Brain：固有功能连接区分最小意识和无反应的患者

尽管在静息态fMRI研究方面取得了进展，但临床医生仍然面临着如何在个性化的基础上实施这一范例的挑战。在此，我们通过系统水平的方法评估了意识障碍患者静息态fMRI采集的临床相关性。三个临床中心收集了73名处于最小意识状态、植物人状态/无反应觉醒综合征和昏迷患者的数据。主要分析来自一个中心(列日)的51例患者(最小意识状态26例，植物人状态/无反应觉醒综合征19例，昏迷6例；女性15例；平均49±18岁，范围11~87；创伤性16例，非创伤性32例，其中13例缺氧，3例混合性；35例患者在伤后1个月以上昏迷恢复量表(修订版)的临床诊断与正电子发射断层扫描相一致)。使用多种子相关方法研究了默认模式、额顶、突显、听觉、感觉运动和视觉网络的组级功能连接。使用组间推理统计和机器学习来确定每个网络区分处于最小意识状态和植物人状态/无反应觉醒综合征的患者的能力。

从另外两个中心(萨尔茨堡：10个最小意识状态，5个植物人状态/无反应觉醒综合征；纽约：5个最小意识状态，1个植物人状态/无反应觉醒综合征，1个从最小意识状态恢复)收集的数据被用来验证具有所选特征的分类。昏迷恢复量表(修订版)的总分与每个网络的关键区域相关，反映他们参与了意识相关的过程。所有网络都有很高的区分能力(>80%)，可以区分处于最小意识状态和植物人状态/无反应觉醒综合征的患者。其中，听觉网络的排名最高。与植物人状态/无反应觉醒综合征患者相比，处于最小意识状态的患者的听觉网络区域在功能上连接更紧密，包括双侧听觉和视觉皮质。在22名独立评估的患者中，这三个区域的连接性值一致地区分了20名患者。我们的发现指出了在最小意识中保留多感觉整合和自上而下处理能力的重要性，似乎得到了听觉-视觉跨模态连接的支持，并促进了静息范式在单个患者诊断中的临床应用。本文发表在BRAIN杂志。

关键词：意识；创伤性脑损伤；静息态连接；感觉系统；缺氧

缩写：CRS-R =昏迷恢复量表(修订版)；MCS =最小意识状态；UWS =无反应觉醒综合征；VS =植物人状态

引言

由于急性或慢性意识障碍患者是无法交流的，他们的诊断尤其具有挑战性。例如，昏迷的患者闭眼躺着，对任何外部刺激都没有反应。当他们睁开眼睛但对外界刺激保持无反应时，他们被认为处于植物人状态(VS; Jennett and Plum, 1972)，或者称为无反应觉醒综合症(UWSUWS; Laureys et al., 2010)。当患者表现出波动但可重复的非反射行为残余迹象时，他们被认为处于最小意识状态(MCS; Giacino et al., 2002)。迄今为止，对意识障碍患者的诊断评估主要基于对床边运动和口部运动行为的观察(Giacino et al., 2014)。然而，对非反射行为的评估并不简单，因为患者的警觉性可能会波动，可能患有认知障碍(例如失语、失用)和/或感觉障碍(例如失明、耳聋)，可能是由于少量或容易疲劳的运动活动和疼痛。在这些情况下，缺乏反应并不一定对应于缺乏意识(Sanders et al., 2012)。或者，不依赖运动的技术可以帮助这两个患者组之间的临床区分(Bruno et al., 2010)。

到目前为止，通过经颅磁刺激结合EEG (Rosanova et al., 2012; Casali et al., 2013)和结合不同的EEG测量(Sitt et al., 2014)，已经对MCS和VS/UWS中的单个患者进行了准确的分类。在通过fMRI进行患者分离方面，已使用激活(利用感觉刺激; Schiff et al., 2005; Coleman et al., 2007; Di et al., 2007)和激活范式(其探测心理命令跟随; Owen et al., 2006; Monti et al., 2010; Bardin et al., 2012)来检测这些患者的转换意识。后一种方法的一个明显局限性是，患者可能表现出运动和语言障碍，这妨碍了这些评估，并增加了假阴性结果的风险(Giacino et al., 2014)。由于每个机构的技术设施，这些范例的应用也可能受到限制。

