空气污染与脑影像特征的关系—环境污染导致脑结构改变

只有很少的神经影像学研究考察空气污染环境对成年人脑结构的影响。先前的研究只考察了皮层体积,并得到了相互矛盾的结果,尤其是针对灰质。此外,几乎没有研究考察二氧化氮和神经影像标记之间的关系。基于此,本文考察了长期暴露于二氧化氮(NO2)、空气动力直径小于10微米(PM10)和小于等于2.5微米(PM2.5)的颗粒物质与神经影像标记之间的关系。本研究纳入了居住在韩国四个城市的427名男性和530名女性。评估了其居住地的PM10, NO2和PM2.5的长期浓度。使用MRI采集了神经影像指标(皮层厚度和皮层下体积)。使用一般线性模型排除可能的混淆因素。
 结果发现,PM10每上升10微克/m3,就与额叶(降低0.02 mm(95%置信区间: –0.03, –0.01))和颞叶(降低0.06 mm(95%置信区间: –0.07, –0.04))降低的皮层厚度相关。PM2.5每上升10微克/m3,就与颞叶(降低0.18 mm(95%置信区间: –0.27, –0.08)))降低的皮层厚度相关。NO2每上升10ppb,就与全脑(降低0.01 mm(95%置信区间: –0.01, 0.00))、额叶(降低0.02 mm(95%置信区间: –0.03, –0.01))、顶叶(降低0.02 mm(95%置信区间: –0.03, –0.01))、颞叶(降低0.04 mm(95%置信区间: –0.05, –0.03))和脑岛(降低0.01 mm(95%置信区间: –0.02, 0.00))降低的皮层厚度相关。空气污染物还与枕叶与扣带区域增加的皮层厚度相关。皮层下结构的丘脑、尾状核、苍白球、海马、杏仁核和伏隔核与空气污染相关。本文研究表明,长期暴露于高浓度空气污染中会导致成人的皮层变薄,皮下体积减小。本文发表在Environmental Health Perspectives (EHP) 杂志。可添加微信号siyingyxf18983979082获取原文及补充材料)
前言
当前研究发现,空气污染是痴呆、轻度认知障碍和认知损伤的风险因素。只有很少的研究使用脑部MRI考察成人的空气污染与脑结构(如皮层体积)之间的关系,并且这些研究对于灰质改变和空气污染之间的关系的结论相互矛盾。导致结果矛盾的一个原因可能是它们使用了不同的MRI分析方法:感兴趣区法和基于体素的分析法。另一个可能原因是被试来自不同的地区。此外,现在很少有研究考察PM和与交通运输相关的空气污染物,如NO2对成人脑影像的影响。一项曼哈顿北部的研究发现NO2和脑部MRI之间无相关关系,但其影像指标只有血管相关指标,如白质高信号。
先前研究中使用的脑部MRI主要是考察了体积因素,如皮层体积——反映遗传导致的不同皮层厚度和表面积的综合参数。皮层厚度被认为对脑结构改变比皮层体积更敏感。一些研究考察了空气污染(碳、NO2和铜)与皮层厚度之间的关系。但这些研究只包含了儿童,并且使用的是1.5T的MRI。使用高场MRI研究成人的皮层厚度,可能可以帮助我们弄清由空气污染导致的神经退行的潜在机制。
本文考察了空气污染(PM和NO2)与脑部MRI指标,包括与成人皮层厚度之间的关系。为了考察高污染区域和低污染区域的个体之间可能存在的不同影响,本文还在匹配被试时进行了进一步个体相关分析,除了基于ROI(先验脑区)的分析方法之外,我们对3TMRI图像进行了基于表面的体积分析(SBM),以考察与空气污染相关的微小变化。思影曾做过多篇环境与人脑关系的文章解读,如感兴趣可点击以下链接可添加微信号siyingyxf18983979082获取原文及补充材料)

