Brain：帕金森病视觉幻觉中的异常高阶网络相互作用（含代码）

帕金森病中的视觉幻觉可以从系统层面进行观察，其中负责感知的大脑网络之间通信的功能失调使个体易于产生幻觉。为此，高阶网络与初级感觉网络之间的异常功能交互已被认为与帕金森病视觉幻觉的病理生理有关，然而其具体特征仍有待确定。降维技术为简化多维脑成像数据的解释提供了一种新颖的方法，通过识别由功能网络内部和之间的变化驱动的数据中的层次模式。本文中，我们应用了两种互补的非线性降维技术——扩散图嵌入和t分布随机邻居嵌入（t-SNE）——对静息态功能性磁共振成像数据进行分析，以表征与视觉幻觉易感性相关的功能层次结构的改变。

     我们的研究涉及77名帕金森病患者（31名有幻觉；46名无幻觉）和19名年龄匹配的健康对照受试者。在有视觉幻觉的患者中，我们发现单模态-异模态梯度的压缩，这与感觉网络和高阶网络之间功能整合的增加一致。这在传统的功能连接分析中也得到了反映，后者显示幻觉组的视觉网络和默认模式网络之间的连接性增加。综合这些结果，表明高阶区域可能对早期感觉过程具有过度影响的途径，正如跨疾病幻觉理论模型所提出的。相比之下，t-SNE分析识别出前额叶区域的明显改变，暗示功能性大脑网络异常中涉及幻觉的复杂性增加，这在传统的功能连接分析中并未显现。

      综合而言，本研究结果确认了与帕金森病中幻觉表型相关的异常大脑组织，并强调了应用汇聚降维技术来研究复杂临床症状的实用性。此外，我们在帕金森病中描述的模式与其他疾病中观察到的模式趋同，表明感知-知觉系统的层次分化减少可能是神经精神疾病中感知障碍的共同跨诊断脆弱性。本文发表在Brain杂志。

关键词：帕金森病、视觉幻觉、静息态fMRI、网络、梯度、t分布随机邻居嵌入

引言

     真实感知需要能够与并处理连续的感觉信息流。这些交互依赖于随时间发展起来的关联，其中感知解释由匹配感觉输入与外部环境特征的统计信息所提供。在这一框架下，幻觉被认为是高阶（“自上而下”）过程与感觉（“自下而上”）过程之间失衡所导致的。更具体地说，幻觉被认为是由于涉及高阶感知处理的网络（即注意网络、默认模式网络）与初级感觉网络之间的中断所引起的。在包括帕金森病和路易体痴呆在内的临床人群中，视觉幻觉患者内外网络之间的异常交互已被一致观察到。通过这种方式，关注大脑网络之间通信功能失调模式的系统层面视角可以为视觉幻觉的神经特征提供洞见。

     在幻觉发作期间跟踪神经活动特别困难，但可以使用结构成像或静息态功能性磁共振成像（fMRI）探索易于幻觉的特质水平特征。这些方法识别与幻觉表型相关的异常大脑结构、活动或连接模式，推测其在幻觉事件中的作用。例如，帕金森病中类似幻觉事件的fMRI网络异常与静息态下观察到的特质水平网络异常有重叠。然而，一个挑战是静息态fMRI模式本质上是高维的——即数据具有大量且难以处理的特征——这给可解释性和可重复性带来了问题。处理这种复杂性的一个可行方法是应用降维技术，这些算法从高维数据中提取潜在成分，同时保留原始数据的关系并丢弃更多的特定特征。这种方法提供了一种将特征丰富的数据总结为更有意义地与症状和行为相关的成分的手段。

     一种流行的降维方法是扩散图嵌入——一种非线性降维技术，它将高维数据投影到n维梯度空间，其中n ≤ 数据点的数量。在静息态fMRI的情况下，结果的“大脑活动图”表示全局连接结构作为皮层节点的分布：连接更强的节点被分组得更接近，而没有连接的节点则被分组得更远。扩散图嵌入已被用于展示健康人类大脑中的一个关键组织原则，该原则将“自下而上”的感觉（单模态）区域与“自上而下”的高阶（异模态）皮层区域沿主要梯度连接起来。

     单模态-异模态梯度在各研究和人群中广泛复制，并对与年龄相关的变化和临床状况敏感，包括自闭症和精神分裂症。具体而言，相对于对照组，神经精神病患者群体中在感觉和高阶区域之间的梯度分离减少（即压缩）。在帕金森病中，已经显示出具有视觉功能障碍的患者单模态-异模态梯度被压缩。因此，先前分离良好的感觉和高阶区域之间的功能整合增加（即初级感觉和默认模式区域）可能反映了这些区域之间的异常交互。这些变化可能会干扰感知过程，允许高阶区域对低级感觉过程产生更大的影响，从而增加产生幻觉的脆弱性。综上所述，单模态-异模态梯度层次组织的变化可能作为跨神经精神疾病的一个特征。反过来，这种梯度组织的改变可能是解释易于视觉幻觉的帕金森病患者中观察到的网络中断的一个潜在特征。