或者，静息态下的fMRI采集不需要复杂的设置，并且超过了被试主动参与的需要。过去基于静息态fMRI的患者评估主要集中在默认模式网络，该网络主要包括前中线和后中线区域，并参与意识和自我相关的认知过程(Raichle et al., 2001; Buckner et al., 2008)。这类研究表明，默认模式网络功能连接随着意识的变化而减少，从健康对照组转移到MCS（最小意识状态）、VS/UWS和昏迷患者(Boly et al., 2009; Vanhaudenhuyse et al., 2010; Norton et al., 2012; Soddu et al., 2012; Demertzi et al., 2014; Huang et al., 2014)。在患者中，默认模式网络的楔前叶和后扣带皮质的特征还表现为fMRI静息态低频波动和区域体素同质性(指一个区域局部大脑活动的相似性)的降低(Tsai et al., 2014)。与对照组相比，在患者中进一步发现了属于外部或任务阳性网络(与环境意识有关; Vanhaudenhuyse et al., 2011)的半球间同源区域功能连接性降低(Ovadia-Caro et al., 2012)。偏相关也表明半球间的连接降低(Maki-Marttunen et al., 2013)。根据图论指标，昏迷患者被证明保留了全局网络属性，但在健康对照组中作为中枢的皮质区域在昏迷大脑中变成了非中枢，反之亦然(Achard et al., 2011, 2012)。同样，慢性患者表现出内侧顶叶、额叶区域以及丘脑的网络属性改变，无反应患者的大多数受影响区域属于高度互连的中央节点的所谓的“富人俱乐部”(Crone et al., 2014)。最近，基于fMRI的单患者分类已经通过将各种固有连接网络的神经元属性作为区分特征来执行(Demertzi et al., 2014)。“神经元”和“非神经元”之间的区别是基于通过独立成分分析提取的已识别网络的空间和时间属性(指纹) (De Martino et al., 2007)。根据特定的标准(Kelly et al., 2010)，“非神经元”成分是指那些在脑周围区、脑脊液(CSF)和白质中显示激活/去激活的成分，以及那些表现出高频波动(>0.1Hz)、棘波、上矢状窦中存在的锯齿状图案和阈值体素。相反，“神经元”网络是指当至少10%的激活/去激活发生在位于大脑小区域的小或大的灰质团块中时。根据神经元性的定义，默认模式和听觉网络的“神经元”特性能够以85.3%的准确率将单个患者与健康对照组区分开来。然而，MCS和VS/UWS患者之间的辨别准确率仅达到了随机水平(Demertzi et al., 2014)。

综上所述，这些研究表明，到目前为止，基于静息态的fMRI对患者的区分要么是在组水平进行的，要么与健康组和病理组的分类有关。因此，临床医生仍然面临如何在个体化的基础上实施静息态fMRI范式的挑战，以应对MCS（最小意识状态）和VS(植物人状态)/UWS(无反应觉醒综合征)之间更具挑战性的区分(Edlow et al., 2013)。在这里，我们的目的是通过在临床人群中使用静息态fMRI测量来促进MCS-VS/UWS单个患者的分化。为此，我们研究了创伤性和非创伤性的急性和慢性意识障碍患者的系统水平静息态fMRI功能连接，目的是：(i)估计每个网络对行为评估所确定的意识水平的贡献；(ii)对每个网络区分MCS和VS/UWS患者的能力进行排序；(iii)自动对独立评估的患者进行分类。

材料和方法

被试

使用了三个数据集，包括在列日[针对研究目标(i)和(ii)]、萨尔茨堡和纽约[针对研究目标(iii)]扫描的患者。纳入标准为MCS、VS/UWS和严重脑损伤后昏迷患者，急性脑损伤后至少2天。当有MRI禁忌症(例如，存在铁磁性动脉瘤夹、起搏器)、在镇静或麻醉下获得的MRI、临床诊断不确定时，排除患者。健康志愿者无精神或神经病史。这项研究得到了列日大学医学院伦理委员会、萨尔茨堡伦理委员会和威尔康奈尔医学院机构审查委员会的批准。参与研究的知情同意书来自健康被试和患者的法定代理人。