1.移动通信设备射频电磁场的暴露量与青春期前儿童大脑脑容量发育之间的关系

2.真实世界的经验多样性和积极情绪的联系与海马-纹状体的功能连接有关
3.JAMA Neurology:不利的社区环境与大脑及海马体积的关联
4.Nature Medicine:铅暴露风险和家庭收入与儿童大脑发育结果的关系
5.儿童阅读网络的功能连接与其产前接触的多溴联苯醚浓度有关
6.PNAS:近红外研究:产前农药暴露的青少年的大脑激活情况

7.空气污染和噪声与老年人局部脑结构的关系

8.任务态fMRI研究:城市绿化与个体情感获益的神经关联

9.JAMA:儿童时期铅暴露与中年脑结构完整性MRI测量

方法
被试
本项目(环境污染导致的神经学效应,EPINEF)包含了韩国的四个城市:两个大城市(汉城和仁川)的七个区,以及两个小城市(原州和平昌)。通过当地的广告(2014年始)招募大于等于50岁并且没有神经类疾病(痴呆、运动障碍或中风等)的被试。对被试的检查在三家高校附属医院进行:延世大学附属医院、嘉州大学附属医院和原州大学附属医院。标准的调查流程包括:问卷、人体测量、血压测量、血常规和简明精神状态检查量表(MMSE)。血管收缩和舒张压测量两次,取平均数。血液样本取自空腹12小时后,血液分析统一在中心实验室进行。对于2014年至2017年间收集的1711名被试,其中的998名依次采集了他们的3T MRI数据,2名被试由于采集未完成,数据被排除。最后有957名被试的数据进入本研究的分析中。所有被试都签署了知情同意书。本研究通过了延世大学伦理委员会的批准(no. 4-2014-0359)。
暴露评估
包括300多个地理参数的国家预测模型的建立是使用平均每年的PM10和来自300个空气质量检测站的2001至2016年间的NO2数据组成。这一模型包含平均数和方差。平均数是由超过300个地理变量的偏最小二乘法估计得到的2个和3个总结性预测因子。方差涉及幅度、基台值和块金(块金值(Nugget)用Co表示:也叫块金方差,反映的是最小抽样尺度以下变量的变异性及测量误差。. 理论上当采样点的距离为0时,半变异函数值应为0,但由于存在测量误差和空间变异,使得两采样点非常接近时,它们的半变异函数值不为0,即存在块金值)等参数,这些参数分别代表了空间相关、空间变异以及存在的非空间变异等的距离。用该模型,我们可以预测每个被试居住地的每种空气污染物的年均聚集量。我们分别计算了3个时间点之前的每种污染物的5年平均集聚度,分别是第一次测量的前五年(2010-2014)、第二次测量的前五年(2011-2015)和第三次测量的前五年(2012-2016)。该空气污染预测模型对于NO2的预测是良好的,对于PM10的预测中等(交互验证R2分别为0.82和0.45)。预测的能力与美国和欧洲的相应的国家预测模型相当。对于PM2.5的估计方法与估计PM10的方法是一样的。对它的预测是基于对2015年的年均值进行的,因为国家将它纳入常规检测是从2015年开始的。
脑部MRI数据采集和分析
采集了被试的三维T1加权快速梯度回波图像。采集参数如下:repetition time, 1900ms; echo time, 2.93ms; flip angle, 8°; pixel band width, 170Hz/pixel; matrix size, 256 ×208; field of view, 256mm; number of excitations (NEX): 1。使用FreeSurfer的标准操作流程对数据进行基于ROI的分析和SBM分析(version6.0.0; http://surfer.nmr.mgh.harvard.edu/)。两种分析都包括皮层下分割、皮层表面重建、皮层厚度测绘、基于表面的被试间对齐和皮层分割。在基于ROI的分析中,皮层表面网格的内外面构建是基于每个被试的磁共振得到的体积进行的。这两个同型网格面有同样的顶点和连边,因为外表面是由内表面变形而来的。为了建立被试间的一致性,每个被试每个半球的40962个顶点依照先前研究重采样。得到对皮层厚度各区域(额叶、颞叶、顶叶、枕叶、扣带和脑岛)和皮下灰质体积(丘脑、尾状核、壳核、苍白球、海马、杏仁核和伏隔核)的估计。左半球和右半球的数据被平均,全脑皮层厚度由六个脑区皮层厚度的均值表示。与ROI分析不同,SBM不需要先验假设,并可以展现由于空气污染而导致的微小大脑改变。相比先前人们做的基于体素的分析,SBM测量了更加特定的指标,如皮层厚度。在SBM的预处理中,个体的厚度图谱被重采样至FreeSurfer提供的参考表面(fsaverage)上,并沿着参考表面平滑。参考表面由一系列的三角网格组成,每个顶点(相邻网格的交点)的皮层厚度值就是SBM后续计算中使用的值。
MRI采集由分别位于两个研究中心的一台飞利浦3T Achieva MRI成像仪(n=646人)和西门子3T Verio MRI成像仪(n=311人)完成。为了处理可能的误差,有12名被试被邀请使用这两台机器参与预实验。我们构建了一个线性回归方程,把从西门子采集的皮层厚度或皮下体积作为独立变量,把从飞利浦采集的相同变量作为非独立变量,并控制了年龄。对于颅内总体积构建了一个简单的线性回归方程。皮层厚度的回归方程矫正后的R2为0.91,皮层下体积为0.93,颅内总体积为0.91。最后得到的方程被用于将西门子采集的数据转换为与飞利浦采集的数据相当的量。皮层厚度方程中对年龄和总体皮层厚度的回归系数也被用在由原始皮层表面构建的个体厚度图谱。

