前的脑网络研究主要是使用了静态功能连接分析,即默认整个扫描时程内功能连接是固定的[6]。而最近研究发现在静息态下的功能连接显示出显著的振幅波动性[7],基于这种波动得到的连接称之为动态功能连接,它为研究人类的行为提供了一些重要的脑活动信息[8]。我们猜想这种动态的相互作用可能与青少年的风险决策行为相关。因此,笔者拟利用动态功能连接对个体的风险决策行为进行脑网络分析,以实现对风险决策的脑网络特征探索。

1 材料与方法

1.1 研究对象

       本研究从社区召募了50名右利手对象(18~23岁,受教育年限6~9年),男性,不酗酒,不吸毒,无精神类疾病(比如抑郁症;焦虑症,精神分裂症等),视力正常或矫正正常,身体健康,智商正常。实验前向所有被试详细告知实验过程,签署知情同意书。本研究经过中南大学湘雅三医院伦理委员会同意。

1.2 风险决策的实验范式

       我们使用气球模拟风险决策任务(balloon analog risk task ,BART)进行风险决策能力的评估。实验时,通过按键使电脑屏幕上的气球吹气变大,气球越大屏幕上显示的收益越多,但气球爆炸的风险系数也越高,一旦气球吹爆,则该次收益就降为零或负值。实验者通过自主决策确定是继续充气得到更多的可能收益还是停止充气得到现有的收益,最终收益总额反映了受试者的风险决策能力。这种风险决策受多种因素调控,包括受试者对实验风险的敏感度,对实验结果的学习和反馈能力等[9]。为了保证配合,我们承诺根据其最终总额给予相应的现金奖励。BART实验范式接近于现实生活中的风险决策场景,并已成功应用于对风险决策的功能磁共振(functional magnetic resonance imaging,fMRI)研究[10]

1.3 图像数据获取

       所有对象的磁共振数据都从中南大学湘雅三医院的Philips磁共振成像3.0 T系统扫描得到。实验前,告知被试实验时放松、闭眼,头部不要动,不要睡觉,也不要进行特定的思维活动。扫描时平躺在实验台上,戴上降噪耳机,扫描序列为梯度平面回波成像序列,参数设置如下:TR 2000 ms,TE 30 ms;扫描层数36,层厚4.0 mm ,无间隙;FOV 240 mm×240 mm;反转角90° ;扫描矩阵128×128;扫描时长400 s,共200幅全脑图像。

1.4 数据预处理

       对所有静息态fMRI数据使用软件SPM8按照如下步骤进行预处理:首先对所有对象移去前5幅全脑图像以降低磁场饱和以及被试对环境适应的影响;接着对余下的195幅图像进行空间校正和头动校正,去掉头动平移超过1 mm、旋转超过1°的1个被试;对校正后的图像进行空间标准化,使用EPI模板(MNI坐标)进行重采样(3×3×3的体素大小);再使用8 mm半高全宽的高斯核函数进行空间平滑,使用Chebyshev带通滤波器(0.01<f<0.1 Hz)进行时间滤波;为了减少潜在的生理噪声对动态分析的影响,对头动参数、脑平均信号、白质信号和脑脊液信号等参数进行回归[8]

1.5 功能连接的动态性分析

       把预处理后的功能图像按照模板划分成160个感兴趣脑区(region of interest,ROI)[11],对每个ROI脑区内所有体素的时间序列求平均从而得到基于ROI的时间序列;然后计算在40 s的空间滑动窗口下任意两个ROI脑区信号的皮尔逊相关系数,从而对每个对象都得到176个对称的相关系数矩阵(160×160),它反映了时间序列的动态变化,称之为动态功能网络;提取网络矩阵的下三角元素并使用Fisher's Z-变换进行标准化,从而得到每一个对象每一个窗口的12 720维的相关系数时间序列,即每个对象都有176个相关系数时间序列;此相关系数窗口序列的波动振幅(amplitude of low-frequency fluctuations-functional connections,ALFF-FC)表征了连接在低频范围内的信号能量,能很好地度量每一条连接的动态特性[7]。为了计算ALFF-FC,我们首先根据滑动窗大小w对相关系数时间序列进行1 /w的低通滤波,以去除由于滑动窗的使用而引入的冗余波动;接着应用快速傅立叶变换,并对系数求和从而得到从0到1/w的动态功能连接频段内的ALFF-FC值[7,12]。相关系数序列的ALFF-FC值反映了功能连接的动态变化,作为下面预测分析的特征。