    降维技术的一个陷阱是它们需要简化假设，这可能会掩盖对潜在功能神经解剖学的解释。一个解决方案是使用多种方法，每种方法都有其自身的优缺点，以便在数据解释上达成一致。与扩散图嵌入不同，t分布随机邻居嵌入（t-SNE）计算高维空间中所有数据点之间的相似性评分，然后将这些相似性映射到较低（通常是2-3维）的空间中。通过这种方式，t-SNE允许对网络组织进行视觉检查，同时保留数据点之间的关系，尽管其方式不同于扩散图嵌入，后者可能对网络架构中的非线性重新配置更敏感（即t-SNE同时捕捉局部和全局特征，而扩散图嵌入仅关注局部特征）。因此，结合扩散图嵌入和t-SNE有可能揭示静息态网络的高阶组织，并提供对神经退行性疾病过程带来的网络拓扑变化的独特见解。

     在此，我们结合扩散图嵌入和t-SNE来确定帕金森病个体中易于产生幻觉的低维特征。为此，我们分析了有视觉幻觉的帕金森病患者与无幻觉的患者以及年龄匹配的健康对照受试者的静息态fMRI数据。我们假设有视觉幻觉的患者将在其单模态-异模态梯度上表现出压缩，并且梯度压缩的程度将与认知衰退相关。我们还预测，梯度的压缩将通过t-SNE分析检测到的全脑网络子集之间的距离减少得到补充。

材料与方法

案例选择

     共招募了96名个体，来自澳大利亚悉尼大学脑与心智中心的帕金森病研究诊所，其中包括19名健康对照者和77名被诊断为特发性帕金森病的患者。所有帕金森病患者均符合英国帕金森病学会脑库标准，并且不符合痴呆症的标准。帕金森病症状通过运动障碍学会支持的统一帕金森病评定量表修订版（MDS-UPDRS）进行评估。通过MDS-UPDRS的第2题（即“在过去一周内，您是否看到、听到、闻到或感觉到实际上并不存在的事物？如果是，检查员会要求患者或照护者详细说明并探查相关信息”）的阳性反应来识别有视觉幻觉的患者。评分≥1且后续描述与视觉幻觉现象一致的个体被纳入幻觉组。31名患者被确定为经历视觉幻觉，46名患者未经历视觉幻觉。所有患者均在常规多巴胺药物治疗下接受测试，并计算了多巴胺剂量等效（DDE）评分（每日多巴胺毫克数）。使用帕金森病结果量表-精神并发症（SCOPA-PC）对精神症状进行筛查，并作为相关研究的一部分，47名患者的子集（20名有幻觉，27名无幻觉）接受了精神病与幻觉问卷（PsycH-Q）。

神经心理学与行为评估

     通过简易智能状态检查（MMSE）和蒙特利尔认知评估（MoCA）评估全局认知。连线测试A和B部分（TMT-A，TMT-B）测量心理运动速度和注意力集转移能力（TMT-B减TMT-A）。使用数字广度测试评估工作记忆的维持和操作，包括两部分：正向和反向数字广度，结果相加得到总数字广度分数（DST）。通过在30分钟后正确回忆一个简短故事的百分比评估记忆力 [逻辑记忆（LM）保持]。

MRI采集

     所有96名个体在3-T MRI扫描仪（GE医疗系统）上接受MRI扫描，生成T1加权结构图像和静息态血氧水平依赖（BOLD）功能扫描（rsfMRI）。矢状面3D T1加权图像采用256 × 256矩阵，200层，层厚1毫米，回波时间/重复时间=2.7/7.2毫秒。功能图像的重复时间=3秒，回波时间=36毫秒，翻转角=90°，32个轴向层覆盖整个大脑，视野=220毫米，层厚=3毫米，原始体素大小=3.9毫米 × 3.9毫米 × 4毫米，重复次数=140（扫描时长7分钟）。指示个体在扫描过程中保持清醒并睁眼。

MRI预处理

    使用dicm2nii和dicm2niix工具箱将扫描转换为脑成像数据结构（Brain Imaging Data Structure, BIDS）格式。预处理使用fMRIPrep 20.2.3完成，这是一个标准流程，结合了该领域金标准预处理软件的工具箱。fMRIPrep包括基本的预处理步骤（共配准、标准化、去畸变、噪声成分提取、分割、去颅骨等），并在每个步骤生成质量检查报告。完整步骤的描述请参见在线补充材料。

去噪

     从fMRIPrep提取的混杂因素时间序列数据通过fmridenoise处理，指定回归八个生理信号（来自白质和脑脊液的平均生理信号及其二次项），高通滤波和低通滤波分别设定为0.01和0.1。

梯度连接分析

     从Schaefer图谱中的400个皮层区域提取rsfMRI数据的平均BOLD信号时间序列数据——这是一个稳健的分区方法，揭示了有意义的神经生物学特征，具有相对同质的功能连接模式，因此非常适合降维技术。时间序列数据通过使用从fieldtrip工具箱改编的MATLAB脚本进行z得分标准化。使用皮尔逊相关值计算每个个体的功能连接矩阵，生成一个400 × 400的矩阵，表示皮层-皮层功能连接。这400个皮层区域被分配到七个静息态网络中，允许在皮层区域和大规模皮层网络之间进行比较。