协变量
先验的协变量有以下几个:年龄、性别、经济社会地位和心血管疾病危险因素。社会经济地位包括教育水平(年限)、婚姻状况(结婚、同居或独居)及收入水平。心血管因素包括心血管病史(高血压、糖尿病、高血脂、心绞痛或心肌梗塞)、抽烟史(从不、经常或正在抽)、酒精史(刚喝过或未喝)、每周散步天数、BMI指数、心脏收缩和舒张压、空腹血糖和总体胆固醇水平。
统计分析
主要分析使用一个一般线性模型考察与空气污染物浓度相关的基于ROI的脑部MRI特征。我们使用两个模型估计脑部MRI指标与PM和NO2浓度增加的线性共变。模型1的估计使用前面提到的协变量(除了心血管疾病风险因素)以及时间和颅内体积。模型2的估计使用包括模型1中的变量并加上心血管疾病风险因素。在分析中,beta系数用于表征皮层厚度(毫米)和皮下体积(立方毫米)的差异。考虑到性别可能会影响皮层厚度和体积,我们额外考察了性别与空气污染物浓度和脑部MRI指标之间的关系。我们使用了Altman和Bland测量性别差异显著性的方法,得到Pinteraction的值。
在事后分析中,我们使用PSM(倾向性得分匹配,一种用来控制在横断面研究中的混杂变量的方法,感兴趣的朋友请点击链接深入了解:https://zhuanlan.zhihu.com/p/142581879)来有效控制高污染和低污染地区被试其他的个体差异带来的影响。在这项多城市研究中,个体特征可能会受到所在地区的影响。而对居住地分层或矫正则可能导致影响对空气污染物影响的评估,尤其是对于小样本研究。而且,简单的只对居住地(城市的水平)进行控制,可能并不能控制同一城市内高污染和低污染地区之间的个体差异。
类似于随机干预(如本研究中的高污染和低污染暴露)的PSM方法使我们可以得到两个居住于高污染和低污染地区的相当的被试组。尽管该方法可能会因为选择被试亚组而降低普遍性,但它会增加结果的可靠性,并提升观察性研究中因果推理的可靠性。在本研究中,我们使用基于被试的一系列个体协变量而将他归于高污染或低污染组的可能性来定义倾向性的分数。为了获取每一种空气污染(PM10,PM2.5或NO2)的PSM组,我们制造了3个亚组的被试。每个亚组中,我们选择了那些生活在空气污染物浓度百分位数≥66.6(高暴露组)和浓度≤33.3(低暴露组)的被试。我们使用了多变量logistic回归模型(包括模型2中的所有变量,除了颅内总体积)估计倾向性的分数。logistic模型得到的C统计值对于PM10为0.71,PM2.5为0.72,NO2为0.79。在最大半径(倾向性分数的绝对差异)为0.1的范围内进行最优匹配,为高污染组中的每一个被试在低污染组中选择一个相匹配的被试。在估计了高污染组中的每种空气污染物浓度(相比低污染)每个被试的倾向性分数之后,两组的倾向性分数的比例为1比1。根据得到的PSM亚组,我们考察了与高污染(相对低污染)组相关的脑部MRI指标。在ROI分析中,我们使用了线性混合模型,将配对标识符作为随机效应(标记配对个体之间的相关性)在颅内体积中进行调整。在SBM中(仅在皮层厚度计算中),我们对参考表面的每个顶点进行了配对t检验,并同时使用FDR校验(p<0.05)和团块校验(Monte-Carlo模拟,团块阈值为p<0.05)进行多重对比校验。
另一个事后分析是用来考察在控制了NO2和其他因素之后的PM和脑部MRI指标之间的关系。我们构建了两个污染物模型,包括了主分析中使用的模型2的协变量。
还进行了两项敏感性分析。首先,将被试集中在认知正常的被试(n=883)中,我们重复了主分析(模型2)。尽管有痴呆、运动障碍或中风的患者被排除在我们的研究之外,但仍有一些被试可能有轻度认知损伤。这意味着本研究中的所有被试可能不能代表认知正常的个体。在分析中,有轻度认知障碍的被试(MMSE分数小于24)被排除。其次,将被试限定于2015年之后纳入的个体(n=792),我们使用主分析中用的模型2的协变量考察PM2.5和脑部MRI指标之间的关系。通过排除2014年之前获得MRI数据的被试,可以使我们将PM2.5的数据(2015年之后才有)与MRI数据配对。
所有的数据分析使用SAS(version9.4; SAS Institute Inc.)和FreeSurfer(version 6.0)进行。统计显著性被设定为双尾p<0.05。
如果您对脑结构及脑影像数据处理感兴趣,欢迎浏览思影科技课程及服务(可添加微信号siyingyxf或18983979082进行咨询):