1.6 对风险决策分数的预测分析

       使用多变量模式分析(multivariate pattern analysis,MVPA)的方法对风险决策分数进行预测[13]。首先,进行特征选择以减少数据的冗余,方法是计算每一条动态功能连接的ALFF-FC值与气球模拟风险决策分数的皮尔逊相关系数,选择P<0.01的连接作为特征;接着使用多项式核函数的支持向量回归(support vector regression,SVR)方法训练数据进行拟合,在此使用留一法交叉验证(leave-one-out cross-validation,LOOCV)方法进行模型建立和样本预测,即在每轮实验中,留出一个样本的数据作为测试样本,剩下的48个样本的数据作为训练集,再对之前留出的那个测试样本进行预测。所有49轮实验完成之后,我们计算所有对象的预测值和实际测量值的皮尔逊相关系数来评估动态功能连接对风险决策行为的预测能力。

       为了进一步研究与风险决策呈现正相关性和负相关性的特征网络在对风险决策的预测中所起的作用,我们根据特征选择(P<0.01)时皮尔逊相关系数的符号(正或负)建立了正的特征模型和负的特征模型[14],并分别重复上述迭代过程,通过训练数据拟合正负两个方向的回归,并通过计算正负模型下的预测值和实际测量值的皮尔逊相关系数来评估正负特征网络的预测能力。

1.7 与风险决策相关的动态功能连接和脑网络分析

       由于在留一法交叉验证中,每一次迭代所选择的训练集对象稍有差异,从而机器学习时得到的功能连接也会有差异,在每一次迭代中均出现的功能连接定义为一致性功能连接[10],表明对风险决策行为有较强的预测能力。

       根据功能网络模板,即小脑、带状盖网络、默认网络、额顶网络、枕叶网络和感觉运动网络[11],我们利用一致性功能连接进一步研究各个网络在风险决策中的作用,并使用网络权重来衡量这个作用,包括网络内权重和网络间权重。把动态功能连接与风险决策的相关系数定义为连接权重,则网络内权重定义为网络内连接权重的绝对值和,而网络间权重是把属于不同网络但与该网络相关的连接权重的绝对值加起来,取权重和的一半。

2 结果

2.1 对风险决策的预测结果

       由气球模拟风险决策任务BART我们得到了每一个被试的风险决策实验分数,其均值是167,标准差是32,最低分91,最高分219。基于风险决策分数我们首先评估了动态功能连接是否能预测风险决策行为。基于特征选择阈值P<0.01,预测值和观察值之间的相关系数是r=0.3612 (P=0.0108;图1),可见产生了显著的预测。

       对正的特征模型,基于特征选择阈值P<0.01,预测和观察值之间的相关系数是r=0.4370(P=0.0017),而负的特征模型没有产生显著的预测。

图1  预测结果图
Fig. 1  Prediction result.

2.2 与风险决策相关的功能连接

       在LOOCV中,由于在每轮实验中进行特征选择时其训练样本集略有不同,从而所选择的动态功能连接也略有差异。在本研究中,当P<0.01时,出现在每一轮交叉验证里的一致性功能连接一共有17条(图2表1),可见这17条动态功能连接具有较强的预测能力,其中10条动态功能连接与风险决策行为呈正相关(图2蓝色线条,表1),7条动态功能连接与风险决策行为呈负相关(图2灰色线条,表1)。我们进一步计算了每一条一致性连接与风险决策实验分数的Pearson相关性,其相关系数r值和显著性P值均列于表1中。

图2  与风险决策行为相关的动态功能连接。节点颜色表示所属网络:深蓝色代表默认网络,绿色代表带状盖网络,淡蓝色代表额顶网络,黄色代表感觉运动网络,紫色代表枕叶网络,红色代表小脑;线条颜色表示相关性符号,蓝色线条代表与风险决策行为呈正相关,灰色线条代表负相关
Fig. 2  Dynamic functional connectivity correlated with risky decision making. The nodes are color-coded according to networks (default, dark-blue; cingulo-opercular, green. Fronto-parietal, light-blue. Sensorimotor, yellow. Occipital, purple. Cerebellum, red), the edges are also color-coded accord its symbol, blue presents positive correlation with risky decision making and grey presents negative correlation.
表1  与风险决策显著性相关的动态功能连接
Tab. 1  Dynamic functional connectivity correlated with risky decision making