     使用Brainspace工具箱和自定义MATLAB脚本进行梯度分析。首先，使用所有个体的400 × 400连接矩阵提取的时间序列数据计算群体平均连接矩阵。对平均矩阵进行阈值处理，保留每行前10%的测量值，其余测量值设为零。然后，使用归一化角度方法计算亲和矩阵——这反映了每对区域之间连接模式的相似性。随后，使用扩散图嵌入将高维数据简化为低维数据，允许按照解释方差从高到低的顺序生成成分。通过参数α = 0.5控制采样点的密度，遵循先前研究的建议，在嵌入空间中保留数据点之间的全局关系。

    使用与群体水平平均梯度相同的参数为每个个体计算梯度成分。然后使用Procrustes对齐方法将个体梯度对齐到群体水平梯度，以实现个体间更准确的比较。提取解释数据方差最多的第一和第二梯度（分别为14%和12%），并将其与Margulies及其同事描述的主梯度进行比较，以对照假定的网络层次结构。

单模态-异模态梯度与行为数据的比较

     为了确定梯度评分的变化是否与认知表现相关，对于每个个体，我们计算了Yeo 7网络图谱中每个网络的平均梯度评分。我们关注队列中三组之间显著不同的网络（即视觉、腹侧注意和额顶控制），并将这些网络梯度评分与患者组之间显著不同的临床评分（即TMT-B和医院焦虑与抑郁量表（HADS））进行相关分析。

t-随机邻居嵌入分析

     使用MATLAB中的t-SNE算法构建每个个体功能连接矩阵的3D嵌入。在将数据输入t-SNE算法之前，数据经过主成分分析（PCA）初始化步骤，选择前三个主成分。这产生一个400 × 3的矩阵，每个400个皮层区域由x-y-z坐标描述。算法运行了1000次迭代，使用Barnes-Hut算法进行近似优化。距离度量设定为“欧几里得”；困惑度=90；学习率=500；在前99次优化中夸大=50，以促进簇的形成。有关参数值选择的具体细节，请参见补充材料。使用上述指定参数为每个个体生成一个t-SNE图。对于每个个体的t-SNE图，计算每对皮层区域之间的欧几里得距离，生成一个“距离图”，描述每个区域与其他区域的距离（400 × 400矩阵）。

比较功能连接和t-SNE分析

     为了比较各组之间的功能连接图，我们对每一对相关值进行了非参数置换检验。该分析进行了两次：第一次比较健康个体与帕金森病（PD）患者之间的边差异（对照组与PD组），第二次比较有视觉幻觉（VH）和无视觉幻觉的患者之间的边差异（PD + VH组与PD − VH组；见图1）。为了隔离仅与视觉幻觉相关的边差异，我们寻找两次比较之间不重叠的显著边（将PD + VH组与PD − VH组的比较从对照组与PD组的比较中减去，见图1C）。值为−1的边仅存在于PD + VH组与PD − VH组的比较中，并在皮层表面上进行可视化。相同的分析也在t-SNE距离图上进行。对每个相关值进行了非参数检验（5000次置换；见图1），比较对照组与帕金森病组以及PD − VH组与PD + VH组。将PD − VH矩阵从PD + VH矩阵中减去（图1B减图1A），隔离仅与PD − VH组与PD + VH组比较相关的边差异（图1C）。

图1 分析总结（顶部）及发现仅与幻觉相关的差异（底部）
     为每个受试者（n = 96）构建了梯度图，并分析了组间差异。还为每个受试者（n = 96）构建了t-SNE图。使用成对非参数置换检验来寻找显著的边连接，生成每组比较的二进制矩阵（A = PD + VH组与PD − VH组；B = 对照组与患者组），其中1 = 显著，0 = 不显著。将A从B中减去得到矩阵C，这区分了与幻觉相关的差异和由帕金森病（运动和认知）引起的其他差异。总结组间关键差异的特征向量彼此进行比较。

PD + VH = 有视觉幻觉的帕金森病；PD − VH = 无视觉幻觉的帕金森病；t-SNE = t分布随机邻居嵌入。顶部：改编自de la Porte等人的扩散映射示意图。

     作为上述分析的副产品，我们注意到t-SNE距离图中的组间差异似乎与功能连接矩阵中观察到的组间差异有所不同。为了确定t-SNE距离图是否确实描述了不同的模式，我们对功能连接和t-SNE二进制矩阵（图1A和B）进行了特征分解。特征向量描述了高维比较矩阵的核心模式，其中第一个特征向量描述了组间差异的主要模式，并解释了数据中最多的方差。通过旋转置换检验（5000次置换），将t-SNE二进制矩阵的第一个特征向量与相关二进制矩阵的相应第一个特征向量进行比较，以确定t-SNE和相关矩阵中是否存在共同的潜在模式。

将t-SNE结果与单模态-异模态梯度进行比较

     为了确定二进制矩阵是否描述了与单模态-异模态梯度中观察到的不同模式，我们对PD − VH组与PD + VH组比较的两个二进制矩阵在各区域间进行了平均。这导致每个二进制矩阵生成一个向量，描述了组间边差异的比例。然后，我们将边向量与帕金森病患者有无视觉幻觉之间各区域平均梯度评分的变化进行比较，使用旋转置换检验（5000次置换）。

