编辑推荐：
这篇综述提出并验证了一个整合了轴突纤维束（Axonal fiber tract）的先进人类大脑有限元（Finite element, FE）模型。该研究通过将群体平均的纤维束成像图谱（Tractography atlas）衍生的轴突束，以连续梁单元（Beam element）的形式嵌入到脑实质的固体单元中，实现了在头部撞击过程中动态评估每个神经通路的轴突应变（Axonal strain）。模型基于死后人体标本（PMHS）的脑变形实验数据进行了验证，并对8个来自车辆碰撞和体育运动的真实世界轻度创伤性脑损伤（mTBI）案例进行了重建模拟。结果显示，在特定神经通路（如后丘脑辐射TR_P、胼胝体体部CC_B、额斜束FAT、后皮质纹状体通路CS_P、内侧丘系ML、顶叶皮质脑桥通路CPT_P和上纵束SLF）中，轴突应变相关的损伤指标始终较高。此外，水平方向（围绕Y轴）的头部旋转对通路水平的损伤指标贡献最为显著。该模型为从结构和功能连接组学（Connectome）角度理解mTBI机制提供了新的生物力学见解，是迈向改进mTBI预测的重要一步。
引言
创伤性脑损伤（Traumatic brain injury, TBI），特别是轻度创伤性脑损伤（mild TBI, mTBI）或脑震荡，是一个普遍存在的公共卫生问题，给个人和医疗系统带来了巨大的经济和社会负担。mTBI常归因于头部角加速度引起的大脑变形，但其精确机制，包括大脑实质或轴突纤维局部变形与临床症状之间的关系，尚未完全阐明。有限元（FE）分析是预测与mTBI相关的脑组织变形的重要工具。然而，尽管mTBI相关的神经病理变化可能涉及连接不同脑区的神经通路中断，但大多数现有模型并未在解剖学通路水平上考虑轴突纤维的构筑。本研究的目的是通过量化通路水平的轴突应变，识别在真实世界头部撞击下可能与mTBI发生相关的轴突纤维束。
材料与方法
本研究利用了一个先前开发的人脑FE模型，并通过将轴突纤维束作为梁单元流线嵌入到脑实质的固体单元部分进行了扩展。该模型具有详细描述的解剖结构，包括大脑、胼胝体、丘脑、基底神经节、穹窿、小脑、硬脑膜、大脑镰、小脑幕、中脑、脑桥和延髓，使用六面体固体单元进行建模。模型包含约41,000个节点和48,000个固体单元及13,000个壳单元。颅内脑脊液（CSF）动力学通过不可压缩流体动力学（ICFD）应用于脑室部分，以模拟其对脑变形的影响。
轴突纤维束的实现
轴突纤维束的实现基于Yeh（2022）提出的群体平均纤维束成像图谱。该图谱来自人类连接组计划（HCP）的扩散加权成像（DWI）数据集。使用DSI Studio软件进行纤维追踪，获得全脑纤维束成像图，并基于图谱将其分类为84个通路，包括联合纤维、投射到基底神经节和脑干的纤维、连合纤维和小脑纤维。这些分类的通路被转换为可在LS-DYNA中作为梁单元使用的格式。总共提取了8,602个轴突纤维，包含约820,000个梁单元。通过使用LS-DYNA中的CONSTRAINED_BEAM_IN_SOLID约束条件，将这些梁单元嵌入到脑实质的固体单元中，以便在不共享节点的情况下进行集成计算。梁单元的材料属性使用零模型表示，以最小化与固体单元之间的体积或质量冗余的影响。每个脑实质固体单元的材料轴基于穿过该单元的梁单元的向量平均值确定，并使用LS-DYNA中的ELEMENT_SOLID_ORTHO关键字进行设定。
验证设置
通过模拟已故人体标本（PMHS）头部撞击实验来验证所提出的整合了通路的大脑变形模型。使用了Hardy等人（2007）获得并经Zhou等人（2018, 2019b）重新分析应变计算的PMHS测试数据。进行了三项代表性测试：C288-T3（枕部撞击导致头部前旋）、C380-T1（顶部撞击导致右侧侧屈）和C380-T2（枕部撞击导致头部左旋）。在实验中，通过高速双平面X射线系统测量了嵌入PMHS头部的两个簇（C1和C2）中各七个神经密度靶点（NDT）相对于其重心的位移。通过计算簇模型的格林-拉格朗日应变的平均值来获得簇应变。使用相关分析和分析（CORA）方法定量评估NDT位移和每个簇应变的验证结果。
案例研究
使用提出的脑FE模型，对文献中可获得头部加速度曲线的mTBI案例进行了重建模拟。总结了八个mTBI案例，包括车辆追尾碰撞、侧面碰撞以及美式足球比赛中的碰撞案例。案例症状包括长期头痛和颈部疼痛、意识丧失（LoC）、脑震荡后症状、肌张力异常姿势以及无症状案例。通过比较跨案例的两个基于轴突应变的损伤指标来评估结果。
轴突应变损伤指标
使用了两个基于轴突应变的脑损伤指标。第一个是增强的通路水平损伤易感性指数φtractenh，本质上是累积应变损伤测量（CSDM）概念在轴突纤维束上的延伸。它定义为目标通路中每个轴突纤维损伤率权重分量之和除以该通路中的轴突纤维总数。权重w的计算基于给定轴突纤维中轴突应变超过阈值εthresh（设定为0.10）的梁元素数量与总梁元素数量之比。第二个指标是AxS95，即每个通路中梁元素轴突应变峰值的第95百分位数值。为了进行比较，还计算了整个大脑所有固体单元的第95百分位数最大主应变（MPS95）和使用25% MPS阈值的CSDM（CSDM25）。