第十一届磁共振脑影像结构班(南京,1.12-17)

第十五届DTI数据处理班(南京,12.26-31)

第三十六届脑影像基础班(南京,2021.1.6-11)

第三十八届脑影像基础班(南京,2.23-28)

第十九届磁共振脑网络班(南京,1.18-23)

第八届任务态功能磁共振数据处理班(南京,3.2-7)

第一届任务态功能磁共振提高班(南京,3.9-14)

第七届任务态fMRI专题班(重庆,1.14-19)

第三十七届脑影像基础班(重庆,1.23-28)

第二十届磁共振脑网络数据处理班(重庆,2月27-3月4日)

第十六届DTI数据处理班(重庆,3.5-10)

第十四届脑影像机器学习班(重庆,3.12-17)

思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像(DWI/dMRI)数据处理
思影科技脑结构磁共振成像数据处理业务(T1)
思影科技啮齿类动物(大小鼠)神经影像数据处理业务
思影数据处理业务三:ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
目镜式功能磁共振刺激系统介绍
结果
被试特征
被试平均年龄(标准差)为67.3(6.4)岁(表1)。PM10、PM2.5和NO2的平均浓度(标准差)分别为50.7(4.8)μg/m3, 26.0(0:7)μg/m3和29(9.8)ppb。三种污染物两两之间的相关均显著:PM10和PM2.5(r=0.58,p<0.001),PM2.5和NO2(r=0.67,p<0.001),PM10和NO2(r=0.38,p<0.001)。平均(标准差)全脑皮层厚度为2.4(0.1)mm。相比没有参加脑部MRI测试的个体,本研究的被试暴露在显著更高的空气污染浓度中(表S1)。尽管两组被试中有一些变量有显著差异(教育水平、收入、抽烟、酒精),但他们在平均年龄和MMSE分数上无差异。PSM个体(高污染和低污染组)的信息在表S2中。两组之间的各个变量均无组间差异。
表1:被试的特征信息
空气污染和脑影像指标之间的关系
皮层厚度:PM10每上升10微克/m3,就与额叶(降低0.02 mm(95%置信区间: –0.03, –0.01))和颞叶(降低0.06 mm(95%置信区间: –0.07, –0.04))降低的皮层厚度相关(模型2估计得出,表2)。PM10还与枕叶(0.05 mm(95%置信区间: 0.04, 0.07))和扣带(0.03mm(95%置信区间: 0.02, 0.05))厚度的增加相关。PM2.5每上升10微克/m3,就与颞叶(降低0.18 mm(95%置信区间: –0.27, –0.08))降低的皮层厚度相关。PM2.5还与枕叶(0.15 mm(95%置信区间: 0.06, 0.26))和扣带(0.15mm(95%置信区间: 0.04, 0.26))厚度的增加相关。NO2每上升10ppb,就与全脑(降低0.01 mm(95%置信区间: –0.01, 0.00))、额叶(降低0.02 mm(95%置信区间: –0.03, –0.01))、顶叶(降低0.02 mm(95%置信区间: –0.03, –0.01))、颞叶(降低0.04 mm(95%置信区间: –0.05, –0.03))和脑岛(降低0.01 mm(95%置信区间: –0.02, 0.00))降低的皮层厚度相关。NO2还与枕叶(0.02 mm(95%置信区间: 0.01, 0.03))和扣带(0.03mm(95%置信区间: 0.02, 0.03))厚度的增加相关。