     鉴于分区方法可能会影响结果，我们使用Schaefer-200图谱中的200个皮层节点重复了功能连接和t-SNE分析（详见补充材料）。

统计分析

     人口统计分析使用R版本4.2.1进行。对于认知数据集中缺失的评分，使用‘mice’包中的链式方程多变量插补（MICE）进行了数据插补。由于缺失值均属于定量变量，因此使用预测均值匹配。缺失评分的分布详细情况见补充材料。对于所有分析，组间比较集中在整体帕金森病组与对照组（PD组与对照组）以及帕金森病组内的有幻觉者与无幻觉者（PD + VH组与PD − VH组）。组间比较通过非参数置换检验（5000次置换）进行，该方法可以控制家族错误率（FWE）。

结果

人口统计学和临床数据

     比较了患者与健康对照者之间的人口统计学和临床数据，以及在患者内部比较有幻觉者与无幻觉者（见表1）。对照组与整体患者组之间的性别比例存在差异（t = 5.717，P = 0.017），但在有幻觉组与无幻觉组之间则无显著差异（t = 0.589，P = 0.443）。所有组在年龄、教育年限、MoCA评分、逻辑记忆保持能力和TMT B−A评分上均匹配（P > 0.05）。帕金森病组在某些认知评估中的表现相对于对照组有所下降，包括MMSE（t = 2.962，P = 0.015）、DST（t = 2.271，P = 0.033）和TMT A部分（t = 2.731，P = 0.016）。在帕金森病内部组之间，DDE、多发病程、运动评估（UPDRS-III，UPDRS-IV）、Hoehn和Yahr量表以及SCOPA-PC评分均匹配（P > 0.05）。然而，有视觉幻觉的患者在TMT B部分的表现比无幻觉的患者更差（t = 2.305，P = 0.022）；他们报告的日常运动问题负担更重（UDPRS-II；t = −3.836，P < 0.001），并且在HADS上表现出更严重的情绪症状（t = −2.636，P = 0.011）。总PsycH-Q评分存在显著差异，有幻觉的患者症状负担更重（t = 2.8081，P = 0.007）。有关PsycH-Q子量表的详细分类，请参见补充材料。

表1 组间人口统计学差异的统计摘要

使用卡方检验进行性别比较；所有连续变量均通过成对比较，并采用非参数置换检验平均分数。显著的P值以粗体显示（P < 0.05）。UPDRS问卷的第I部分（Q2）用于将患者分为PD + VH组和PD − VH组。DDE = 多巴胺剂量等效；HADS = 医院焦虑与抑郁量表总分；LM保持 = 逻辑记忆保持分数；MMSE = 简易智能状态检查总分；MoCA = 蒙特利尔认知评估总分；PD − VH = 无视觉幻觉的帕金森病；PD + VH = 有视觉幻觉的帕金森病；PsycH-Q = 精神病与幻觉问卷；SCOPA-PC = 帕金森病结果量表-精神并发症总分；TMT A, TMT B = 路径制导测试结果的z得分；TMT B − A = TMT B与A的差异，已进行z得分处理；UPDRS = 统一帕金森病评定量表。

功能连接混杂变量
     整体而言，帕金森病组在扫描过程中比对照组有更多的头部移动，这通过较高的逐帧位移（t = −3.486，P < 0.001）显示；然而，有视觉幻觉的患者与无视觉幻觉的患者之间没有差异（t = −1.414，P = 0.157）。参与者的头部移动与平均梯度分数之间没有显著相关性（r = 0.053，P = 0.607）。

梯度连接分析     

     第一个梯度解释了14%的方差，其下端由视觉皮层锚定，上端由初级运动皮层锚定（图2A）。该梯度与Margulies及其同事识别的已确立的单模态-异模态梯度不同，且与假定的大脑网络层次结构没有显著相关性（r = 0.07，P = 0.16；图2B）。然而，第二个梯度解释了12%的方差，展示了单模态-异模态轴（图2C），并且与网络层次组织显著相关（r = 0.75；P < 0.05；图2D）。因此，我们在后续关注单模态-异模态组织原则的分析中使用了第二个梯度。

图1 梯度与网络层次组织的比较
(A) 解释最多方差（14%）的第一个梯度的群体平均。
(B) 将Yeo的七网络图谱分配的第一个梯度分数，并组织到建议的网络层次结构中（1 = 视觉，躯体运动；2 = 背侧注意，显著性腹侧注意；3 = 边缘系统，额顶控制；4 = 默认模式网络）。
(C) 解释12%方差的第二个梯度的群体平均。

(D) 将Yeo的七网络图谱分配的第二个梯度分数，并组织到建议的网络层次结构中。

     评估各组的平均梯度分数分布（图3A），所有分布均略呈右偏（偏度 > 0），且尾部较轻——即数据点分布更接近均值（峰度 < 0）。患者组的分布形状与对照组不同（D = 0.057，PFDR < 0.05），但在有幻觉组与无幻觉组之间没有显著差异（D = 0.015，PFDR = 0.06）。