数据采集

所有数据均在3T西门子TIM Trio MRI扫描仪(Siemens Medical Solutions)上采集。对于列日数据集，使用轴位方向的梯度回波回波平面成像序列采集300 multislice T2*加权像，覆盖全脑(32层;体素大小=3×3×3mm³;矩阵大小=64×64;重复时间=2000ms;回波时间=30ms;翻转角度=78°;视野=192×192mm)。对于萨尔茨堡数据集，250 T2*加权像(36层3mm厚度的切片;重复时间=2250ms;回波时间=30ms;翻转角度=70°;视野=192×192mm)。对于纽约数据集，采集了180 T2*加权像(32层;体素大小=3.75×3.75×4mm³;矩阵大小=64×64;重复时间=2000ms;回波时间=30ms;翻转角度=90°;视野=240×240mm)。

被试水平连接性分析数据分析如图1所示。

图1分析管道。

被试水平的数据分析包括信号预处理和固有连通网络的提取。组水平的数据分析包括对感兴趣网络的功能连接的估计，通过CRS-R总分回归分析估计每个网络对意识水平的贡献，并确定每个网络的MCS和VS/UWS患者组之间的连接差异。使用网络排名方法对特征（即每个网络的连接差异）进行排名，以将单个患者区分为MCS组和VS/UWS组。在萨尔茨堡和纽约评估的两组独立的患者数据集用于进一步验证患者分类。不同的颜色表示三个数据集以及它们在分析管道中的使用方式。

数据预处理

以相同的方式对三个数据集上的所有被试进行预处理和连接分析。为了避免T1饱和效应，去除三个初始体积。作为解剖学参考，每个被试都获得了高分辨率的T1加权像。使用SPM8进行数据预处理。预处理步骤包括时间层校正、头动校正、结构像分割、标准化到MNI空间和使用6 mm半高全宽的高斯核进行空间平滑。由于功能连接受扫描仪中头部运动的影响(Van Dijk et al., 2012)，我们使用伪影检测工具(ART; http://www.nitrc.org/projects/artifact_detect)。具体来说，如果头部在x、y或z方向上的位移距离前一帧为>2mm，或者旋转位移距离前一帧为>0.02弧度，或者图像中的全局平均强度与整个静息扫描的平均图像强度相差>3个标准差(SD)，则将图像定义为异常(伪影)图像。随后，将全局平均信号强度和运动中的异常值作为滋扰回归因子(即:在一阶一般线性模型中，每个异常值一个回归因子)。因此，数据的时间结构没有被中断。 对于降噪，以前的方法减去整个大脑的全局信号(这在静息态分析中是一个有争议的问题；Murphy et al., 2009; Saad et al., 2012; Wong et al., 2012)，以及来自感兴趣噪声区域的平均信号(Greicius et al., 2003; Fox et al., 2005)。这里，我们使用了基于解剖成分的噪声校正方法(aCompCor; Behzadi et al., 2007)，如在CONN功能连接工具箱(Whitfield-Gabrieli and Nieto-Castanon, 2012)中实现的那样。aCompCor通过从感兴趣的噪声区域获得主成分并将它们作为滋扰参数包括在一般线性模型中，将噪声影响建模为多个经验估计噪声源的体素特定线性组合。具体地说，使用SPM8将每个被试的解剖图像分割为白质、灰质和脑脊液。为了最大限度地减少灰质的部分体积效应，白质和脑脊液mask被一个体素侵蚀，导致mask比原始分割小得多(Chai et al., 2012)。然后将侵蚀的白质和脑脊液mask用作感兴趣的噪声区域。从非平滑的功能体积中提取来自白质和脑脊液感兴趣噪声区域的信号，以避免灰质信号污染白质和脑脊液信号的额外风险。在时间序列上应用0.008-0.09 Hz的时间带通滤波器，以将分析限制在低频波动，低频波动是fMRI血氧水平依赖静息态活动的特征，这在种子相关分析是典型的(Greicius et al., 2003; Fox et al., 2005)。回归出剩余的头部运动参数(3个旋转参数和3个平移参数，加上另外6个表示它们的一阶时间导数的参数)。