2.3 与风险决策相关的脑网络特征

       对网络的总权重大小进行分析,发现默认网络权重最大,表明默认网络在风险决策中起了较大的作用;然后是额顶网络和带状盖网络,表明控制网络对风险决策有重要影响;其他网络也都有一定的作用。按照正负相关的进一步分析发现在正相关中默认网络、枕叶网络以及带状盖网络对风险决策的预测能力较强,而负相关中默认网络、额顶网络以及感觉运动网络有较强的预测能力(图3)。

       对连接是处于网络内还是网络间进行分析,发现除了默认网络内有两条连接,其他的连接全部位于网络之间(图3),表明风险决策主要与网络间的动态连接有关。

图3  与风险决策行为相关的脑网络分析。蓝色表示总权重,粉红色表示正相关,绿色表示负相关;Within network:网络内,Between network:网络间
Fig. 3  Brain network analysis correlated with risky decision making. Blue presents total weight of each network, pink presents positive correlation with risky decision making and green presented negative correlation.

2.4 与风险决策相关的脑区

       根据一致性功能连接对脑区进行了分析,发现与风险决策相关的脑区如下(图2表1):在默认网络中主要是扣带后回(post_cingulate),前额叶前部和上部(aPFC ,sup_frontal),楔前叶(precuneus),梭状回(fusiform)等脑区;在带状盖网络中主要是颞叶(temporal),前额叶腹部(vFC) ,基底节(basal_ganglia),丘脑(thalamus)等;在额顶网络中主要包括前额叶背侧、背外侧和前部(dFC,dlPFC,vent_aPFC),顶下小叶(IPL)和顶内沟;而在感觉运动网络则主要是顶叶(parietal)和中央前回(precentral_gyrus);小脑的相关区域则主要在小脑中部(med_cerebellum)。

3 讨论

       越来越多的证据表明在静息态下大脑的连接模式不是静态的而是呈现出复杂的时空动态性[14],低频振荡振幅在某种程度上很好地反映了动态的神经活动[15]。笔者利用功能连接的动态性较好地预测了风险决策行为,它提供了与决策认知相关的一些有意义的脑网络信息。

3.1 功能连接对风险决策的影响

       对动态网络模式的分析中我们发现与风险决策相关的17条连接除了2条位于默认网络内部,其他全部位于网络之间,可见风险决策行为主要跟网络之间的信息传递有关,高风险行为的个体出现的原因可能是网络之间的信息传递出现了异常。同时分析发现默认网络对风险决策行为具有重要影响,然后是两个控制网络即额控制网络和带状盖控制网络。默认网络执行着一些与风险决策相关的重要功能,如自我的监测[16]、情感的调整[17]。在我们的研究中,随着风险行为的增加,默认网络和跟外界连接降低可能反映了在自我监测和自适应调整上出现了困难。额顶网络和带状盖网络是两个分工合作的控制网络,都执行着重要的高级认知控制功能,对人类的各种行为起着保持、调整和控制的作用[18]。本研究结果显示随着风险的增加,这两个网络间的连接发生了改变,一些连接变强,一些连接变弱,跟其他网络间的连接也是如此。可能正是由于这些网络之间的连接出现了问题,从而导致了个体更多风险行为的发生。

3.2 脑区对风险决策的影响

       在本研究中,我们也发现与风险性决策相关的脑区,主要是背外侧前额叶(dIPFC)和前额叶其他区域(dFC,vent_aPFC,vFC,aPFC,sup_frontal),扣带后回(post_cingulate),楔前叶(precuneus),梭状回(fusiform),颞叶(temporal) ,基底节(basal_gangli)和丘脑(thalamus),这些主要的脑区与之前的风险决策研究一致。本研究中出现的前额叶皮层、扣带回和楔前叶是大脑默认网络的重要脑区,在风险行为的自我监测和情感调整中发挥着重要作用[15,16]。dIPFC在冲突选择,奖赏和认知控制中起了重要作用,对风险决策的任务态fMRI激活研究也发现dIPFC在风险决策时激活增加[19]。而额中回和扣带回可能与避免风险的潜在机制有关,对风险决策的任务态fMRI研究发现额中回和扣带回激活降低[20]。最近一个使用BART实验对青少年的研究发现在从事风险决策时,额叶激活增加,丘脑激活下降,表明这些脑区在风险决策中都起了重要作用[21]。可能正是由于上述脑区与其他脑区连接的不成熟导致了青少年更多风险行为的发生。