图3 梯度分数的组间比较
(A) 各组的平均梯度分数分布。
(B) 组间显著不同的区域。值 >0（红色）表示仅帕金森病（PD）患者特有的区域。值 <0（蓝色）表示仅有视觉幻觉的帕金森病患者（VH）特有的区域。
(C) 各组在网络层面的梯度分数分布。DAN = 背侧注意；DMN = 默认模式网络；FPC = 额顶控制；LIM = 边缘系统；SOM = 躯体运动；VAN = 腹侧注意；VIS = 视觉。

区域和网络层面梯度分数的分组比较

     通过在区域（n = 400）和网络（n = 7）层面对帕金森病患者与对照组之间的差异以及帕金森病组内部的差异进行了置换检验。这些结果显示在图3B中。在初级运动皮层区域观察到了患者与对照组之间的显著差异（P < 0.05）；在额外纹状体视觉皮层和颞叶外侧区域也发现了差异（P < 0.05）。有视觉幻觉的患者显著不同的区域包括颞顶交界附近的区域（P < 0.05）。在所有这些区域，疾病组的梯度分数较高。有关各个区域及P值的详细分类，请参见补充材料。

     通过将400个区域分配到七网络图谱，我们在网络层面观察到了组间差异（图3C）。比较对照组与帕金森病患者，患者在视觉网络和躯体运动网络的平均梯度分数显著增加（P < 0.05，平均差异分别为0.007和0.008）。相比之下，患者在腹侧注意网络和额顶控制网络的梯度分数显著下降（P < 0.05，平均差异分别为−0.005和−0.009）。在有视觉幻觉的帕金森病患者与无视觉幻觉的患者之间，视觉网络、腹侧注意网络和额顶控制网络的梯度分数存在显著差异（P < 0.05）。有视觉幻觉的患者在视觉网络中的梯度分数较高（平均差异 = 0.003），而在腹侧注意网络（平均差异 = −0.005）和额顶控制网络（平均差异 = −0.003）的梯度分数较低。总体而言，这些结果表明有视觉幻觉的患者在单模态-异模态轴上感觉网络与高阶网络之间的功能分离减少。

平均网络梯度分数、TMT-B和PsycH-Q之间的关系

     将视觉网络、腹侧注意网络和额顶控制网络的平均梯度分数与组间显著不同的临床评分进行了比较。腹侧注意网络的平均梯度分数与TMT-B的表现显著相关（r = 0.210，P = 0.040），这与任务表现较差与梯度分数向感觉区域偏移一致。然而，这一结果在假发现率（FDR）校正后不再显著（PFDR > 0.05）。这些临床测量与网络梯度分数之间的其他比较均不显著（P > 0.05）。

功能连接的组间差异

     帕金森病组与对照组之间的功能连接比较显示，躯体运动网络内部以及躯体运动网络与视觉网络、背侧注意网络和默认模式网络之间的连接边增加（P < 0.05）。具体来说，这些是初级运动皮层与额外纹状体皮层、顶叶以及颞顶交界区域之间的连接边。躯体运动网络的区域与背侧和侧前额叶皮层区域之间的连接边也有显著增加（P < 0.05）。比较有视觉幻觉和无视觉幻觉的帕金森病患者揭示了视觉网络与默认模式网络之间连接增加的独特模式（P < 0.05）。这些包括颞叶、颞顶交界和额外纹状体皮层的区域。还有一个次要模式涉及初级运动皮层、上顶叶和额叶之间的连接边（P < 0.05）。

     为了专注于可能与视觉幻觉特有相关的差异，我们观察了有幻觉和无幻觉患者之间差异的连接边，但在将患者组与对照组整体比较时没有差异的边。这些边也是相关矩阵独有的，并且在t-SNE结果的欧几里得矩阵中没有显著差异。总体而言，视觉网络与默认模式网络之间的连接边，特别是额外纹状体皮层、颞叶、顶叶和额叶的区域，对有视觉幻觉的帕金森病患者是独特的（图4A）。有关区域和坐标的详细列表，请参见补充材料。

图4 定义有幻觉患者与其他两组的边比例

(A) 功能连接中不同边的比例。

(B) 欧几里得距离中不同边的比例。

(C) 相较于功能连接，欧几里得距离中不同边的比例。红色区域表示在欧几里得距离中有更多差异，蓝色区域表示在功能连接中有更多差异。t-SNE = t分布随机邻居嵌入。

t-SNE距离分析中的组间差异

     图5显示了各组的t-SNE嵌入图。在帕金森病组与健康对照组之间，t-SNE分析中边缘系统、腹侧注意网络和执行网络（额顶控制，默认模式网络）的欧几里得距离显著增加（P < 0.05）。具体来说，这些区域来自下顶叶小叶、运动皮层的内侧区域、腹侧和侧前额叶皮层，以及颞叶的下部和上部区域。这些重构包括已被分配到Yeo七网络图谱视觉网络的躯体运动区域。视觉网络的额外纹状体皮层与视觉网络其他部分之间的距离也有所增加（P < 0.05）。