固有连接网络的提取

功能连接采用了基于种子点的相关方法。种子相关分析使用从感兴趣区域(种子)提取的BOLD时间序列，并确定该信号与所有其他脑体素时间序列之间的相关性。显然，种子区域的选择至关重要，因为原则上，它可以导致与可能选择的种子数量一样多的重叠网络(Cole et al., 2010)。此外，由于患者潜在的神经病理，网络可能会中断，因为所选的种子可能不再包括在整个网络中。使用更多的种子区域，可以克服这一问题，从而确保患者具有正确的网络特征。在这里，选择用来复制网络的种子被定义为从文献中获得的峰值坐标附近的10mm(对于皮质区域)和4mm半径球(对于皮质下结构)。对于每个网络，从包含在每个种子区域中的体素中提取BOLD时间序列，然后进行平均。以这种方式，通过考虑多个区域的时间进程来估计由此产生的平均时间进程。平均的时间序列被用来估计全脑相关r图，然后将其转换为正态分布的Fisher‘s z变换相关图，以便进行组水平比较。

组水平连接分析

对于列日数据集，进行单样本t检验，以评估MCS、VS/UWS和昏迷患者的网络级功能连接；健康对照组的数据用作参考，以确保正确的网络特征。一项探索性分析寻找网络水平的连接变化作为患者病因学和长期性的函数。病因学(创伤性、非创伤性)/长期性(急性、慢性)与临床实体(MCS、VS/UWS)之间的2个2×2因子设计。如果确定有交互作用效应，则这些变量必须作为回归变量输入到一般线性模型中。 为了实现该研究的第一个目标，即估计每个网络对意识水平的贡献，使用患者昏迷恢复量表(修订版)(CRS-R)总分作为回归量，以确定每个网络的功能连接与意识水平之间的关系。作为对照，CRS-R总分被用作小脑网络（三个感兴趣区域，见补充材料）的功能连接回归量，已知小脑网络与意识相关过程的关联最小(Tononi, 2008; Yu et al., 2015)。

为了解决该研究的第二个目标，即确定每个网络区分MCS患者和VS/UWS患者的能力，我们首先进行了双样本t检验，以确定MCS患者与VS/UWS患者（列日数据集）相比，那些在每个网络中具有更高功能连接的区域。生成的差异图保存为mask，随后用于网络排名和选择步骤。在经错误发现率(FWE；团块水平)为P<0.05的多重比较校正后的结果认为是显著的。

网络排名和选择

使用REX工具箱，利用上一步计算的差异mask，从每个网络估计的一阶对比图像中提取平均连接值(整个mask的平均z值)。因此，每个被试在每个网络中创建一个值，每个被试有6×1个向量(即45×6矩阵)。这些向量值被视为在Matlab中实现特征排序方法(Saeys et al., 2007)中的特征。利用单特征线性支持向量机分类器对特征(即网络)排序的结果进行验证(Burges, 1998)。补充材料中有关于网络排名程序和结果的更多细节。为了实现该研究的第三个目标，即对来自其他两个临床中心的独立评估患者进行自动分类，我们将重点放在网络排名过程中排名最高的网络上。对于该网络，使用正则化参数C=1的线性核支持向量机分类器(Burges,1998)。该参数的选择基于其在机器学习过程中的广泛应用(Phillips et al., 2011)。用于训练的特征是使用如上所述的相关网络二值mask从一阶对比图像中提取的个体平均连接值。为了避免单一特征分类而带来过拟合的风险，增加了更多特征用于分类器的训练。特征数量是基于MCS患者与VS/UWS患者相比表现出更高连接的团块数量，如连接分析期间CONN工具箱的对比矩阵设置界面(FWE P < 0.05，团块水平校正)。

