《Brain Research Bulletin》：Dynamic functional connectivity changes in noise-induced hearing loss: a resting-state fMRI study with machine learning-based classification
编辑推荐：
本研究聚焦于噪声性听力损失(NIHL)对大脑功能网络的影响。为探索NIHL患者全脑功能连接的时间变异性，研究人员运用动态功能连接(dFC)分析与机器学习方法，识别了患者与健康对照(HC)间差异显著的dFC特征，并构建了高准确率的支持向量机(SVM)分类模型。研究发现，NIHL患者右侧辅助运动区(SMA.R)与双侧楔叶(CUN)的dFC降低，而与左顶下小叶(IPL.L)的dFC增加。该研究揭示了NIHL的复杂神经病理机制，为探究潜在的神经影像学生物标志物提供了新视角。
在喧嚣的现代社会中，噪声无处不在，由长期噪声暴露引发的噪声性听力损失（Noise-Induced Hearing Loss, NIHL）已成为一个不容忽视的全球性公共卫生问题。据世界卫生组织估计，全球有5.3%的人口受到NIHL的影响。这种损伤远不止于耳朵，它更像是一场波及大脑的“静默海啸”——研究表明，听力损失是痴呆症最突出的可调控风险因素之一，并与心血管疾病、抑郁等多种健康问题相关。噪声不仅损害内耳毛细胞，更会影响与听觉信息传递至关重要的螺旋神经节细胞，造成“突触病”，可能导致神经退行性损伤和认知功能衰退。大脑的听觉中枢系统在面对噪声侵袭时，会启动神经可塑性和功能重组，这一过程可能深刻影响听觉感知、言语识别乃至认知功能的恢复。然而，我们对NIHL背后复杂的中枢机制，特别是大脑功能网络如何在时间维度上动态变化，仍知之甚少。传统的静态功能连接分析难以捕捉大脑网络的动态活动特性，而新兴的动态功能连接（Dynamic Functional Connectivity, dFC）分析，则为我们打开了一扇观察大脑动态信息处理能力的窗口。为了深入探索NIHL患者全脑功能连接的异常时空模式，并为精准诊断寻找潜在的神经影像学生物标志物，一项发表在《Brain Research Bulletin》上的研究应运而生。
为回答上述问题，研究人员主要运用了以下几项关键技术方法：首先，研究招募了58名男性NIHL患者和42名年龄、教育程度匹配的男性健康对照（HC），所有参与者均接受了静息态功能磁共振成像（Resting-state functional Magnetic Resonance Imaging, rs-fMRI）扫描。其次，利用滑动窗口方法（窗口长度为80秒，步长为2秒）计算了基于自动解剖标记（Automated Anatomical Labelling, AAL）90模板的全脑动态功能连接（dFC）。接着，采用k-means聚类算法识别了扫描过程中反复出现的dFC状态，并比较了状态的时间属性（如平均驻留时间、时间分数、转换次数）。然后，通过两样本t检验结合错误发现率（False Discovery Rate, FDR）校正，以及最小绝对收缩和选择算子（Least Absolute Shrinkage and Selection Operator, LASSO）分类器，筛选出NIHL患者与HC之间存在显著差异的dFC特征。最后，利用这些筛选出的异常dFC特征，构建了支持向量机（Support Vector Machine, SVM）分类模型，并使用留一交叉验证法和受试者工作特征（Receiver Operating Characteristic, ROC）曲线评估了模型的分类效能。
3.1. 人口统计学和临床特征
研究结果显示，NIHL组与HC组在年龄、教育年限和简易精神状态检查（Mini-mental State Examination, MMSE）分数上无显著差异。然而，NIHL组的汉密尔顿焦虑量表（Hamilton Anxiety Scale, HAMA）分数和单耳听力阈值加权值（Monaural hearing threshold weighted values, MTWV）均显著高于HC组，这表明NIHL患者伴随着更高的焦虑水平和更严重的听力损失。