图5 400个Schaefer区域的t-SNE图
(A) 对照组平均功能连接的t-SNE图。
(B) PD − VH组平均功能连接的t-SNE图。
(C) PD + VH组平均功能连接的t-SNE图。
     图A–C按照Yeo七网络图谱着色。DAN = 背侧注意；DMN = 默认模式网络；FPC = 额顶控制；LIM = 边缘系统；SOM = 躯体运动；VAN = 腹侧注意；VIS = 视觉。
(D–F) 各t-SNE图中网络内与网络间欧几里得距离的密度直方图。PD − VH = 无视觉幻觉的帕金森病；t-SNE = t分布随机邻居嵌入。

聚焦于有视觉幻觉与无视觉幻觉患者之间的差异

     聚焦于有视觉幻觉与无视觉幻觉患者之间的差异，我们发现视觉网络与顶叶皮层的上部和下部区域、侧前额叶皮层和腹侧前额叶皮层、以及后扣带回之间的欧几里得距离增加（P < 0.05）。此外，侧运动皮层和颞枕皮层与额顶控制网络和默认模式网络区域之间的距离也显著增加（P < 0.05）。在上颞叶和右半球的颞极，距离也有显著增加（P < 0.05）。

    从t-SNE结果中，我们孤立出仅有视觉幻觉患者特有的差异。有视觉幻觉的患者在背侧和腹侧前额叶皮层、侧运动皮层、下顶叶皮层、颞枕皮层和后扣带回区域之间的欧几里得距离增加。右颞极和上颞皮层中单侧增加的距离也仅归因于有视觉幻觉的患者（图4B）。总体而言，t-SNE结果显示，有视觉幻觉的患者的大脑区域分布更分散（压缩程度较低）。有关区域和坐标的详细列表，请参见补充材料。

功能连接与t-SNE距离的关系

     通过分析相关矩阵观察到的组间差异并不总是在t-SNE欧几里得距离矩阵中得到复制。例如，比较对照组与帕金森病组的相关性和t-SNE差异显示，初级运动皮层的功能连接性增加在t-SNE分析中表现为欧几里得距离的增加。然而，这与我们对功能连接性与欧几里得距离关系的直觉相矛盾：功能连接性的增加应等同于欧几里得距离的减少。基于这一直觉作为指导，我们可以研究潜在的网络特征。在此过程中，我们注意到在标准功能连接性中视觉网络与躯体运动网络之间的显著组间差异未被t-SNE分析所支持。具体而言，我们在t-SNE图中观察到的躯体运动网络与高阶网络之间的欧几里得距离增加在相关矩阵中并不明显，这表明通过t-SNE独特的过滤功能数据足以揭示标准功能连接性分析无法检测到的网络层次组织的特定差异。

     鉴于功能连接性和t-SNE矩阵相关的解释差异，我们直接比较了两者——即通过特征分解计算相关矩阵和t-SNE欧几里得距离矩阵的特征向量，并计算它们之间的Pearson相关性。这可以解释为捕捉原始低维嵌入的潜在成分：解释数据最多方差的第一个特征向量描述了区分帕金森病组与对照组的模式。在功能连接性的第一个特征向量中，对照组与帕金森病组的主要差异出现在枕叶、颞叶和额叶极、运动皮层及前扣带回区域（图6A）。对于欧几里得距离的第一个特征向量，主要差异出现在前额叶皮层、下颞皮层和颞顶交界区域的侧面，内侧的后扣带回和前扣带回皮层，初级运动皮层，额外纹状体皮层以及上颞皮层的区域（图6C）。然后，我们通过旋转置换检验（spin permutation tests）计算两个特征向量之间的Pearson相关性，以确定这些模式是否相等。两个特征向量之间没有显著相关性（Pspin = 0.3345），确认相关矩阵和欧几里得距离矩阵突出了对照组与帕金森病组之间的不同差异。

图6 功能连接性（FC）和t-SNE分析用于对照组与帕金森病组
(A, C 和 E) 对照组与帕金森病组（PD）比较。
(B, D 和 F) PD − VH组与PD + VH组比较。
(A 和 B) FC的组间差异。矩阵按组差异着色（对照组 − PD；PD − VH − PD + VH，分别），值 <0 表示PD和PD + VH组之间区域的FC较高。每个矩阵的第一个特征向量在皮层表面上可视化。
(C 和 D) t-SNE图之间的欧几里得距离的组间差异。矩阵按组差异着色（对照组 − PD；PD − VH − PD + VH，分别），值 <0 表示PD和PD + VH组之间区域的欧几里得距离更大。每个矩阵的第一个特征向量在皮层表面上可视化。
(E 和 F) FC和t-SNE结果之间的差异。矩阵按组差异着色，1表示在FC分析中观察到的差异，−1表示在t-SNE分析中观察到的差异，0表示在两种分析中均未观察到或两者均观察到的差异。通过在皮层表面上可视化各区域分析之间的平均差异，使得值 >0 表示在FC分析中更常见的差异，值 <0 表示在t-SNE分析中更常见的差异。

DAN = 背侧注意；DMN = 默认模式网络；FPC = 额顶控制；LIM = 边缘系统；PD + VH = 有视觉幻觉的帕金森病；PD − VH = 无视觉幻觉的帕金森病；SOM = 躯体运动；t-SNE = t分布随机邻居嵌入；VAN = 腹侧注意；VIS = 视觉。