独立评估患者的分类

分类器的最终验证是在从萨尔茨堡(n=15)和纽约(n=7)的独立评估患者中提取的一组新的连接值上进行的。数据预处理、固有连接网络提取和特征提取遵循与上述列日数据集相同的过程。为了测试鲁棒性，我们还评估了同一个分类器是否可以推广到两个中心(列日,萨尔茨堡；纽约中心没有健康对照数据)。

结果

被试

在列日, 2008年4月至2012年12月期间，177名意识障碍患者接受了MRI扫描。其中，80人(45%)因扫描期间有镇静或麻醉而被排除。在其余97例清醒状态下接受扫描的患者中，5例在扫描后一周内改变了诊断，14例表现出功能性沟通，15例为技术原因或运动伪影，12例为临床诊断与氟脱氧葡萄糖(FDG)-PET扫描不一致而被排除(Stender et al., 2014)。对于后一种标准，我们决定排除在床边诊断为VS/UWS而在中线和额顶区域表现出广泛的PET激活的患者，以避免由于临床模糊性而产生混淆。 纳入的51名患者在行为上被诊断为CRS-R (Giacino et al., 2004)，MCS=26例，VS/UWS=19例，昏迷=6例(女性15例；平均年龄49±18岁，范围11-87；创伤性16例，非创伤性32例，其中缺氧13例，混合性3例；35例患者在慢性环境中进行评估，即伤后大于1个月)。年龄匹配的21名健康志愿者(女性8例；平均年龄45±17岁；范围19-72)的数据被用作连接分析的参考，并在不纳入训练的情况下验证分类器的泛化能力。来自萨尔茨堡的数据集包括10个MCS和5个VS/UWS患者；来自纽约的数据集包括5例MCS,1例VS/UWS和1例MCS患者。所有患者的人口统计和临床特征在补充材料中进行了总结。 对于列日数据集，去噪程序的效果在补充材料中进行了总结。此外，健康对照组(均值=9±8)，MCS组(均值=22±17)，VS/UWS组(均值=17±12)，昏迷组(均值=2±2)之间的运动异常图像数无显著差异(均经t检验，p＜0.05)。探索性分析表明，临床实体(即MCS、VS/UWS)对每个网络的功能连接有主效应。临床实体和病因学之间没有交互作用(创伤性:MCS =13,VS/UWS=1；非创伤性:MCS=12+1混合；VS/UWS=16+2混合)或长期性(急性MCS=5,VS/UWS=6；慢性MCS=21,VS/UWS=13；自受伤以来的平均时间为902.3天，最短=2天，最长=9900天)。

组水平连接分析

对于默认模式，额顶、突显、听觉、感觉运动和视觉网络，功能连接包括健康对照组的经典报告区域；在MCS患者中，6个网络均显示连接降低，在VS/UWS患者中几乎无法识别连接，在昏迷患者中则不存在连接(见补充材料)。 CRS-R总分与每个网络关键区域的功能连接相关(图2)。相比之下，当CRS-R总分被用作小脑连接的回归量时，小脑对意识过程的参与最少(Tononi,2008)，没有一个区域显示出与行为评分的连接。为了说明的目的，在补充材料中介绍了健康对照的小脑网络。

图2 固有连接网络参与意识相关加工。

在MCS、VS/UWS和昏迷患者中，所有研究网络的功能连接(红色区域)与昏迷恢复量表(修订版)(总分)行为评估确定的意识水平相关。统计图的阈值为FWE p＜0.05(团块水平)，并在玻璃脑模板上呈现(横向视图)。与VS/UWS相比，MCS患者的每个网络的功能连接较高的区域如图3所示。为了最小化功能连接差异反映大脑解剖差异的可能性，我们对标准化的灰质和白质分割mask(以6 mm半高全宽平滑)进行了基于体素的双样本t检验形态测量。在FWE P＜0.05时，MCS和VS/UWS患者之间的灰质体积无论在全脑水平还是在团块水平上都没有差异。同样，对白质体积的分析发现两组之间没有差异，即使在未进行多重比较校正的自由阈值P＜0.001（全脑水平）下也是如此。补充材料中报告了两组患者的平均灰质和白质体积。