结果
验证结果
NDT位移的CORA得分对于C288-T3、C380-T1和C380-T2分别为0.516、0.595和0.522，均被评为“一般”。所提出模型在所有三项测试中的结果均略低于ADAPT模型。簇应变的CORA得分对于C288-T3为0.766，C380-T1为0.823，均被评为“良好”；C380-T2为0.894，被评为“优秀”。所提出模型在C380-T1上得分较低，但在C288-T3和C380-T2上得分高于ADAPT模型。
案例研究结果
比较了各案例所有通路的φtractenh值。案例1的所有通路φtractenh值都较低。案例2中，较高的值按顺序出现在：右侧后丘脑辐射（TR_P）、胼胝体体部（CC_B）、左侧额斜束（FAT）、右侧后皮质纹状体通路（CS_P）和右侧内侧丘系（ML）。案例3整体值低于案例2，相对较高的值出现在右侧TR_P、右侧FAT、右侧顶叶皮质脑桥通路（CPT_P）、CC_B和左侧ML。案例4在所有案例中值最高，特别是在胼胝体小钳（CC_FMin）、右侧TR_P、额前连合（AC_F）、右侧CS_P和左侧颞顶斜束（TPAT）。案例5中，值较高的顺序是：右侧FAT、CC_B、左侧FAT、左侧上纵束III（SLF3）和右侧ML。案例6中，较高的值出现在右侧FAT、右侧前皮质纹状体通路（CS_A）、左侧FAT、CC_B和右侧额皮质脑桥通路（CPT_F）。案例7中，较高的值出现在左侧TR_P、左侧CS_P、右侧CPT_P、左侧皮质脊髓束（CST）和CC_B。案例8整体值低于案例6和7，较高的值出现在CC_B、左侧FAT、左侧前丘脑辐射（TR_A）、左侧上丘脑辐射（TR_S）和右侧TPAT。在所有案例中，小脑通路均未显示出高φtractenh值。
比较了各案例所有通路的AxS95值。案例1的AxS95值整体最低。案例2中，最高的AxS95值出现在左侧SLF3、右侧TR_P、胼胝体毯（CC_T）、右侧SLF3和CC_B。案例3中，左侧SLF3显示出最高的AxS95值。案例4在所有案例中AxS95值最高，特别是在右侧SLF3、CC_FMin、左侧SLF3、右侧FAT和右侧弓状束（AF）。案例5中，值较高的顺序是左侧SLF3、CC_B、左侧FAT、右侧SLF3和右侧上皮质纹状体通路（CS_S）。案例6的AxS95整体值高于案例7和8，较高的值出现在右侧CS_A、右侧CPT_F、右侧上纵束I（SLF1）、右侧FAT和右侧CS_S。案例7中，最高的AxS95值出现在右侧SLF3、左侧SLF1、左侧TR_S、左侧SLF3和左侧ML。案例8中，较高的AxS95值出现在颞前连合（AC_T）、CC_B、左侧SLF3、左侧FAT和右侧TR_P。
对轴突应变损伤指标与临床结果之间的关联进行了定量总结。基于症状描述将临床结果分为三级序数类别。使用每个案例中排名前五的通路值的平均值作为每个指标的代表值。序数结果类别与这些代表值之间的斯皮尔曼等级相关系数对于φtractenh为ρ=0.784（p=0.021），对于AxS95为ρ=0.550（p=0.158）。肯德尔τb系数显示出一致的方向。
比较了各案例的峰值MPS95和CSDM25。案例1的MPS95和CSDM25值在所有案例中最低。案例5的MPS95和CSDM25值仅次于案例1，为第二低。在所有案例中，MPS95在案例6中最高，而CSDM25在案例4中最高。此外，案例8的MPS95高于案例2和3，而CSDM25仅略低于这两个案例。
头部旋转方向的影响
研究了头部旋转方向对每个通路损伤指标的影响。通过将各案例输入的头部绕X、Y、Z轴角加速度峰值与每个通路的损伤指标相关联，得出了它们对φtractenh和AxS95的相对贡献。结果显示，水平方向（围绕Y轴）的头部旋转对通路水平的损伤指标贡献最为显著。
结论
本研究开发并验证了一个整合了轴突纤维束的人脑FE模型，能够动态评估特定神经通路在头部撞击时的轴突应变。通过对真实世界mTBI案例的重建模拟，研究识别出了一组在损伤案例中 consistently 表现出较高轴突应变损伤指标的特定神经通路，包括后丘脑辐射（TR_P）、胼胝体体部（CC_B）、额斜束（FAT）等。轴突应变指标（如φtractenh）与临床结果严重程度显示出有希望的秩相关性。此外，水平方向的头部旋转被证明是导致通路水平轴突应变损伤的关键因素。这些发现为理解mTBI与通路水平轴突损伤之间的关系提供了新的生物力学见解。所提出的脑FE模型可以作为从结构和功能连接组学角度理解mTBI机制的基础，是迈向改进mTBI预测的重要一步。