     比较有视觉幻觉与无视觉幻觉的患者，相关矩阵和欧几里得距离矩阵之间没有重叠的边差异。类似于之前的比较，我们可以通过计算每个矩阵的特征向量之间的Pearson相关性来确认这些矩阵描述了不同的模式。对于相关特征向量，主要差异出现在颞叶，延伸到颞顶交界，初级视觉皮层，内侧额外纹状体皮层和顶叶皮层的部分区域（图6B）。对于欧几里得距离特征向量，主要差异出现在前额叶皮层、下顶叶皮层、侧运动皮层和额外纹状体皮层的区域（图6D）。两个特征向量之间没有显著相关性（Pspin = 0.3258），确认相关矩阵和欧几里得距离矩阵以不同方式区分了有视觉幻觉与无视觉幻觉的患者。总之，功能连接性相关矩阵揭示了初级视觉和颞叶区域之间的连接性增加，而t-SNE矩阵显示前额叶、运动和额外纹状体皮层之间的欧几里得距离增加。

t-SNE距离与单模态-异模态梯度之间的关系

     在相关分析和t-SNE分析中发现的组间差异与单模态-异模态梯度中观察到的差异进行了比较。我们分两步进行：(i) 识别相关矩阵和欧几里得距离矩阵中每个区域组间显著不同边的比例；(ii) 然后比较组间不同边缘的数量是否与有视觉幻觉和无视觉幻觉患者之间梯度分数的变化存在显著相关。旋转置换检验确认，欧几里得矩阵中边比例与梯度分数变化之间存在弱相关（r = −0.100，Pspin = 0.0654）。对于相关矩阵中边比例，与梯度分数变化存在显著相关（r = −0.324，Pspin < 0.001）。因此，相关矩阵的差异与梯度分数的差异比t-SNE结果更为一致，进一步确认t-SNE分析揭示了有视觉幻觉患者的独特特征，而这些特征在直接分析原始功能相关矩阵时并未发现。

讨论

      在本研究中，我们结合了功能连接、皮层梯度和t-SNE距离映射的见解，展示了帕金森病视觉幻觉中的网络层次结构改变。在有幻觉的患者中，梯度分析显示感觉网络与高阶网络之间的功能整合增加（即压缩）。这一结果与相关矩阵的结果相一致，后者显示幻觉组的视觉网络与默认模式网络之间的连接性增加。然而，当将数据投影到t-SNE空间时，揭示了定义幻觉患者的新重构模式。幻觉组的特征是在视觉网络与额顶控制网络和默认模式网络之间的连接边以及默认模式网络内部的连接边中，欧几里得距离增加。此外，在t-SNE空间中观察到的组间差异与单模态-异模态功能梯度的差异仅呈弱相关，而相关矩阵与梯度结果之间则有较强的一致性。综合而言，我们的结果确认了通过多种降维技术在帕金森病幻觉中存在的网络层次结构改变。此外，我们新颖地应用t-SNE距离分析可能为视觉幻觉的神经特征提供新的见解，揭示了传统的功能连接和梯度分析通常无法识别的非线性、网络层面的重构。

     单模态-异模态梯度的压缩可能会扰乱感知处理并增加幻觉的易感性。在梯度背景下功能区域之间的分离与皮层的空间分离有关，单模态和异模态区域之间的长程连接是信息处理的基础之一。在有视觉幻觉的帕金森病中，感觉网络与高阶网络之间的功能整合增加，表现为视觉、注意和额顶控制网络区域的梯度分数趋向更接近。沿梯度分离的减少意味着连接模式的相似性增加和区域之间的整合增强。事实上，我们观察到有视觉幻觉的患者视觉网络与腹侧注意、额顶控制和默认模式网络区域之间的功能连接性更高。这与之前的研究一致，这些研究显示帕金森病和其他涉及感知障碍的神经精神疾病中感觉与高阶网络之间的耦合增加。感觉区域与高阶区域之间功能连接的增加以及单模态-异模态梯度的压缩，可能允许高阶处理对早期感知过程产生过度影响，这与理论模型中自上而下区域对视觉系统的异常调控增加视觉幻觉易感性的提议一致。

     单模态-异模态梯度的压缩并非帕金森病独有，可能是涉及感知障碍的疾病中的跨诊断特征。此前在其他神经精神疾病中，包括自闭症谱系障碍和精神分裂症，也观察到了单模态-异模态梯度的压缩。两项研究均观察到梯度变化与疾病严重程度的测量之间的关联。类似地，在帕金森病中，视觉障碍的程度与单模态-异模态梯度的压缩程度有关。我们观察到梯度分数与注意集转移能力的测量之间存在关联，这与梯度分数较低（更压缩）与注意力较差相关一致。虽然这些并非直接的幻觉严重程度的临床测量，但注意力问题是幻觉表型的显著特征，可能预测视觉幻觉的发展。综合而言，单模态-异模态梯度的压缩在神经精神疾病中普遍存在，随疾病严重程度的临床测量而变化，可能是帕金森病中幻觉的一个易感特征。