图3与VS/UWS患者相比，MCS患者的各个网络中显示出更高功能连接的区域。

统计图的阈值为FWE P＜0.05(团块水平)，并在3D曲面图模板上呈现(顶部=侧视图；底部=间视图)。

网络排名和选择

所有网络都被发现以可接受的准确性区分MCS和VS/UWS患者(见补充材料)。其中，听觉网络是区分MCS和VS/UWS患者的排名最高的系统。

使用独立数据集进行验证

进一步利用听觉网络的功能连接对独立评估的患者进行分类。对双侧听、视皮层的连接强度进行分类(图3)。这三个特征向量优先于单特征分类(即，所有听觉网络mask区域的平均连接)，以避免分类器的过拟合。基于这三个团块的连接强度(z值)，在萨尔茨堡和纽约独立评估的22名患者中，有20名被一致区分(图4和补充材料)，即CRS-R诊断与分类结果相匹配。正如Phillips等人(2011)所说，我们计算了每个特征的加权向量‘w’，它决定了决策面的方向，表明哪些特征驱动分类(Bishop,2006)。右侧听觉皮质w=-1.7890，左侧听觉皮质w=-0.4002，枕叶皮质w=-0.7362。被误诊为MCS的患者在扫描当天CRS-R总分为5分(表明VS/UWS；二号中心11号病人，补充材料),38天后发展为MCS(听觉功能:1,视觉功能:3,运动机能:2,言语功能:2,交流:0,唤醒:2)。基于存在对伤害性刺激的定位被误诊为VS/UWS的患者，扫描当天CRS-R总分为9分，但这种行为在先前(AF: 1, VF: 0, MF: 0, O/VF: 1, COM: 0, AR: 2)或后续评估(AF: 2, VF: 1, MF: 2, O/VF: 1, COM: 0, AR: 2)中均无法引起。为了检验鲁棒性，我们评估了相同的分类器是否适用于在列日和萨尔茨堡扫描的健康对照组(n=39；纽约中心没有健康对照数据)。健康对照组中大多数(39人中的37人；95%)被归为MCS(见补充材料)。

图4 听觉-视觉跨模态功能连接区分MCS患者和VS/UWS患者。

表示左听觉、右听觉和枕叶皮质(补充材料)之间连接的3D空间被压缩为二维，以表示每个患者(圆圈)到决策平面(任意值)的距离。上面板是用于分类器训练的患者数据(圆圈)(列日数据集，n=45)。下面板总结了分类器对验证数据集的判断，包括在萨尔茨堡(n=15)和纽约(n=7)独立评估的患者(以星号表示)。基于跨模态交互，在22名独立评估的患者中，有20名患者被一致分类，即行为诊断与分类结果相匹配。

讨论

我们在这里的目的是通过系统水平方法来确定静息态fMRI范式在意识障碍患者中的临床效用。研究首次表明，默认模式、额顶、突显、听觉、感觉运动和视觉网络的静息态fMRI连接与行为CRS-R评估分数相关，强调了它们对意识水平的贡献。先前对与自传式记忆、走神和无约束认知相关的默认模式网络(Buckner et al., 2008)的研究也表明在生理学(Horovitz et al., 2009；Samann et al., 2011)和药理学无意识(Greicius et al., 2008；Boveroux et al., 2010；Stamatakis et al., 2010；Amico et al., 2014)下，显示了连接的意识水平依赖性降低。类似地，额顶网络与知觉和躯体感觉处理有关(Smith et al., 2009；Laird et al., 2011)，被认为是意识报告感知的关键(Dehaene et al., 2003)，在睡眠(Larson-Prior et al., 2009；Samann et al., 2011；Boly et al., 2012)和麻醉(Boveroux et al., 2010)期间显示了功能连接的减少。突显网络，已涉及冲突监测、信息整合、反应选择和内感受过程(Seeley et al., 2007; Smith et al., 2009; Ploner et al., 2010; Wiech et al., 2010)和疼痛的情绪对应网络(Seeley et al., 2007; Shackman et al., 2011)，也显示了异丙酚麻醉下的连接调制(Guldenmund et al., 2013)。这里，CRS-R评分与前扣带回突显网络之间的正相关可以解释一些患者保留将注意力定向到环境显著性刺激(如有害刺激)的能力，证实了之前的PET数据(Boly et al., 2008)。