       此研究不仅表明使用动态功能连接能较好地预测风险决策行为,而且从脑网络上阐明了风险决策行为的特征,这对风险决策行为的预测具有潜在的应用价值。在以后的工作中将扩大样本量,并利用基于任务态的fMRI对风险决策进行进一步研究。

[1]
Steinberg L. A social neuroscience perspective on adolescent risk-taking. Dev Rev, 2008, 28(1): 78-106.
[2]
Romer D. Adolescent risk taking, impulsivity, and brain development: implications for prevention. Dev Psychobiol, 2010, 52(3): 263-276.
[3]
Morris AS, Squeglia LM, Jacobus J, et al. Adolescent brain development: implications for understanding risk and resilience processes through neuroimaging research. J Res Adolesc, 2018, 28(1): 4-9.
[4]
Eshel N, Nelson EE, Blair RJ, et al. Neural substrates of choice selection in adults and adolescents: development of the ventrolateral prefrontal and anterior cingulate cortices. Neuropsychologia, 2007, 45(6): 1270-1279.
[5]
Camara E, Rodriguez-Fornells A, Munte TF. Functional connectivity of reward processing in the brain. Front Hum Neurosci, 2009, 2: 19.
[6]
Allen EA, Damaraju E, Plis SM, et al. Tracking whole-brain connectivity dynamics in the resting state. Cereb Cortex, 2014, 24(3): 663-676.
[7]
Shen H, Li Z, Qin J, Liu Q, et al. Changes in functional connectivity dynamics associated with vigilance network in taxi drivers. Neuroimage, 2016, 124: 367-378.
[8]
Marusak HA, Calhoun VD, Brown S, et al. Dynamic functional connectivity of neurocognitive networks in children. Human Brain Mapping, 2017, 38(1): 97-108.
[9]
Kohno M, Ghahremani DG, Morales AM, et al. Risk-taking behavior: dopamine D2/D3 receptors, feedback, and frontolimbic activity. Cereb Cortex, 2015, 25(1): 236-245.
[10]
Qi X, Du X, Yang Y, et al. Decreased modulation by the risk level on the brain activation during decision making in adolescents with internet gaming disorder. Front Behav Neurosci, 2015, 9: 296.
[11]
Dosenbach NU, Nardos B, Cohen AL, et al. Prediction of individual brain maturity using fMRI. Science, 2010, 329(5997): 1358-1361.
[12]
Leonardi, N. Van De, Ville D. On spurious and real fluctuations of dynamic functional connectivity during rest. Neuroimage, 2015, 104: 430-436.
[13]
Finn ES, Shen X, Scheinost D, et al. Functional connectome fingerprinting: identifying individuals using patterns of brain connectivity. Nat Neurosci, 2015, 18(11): 1664-1671.
[14]
Calhoun VD, Miller R, Pearlson G, et al. The chronnectome: time-varying connectivity networks as the next frontier in fMRI data discovery. Neuron, 2014, 84(2): 262-274.
[15]
Hutchison RM, Morton JB. Tracking the brain's functional coupling dynamics over development. J Neurosci, 2015, 35(17): 6849-6859.
[16]
Buckner RL, Andrews-Hanna JR, Schacter DL. The brain's default network: anatomy, function, and relevance to disease. Ann N Y Acad Sci, 2008, 1124: 1-38.
[17]
Sylvester CM, Corbetta M, Raichle ME, et al. Functional network dysfunction in anxiety and anxiety disorders. Trends Neurosci, 2012, 35(9): 527-535.
[18]
Gordon EM, Laumann TO, Gilmore AW, et al. Precision functional mapping of individual human brains. Neuron, 2017, 95(4): 791-807.
[19]
Claus ED, Hutchison KE. Neural mechanisms of risk taking and relationships with hazardous drinking. Alcohol Clin Exp Res, 2012, 36(6): 932-940.
[20]
Crowley TJ, Dalwani MS, Mikulich-Gilbertson SK, et al. Risky decisions and their consequences: neural processing by boys with antisocial substance disorder. PloS One, 2010, 5(9): e12835.
[21]
Claus ED, Ewing SW, Magnam RE, et al. Neural mechanisms of risky decision making in adolescents reporting frequent alcohol and/or marijuana use. Brain Imaging Behav, 2017: 1-13.

上一篇 DCE-MRI和IVIM-DWI对下腰痛患者退变椎间盘新生血管的研究
下一篇 fMRI扫描噪声有源控制系统的次级通道建模
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2