     在各组之间，t-SNE空间中感觉网络与高阶网络之间的功能分化增加。t-SNE图中区域之间的距离基于它们的功能连接模式的相似性，功能上相似的区域在t-SNE空间中放置得更近。基于这一直觉，功能连接增加的区域应表现为欧几里得距离的减少（反之亦然）。然而，我们观察到某些在幻觉患者中功能相关性较强的区域在t-SNE空间中越来越分离。表现出这种模式的区域对可能具有强相关性但仍保留相对分离处理能力，这基于网络中存储的高度非线性模式。重要的是，我们观察到这种模式的大多数区域对位于前额叶皮层，该区域在“自上而下”感知处理中起着重要作用，可能通过其通过大细胞通道初步快速处理模糊信息。前额叶皮层的异常减少了认知灵活性，且在涉及干扰或模糊信息的任务中表现受损。前额叶皮层与感觉区域之间距离的增加表明这些区域之间的相互作用和功能耦合减少，可能减少对前额叶皮层的信息处理依赖，损害处理模糊信息的能力。这些结果表明，t-SNE分析捕捉到了幻觉易感性的独特方面，这与功能梯度结果相辅相成，并且在相关矩阵分析中通常无法识别。

     所有关于功能连接和t-SNE组间差异的结果在另一种分区方案（Schaefer-200）下得到了复制。我们进一步复制了功能连接和t-SNE之间比较时出现的独特模式，唯一的例外是200分区方案识别出t-SNE空间模式与单模态-异模态梯度之间存在显著关系，而400分区方案下未见此现象。虽然这一小差异并未改变本文的整体解释，但强调了在不同分区方案下比较结果的重要性。

     我们的视觉幻觉患者样本在认知上相对保留，除了在注意任务（TMT）上存在缺陷。认知障碍是帕金森病视觉幻觉的主要伴随特征之一。事实上，在我们的队列中，我们发现TMT B部分表现受损与腹侧注意网络的梯度分数更压缩相关。这与幻觉严重度评分（即PsycH-Q）与梯度分数之间缺乏关系形成对比——尽管需要注意的是，我们仅在一部分患者中拥有PsycH-Q，这可能影响了我们检测到效果的能力。未来在认知障碍更为严重的患者中应用这些方法的研究将有助于了解通过梯度和t-SNE方法识别的变化是否与认知衰退的进展和/或幻觉严重度有更强的关联。鉴于幻觉与其他认知能力——特别是感知和注意能力——之间密不可分的联系，我们建议我们的结果反映了一种幻觉表型，其中这一症状出现在其他感知-注意缺陷的背景下。

     本研究聚焦于患者静息状态下的神经影像分析，然而之前测量帕金森病中幻觉样事件的研究集中在类似的大脑区域，表明这些区域在幻觉状态下具有功能相关性。感知受过去经验的影响，将进入的感觉信息与关于外部世界特征的已知统计信息相协调——允许我们预测和解释进入的信息，即使在模糊的情况下。从静息态分析中，我们观察到网络组织的重构可能会扰乱我们的感知系统如何处理内部和外部信息。单模态-异模态梯度的压缩表明，在易受视觉幻觉影响的患者中，自上而下过程可能过度影响感知信息。t-SNE分析突出了前额叶皮层与感觉区域之间的分化增加，这可能导致对前额叶皮层处理模糊信息的依赖减少。这些结果表明，当易受幻觉影响的患者遇到感官信息最小的环境时，可能无法适当地处理模糊信息，增加对内部关联的依赖，导致对周围环境的误导性预测和幻觉的形成。

     在帕金森病中治疗视觉幻觉和精神病具有挑战性，降维技术可能为药物提供一种新颖的客观指标。标准的多巴胺药物对幻觉的益处有限，在许多情况下会加重幻觉。然而，经典抗精神病药物的治疗可能产生不良的二次效应，包括运动症状恶化。一种较新的帕金森病精神病药物是选择性5-HT2A受体逆激动剂pimavanserin，主要作用于5-HT2A受体。这种药物有效拮抗5-HT2A受体，改善精神病症状而不会产生意外的运动副作用。在健康人群中使用促5-HT药物（主要作用于5-HT2A）的单剂量研究显示，激动5-HT2A的药物诱导了主梯度的压缩。可以推测，pimavanserin可能促进主梯度内分离的恢复，这与5-HT2A活性在调节大脑反馈和信息传递程度中的作用一致。这开启了梯度分析作为一种有用手段，能够揭示视觉幻觉的见解，超越传统的功能连接测量，尤其在测量5-HT药物影响方面可能特别相关——这与建立神经影像标志以促进帕金森病个性化药物治疗的更广泛目标一致。

     本研究揭示了易受视觉幻觉影响的帕金森病患者网络互动的重构。单模态-异模态梯度的压缩与认知表现相关，可能是理解自上而下和自下而上处理异常互动程度的有用测量。此外，本研究表明，将功能连接投影到t-SNE空间提供了一种对帕金森病幻觉的替代视角，传统的功能连接分析忽视了这一点。随着成像方法的持续进步和神经精神数据的多样化，降维技术成为一个透镜，通过该透镜幻觉的神经特征、跨模态和跨疾病可能得以协调。