在生理学和药理学无意识状态下，感觉网络的变化较小(Heine et al., 2012)。然而，异丙酚引起的默认模式网络与运动皮层、网状激活系统和丘脑之间的断开已被证实。(Stamatakis et al., 2010)。特别是，丘脑对意识至关重要(Dehaene and Changeux, 2005; Tononi, 2008)。 在我们的分析中，丘脑的重要性被控制在三个大规模网络中的感兴趣区域中，即默认模式网络、额顶和突显网络。MCS和VS/UWS患者之间的直接比较没有发现在任何网络水平的丘脑连接差异。然而，最近一项对意识障碍患者使用目标检测任务的研究表明，他们的前丘脑和前额叶皮层之间连接更强。这些发现表明，丘脑-额叶回路对自上而下的认知加工非常重要(Monti et al., 2015)。有趣的是，当小脑被用作控制网络时，患者的CRS-R总分与该网络的任何区域都不相关。这些发现证实了之前的观点，即小脑在与意识相关的处理过程中作用很小(Tononi, 2008; Yu et al., 2015)。综上所述，临床评分和每个网络的功能连接之间的正相关关系表明，这里研究的网络至少在一定程度上是研究该患者队列中的剩余认知功能的合适手段。

对于临床实践来说，重要的是，我们旨在进一步确定每个网络区分MCS和VS/UWS患者的能力。在基于fMRI的患者区分方面，迄今为止，仅在组水平上观察到默认模式(Boly et al., 2009; Vanhaudenhuyse et al., 2010; Norton et al., 2012; Soddu et al., 2012; Demertzi et al., 2014)，额顶和听觉网络(Demertzi et al., 2014)在功能连接方面的差异。在这里，我们复现了这些发现，并进一步显示了突显、感觉运动和视觉网络的功能连接的组间差异。转向基于单个患者网络的区分，我们发现所有网络都能够以可接受的准确率(>86%)区分患者。如此高的准确率可以部分归因于这样一个事实，即网络排名是基于从已知组间差异的同一人群中提取的特征。为了避免double-dipping双重蘸取效应，我们旨在验证两个独立评估的患者数据集(萨尔茨堡和纽约)和健康对照中排名最高的网络。为此，我们选择了基于听觉网络连接强度的单患者分类。基于该网络的连接，22例新患者中有20例被一致分类，即：临床诊断与分类结果相匹配。值得注意的是，与包括在训练集中的患者相比，分类器将独立评估的患者定位在更接近决策平面的位置。这可以解释为上述在网络排名过程中对列日训练数据集的偏爱，这可能会导致对验证集进行更严格的分类。尽管固有连接网络已被证明是鲁棒的，不依赖于不同的扫描参数(Van Dijk et al., 2010)，但三个中心中每个中心采用的不同参数也可能影响分类器的估计。或者，使用相关向量机分类器(Phillips et al., 2011)，它返回患者属于临床疾病的概率，而不是使用二元决策，可能是一种更敏感的方法来对患者进行不太严格的分类。