3.2. dFC状态的时间属性
通过k-means聚类，研究识别出四个dFC状态。在状态2中，NIHL组的平均驻留时间（Mean Dwell Time, MDT）和时间分数（Fraction of spent time, F）均高于HC组。此外，NIHL组在所有四个状态间的转换次数（Number of Transitions, NT）也高于HC组。这些发现提示NIHL患者的大脑功能网络活动呈现出不同的动态节律，表现为在特定状态停留更久，但状态间切换也更频繁。
3.3. dFC的差异
在状态3中，与HC组相比，NIHL患者表现出右侧辅助运动区（Supplementary Motor Area.R, SMA.R）与双侧楔叶（Cuneus, CUN）之间的dFC降低，而SMA.R与左顶下小叶（Inferior Parietal Gyrus.L, IPL.L）之间的dFC增加。此外，通过LASSO分类器从所有未校正的差异特征中筛选出了七个最重要的dFC特征，涉及多个脑区之间的连接。
3.4. 特征选择与机器学习
研究构建了两种SVM分类模型。基于FDR校正后筛选出的三个异常dFC特征（SMA.R-CUN, SMA.R-IPL.L）构建的模型，其分类准确率为82.5%，曲线下面积（Area Under the Curve, AUC）为0.843。而基于LASSO筛选出的七个未校正的dFC特征构建的模型，其分类准确率高达96.8%，AUC达到0.977。Delong检验表明，LASSO模型的预测效能显著优于FDR校正模型。
3.5. 相关性分析
在NIHL患者中，状态2的MDT与HAMA分数呈负相关，而NT与HAMA分数呈正相关。这表明dFC状态的时间属性与患者的焦虑水平存在关联，焦虑可能加剧了大脑功能网络动态连接的不稳定性。
研究结论与讨论
本研究首次利用rs-fMRI的dFC特征和机器学习技术，探索了NIHL患者全脑功能网络的动态变化。主要结论和意义包括：
首先，研究发现NIHL患者大脑功能网络的动态属性发生改变。在状态2中更长的停留时间（MDT和F）以及在所有状态间更频繁的转换（NT），可能反映了由于听觉网络功能障碍导致的脑内信息流效率降低。这种动态不稳定性与患者的焦虑水平（HAMA分数）相关，为理解NIHL伴随的神经心理症状提供了机制线索。
其次，研究识别出特异性的异常dFC连接。NIHL患者表现为SMA.R与双侧视觉皮层（CUN）的连接减弱，以及与左顶下小叶（IPL.L）的连接增强。SMA在动作控制和语言处理中起关键作用，而IPL参与感觉运动整合和意图编码等功能。SMA.R与IPL.L连接的增强，可能反映了NIHL患者在其他感觉系统（如视觉、注意力）方面的代偿性神经重塑，例如更专注于唇部和口部运动以辅助理解。而SMA.R与CUN（视觉皮层）连接的减弱，可能与静息态下视听整合功能缺陷有关，这与其他类型感官神经性聋的研究发现部分一致，但也凸显了dFC分析相较于静态功能连接能揭示更复杂的神经活动时空异质性。
最重要的是，研究证明了基于异常dFC特征的机器学习模型具有极高的疾病鉴别潜力。特别是利用LASSO算法筛选的七个dFC特征构建的SVM模型，达到了96.8%的分类准确率，其效能显著优于基于传统统计校正方法筛选特征构建的模型。这表明，即使未达到严格的传统统计学显著性阈值，那些细微的、多维度的dFC变化模式，综合起来却能极为有效地将NIHL患者与健康人区分开来。这为将dFC特征作为诊断NIHL的潜在神经影像学生物标志物提供了强有力的证据。
综上所述，该研究从动态视角揭示了NIHL相关的大脑功能连接异常，特别是SMA.R与IPL.L之间的异常连接可能与NIHL的神经重塑密切相关。通过结合dFC分析与机器学习算法，该研究不仅深化了对NIHL神经机制的理解，也为探索高精度的疾病诊断工具开辟了新的研究方向。当然，研究也存在一些局限性，如样本量较小、仅纳入男性受试者、未能完全排除纯噪声暴露对脑功能的混杂影响等，未来需要更大样本、更精细分层的队列研究，并整合多模态神经影像指标，以进一步验证和拓展这些发现。