分类结果进一步凸显了行为检查带来的挑战(Majerus et al., 2005)，行为检查在许多情况下低估了患者的意识水平(Schnakers et al., 2009)。在这里，听觉网络分类器的验证对大多数纳入的患者(20/22)都有效。有趣的是，被错误分类为MCS的患者在扫描当天有VS/UWS的特征，但在38天后演变为MCS。另一名患者被错误地归类为VS/UWS，但在扫描当天有MCS的临床特征，基于存在对有害刺激的定位(注意，这种行为不能在任何其他评估中引起)。在我们的分析中，分类器的结果对临床评估的验证是一个起点。因此，明确的诊断基线对后续的患者分类至关重要。为此，使用CRS-R进行了重复的临床检查(每个患者平均评估次数n=6)。临床诊断得到了FDG-PET成像的进一步证实，该成像已被证明在识别MCS患者方面具有较高的敏感性(Stender et al., 2014)。因此，临床评估和神经影像学数据不明确的患者不包括在分析中。同样，接受镇静剂以减少扫描仪运动的患者(Soddu et al., 2011)也被进一步排除。排除镇静剂患者的原因是我们对麻醉对网络连接的潜在影响了解有限(Heine et al., 2012)。鉴于许多患者进行麻醉不仅是为了限制扫描仪的运动，而且也是出于神经保护的原因，我们在此认识到增加麻醉后扫描患者分类能力的重要性(Schifilliti et al., 2010)。未来的研究将致力于理清麻醉剂和病理之间在功能连接测量方面的差异，这当然是必要的。最后，尽管扫描时患者处于“清醒”状态，但由于技术上的困难，在数据采集过程中监测患者的警觉状态是不可行的。因此，不能排除患者在扫描过程中睡着的可能性，这可能会影响功能连接的评估。

为什么听觉网络被认定为具有最高辨别能力的系统，其中一个解释可能与其潜在的功能神经解剖学有关。除了颞叶皮质，听觉网络还包括枕叶皮质、中央前和中央后区、岛叶和前扣带回皮质(Damoiseaux et al., 2006; Smith et al., 2009; Laird et al., 2011; Maudoux et al., 2012; Demertzi et al., 2014)。MCS和VS/UWS患者之间的直接比较将识别的区域限制在双侧听觉和视觉皮质。这种听觉-视觉功能连接模式先前在正常意识被试休息期间也有描述(Eckert et al., 2008)，并与意识研究中的fMRI结果一致。例如，在听觉时间不规则的心理计数期间，已经显示了健康被试在颞部和枕部区域保留了fMRI活动；有趣的是，这种激活只在那些注意到并意识到auditory violation听觉违背的被试中被发现(Bekinschtein et al., 2009)。在功能层面，听觉-视觉功能连接，也被称为跨模态交互，被认为与多感官整合有关(Clavagnier et al., 2004)。多感官整合被认为是自上而下的高阶区域影响的促进者，从而产生对即将发生的感官事件的预测(Engel et al., 2001)。这种自上而下的连接最近在EEG oddball范式中被发现，该范式将MCS患者与VS/UWS患者区分开来(Boly et al., 2011)。有趣的是，据报道，在保留结构连接但经药物诱导麻醉的健康被试中，跨模态视听交互减少(Boveroux et al., 2010)。在该研究中，意识的恢复与跨模态连接的恢复并行，表明这种连接模式对意识水平依赖状态起着关键作用。

在我们的结果中，与无反应的患者相比，MCS患者的跨模态交互得到更好的保存。VS/UWS中听觉-视觉皮质之间功能连接的减少可能部分归因于解剖学连接的中断，这在昏迷后患者中经常出现(Perlbarg et al., 2009; Fernandez-Espejo et al., 2010, 2011; Stevens et al., 2014; van der Eerden et al., 2014)。最近在异丙酚诱导的灵长类动物无意识期间，功能和结构连接之间的紧密联系与静息态fMRI动态波动有关。在这项研究中，功能连接在不同的意识状态之间波动的频率较低，它主要与表征无意识的状态有关，这种模式主要由潜在的结构连接解释(Barttfeld et al., 2015)。在这里，两组患者基于体素的灰质和白质分割形态测量的负性差异表明，功能连接的改变不能完全归因于潜在的解剖异常。我们认识到，通过扩散加权成像分析及其与功能数据的关系，将使我们对临床样本中残留的功能连接做出更加肯定的陈述。

总结

我们发现系统水平的静息态fMRI显示，意识依赖的破坏不仅存在于默认网络，还存在于额顶、突显、听觉、感觉运动和视觉网络。听觉和视觉皮质之间的功能连接是准确区分单个患者为MCS或VS/UWS类别的最敏感特征。我们的发现指出了意识中多感官整合和自上而下过程的重要性，似乎得到跨模态连接的支持。未来，需要努力推动这种复杂方法在临床环境中的可行性，并促进静息范式在单患者诊断中的临床效用。