表2:空气污染与脑部MRI特征之间的关系
表注:beta系数来自一般线性模型。模型1包括了年龄、性别、教育程度、婚姻状况、收入、调查时间和全脑体积。模型2包括模型1的变量,并增加了BMI指数、抽烟、喝酒、每周工作时间、三高病史、心绞痛或心肌衰竭病史、血压、空腹血糖和胆固醇指标。
皮下体积:PM10每上升10微克/m3,就与丘脑(降低184.0 mm(95%置信区间: –255.4, –112.5))、苍白球(降低49.3 mm(95%置信区间: –76.4, –22.1))、海马(降低55.4 mm(95%置信区间: –101.6, –9.3))、杏仁核(降低36.2 mm(95%置信区间: –59.7, –12.6))和伏隔核(降低56.8 mm(95%置信区间: –70.1, –43.5))降低的皮层厚度相关(模型2估计得出,表2)。PM2.5每上升10微克/m3,就与丘脑(降低541.9 mm(95%置信区间: –1020.8, –63.0))和伏隔核(降低203.3 mm(95%置信区间: –293.7, –112.9))降低的皮层厚度相关。NO2每上升10ppb,就与丘脑(降低129.1 mm(95%置信区间: –166.6, –91.5))、尾状核(降低38.3 mm(95%置信区间: –69.2, –7.5))、苍白球(降低26.2mm(95%置信区间: –40.7, –11.8))、杏仁核(降低23.8 mm(95%置信区间: –36.3, –11.3))和伏隔核(降低28.2 mm(95%置信区间: –35.2, –21.1))降低的皮层厚度相关。
性别差异:PM10与全脑皮层厚度之间的关系有性别差异,男(-0.02 mm(95%置信区间: –0.04, –0.00)),女(0.01 mm(95%置信区间: 0.00, 0.02)),Pinteraction=0.03(模型2估计得出,表3)。这种类似的差异也存在于顶叶和脑岛区域(男性负相关,女性微弱正相关),在颞叶区域都是负相关,但男性更强,女性更弱。PM10和枕叶厚度之间的正相关也有性别差异,男性(0.03 mm(95%置信区间: 0.01, 0.05))比女性(0.06 mm(95%置信区间: 0.03, 0.08))更弱,Pinteraction=0.03。PM10和更小的皮下体积的相关性在男性中更强,男(-259.8 mm3(95%置信区间: -318.9, -137.7)),女(-108.3mm3(95%置信区间: -195.1, -21.4)),Pinteraction=0.047。PM10和皮下体积之间的关系在男女中差不多,Pinteraction=0.009-0.93。PM2.5和皮层厚度的相关在男女中都是负的,但是在颞叶男(-0.32mm(95%置信区间: -0.46, -0.17))比女(-0.04mm(95%置信区间: -0.17, 0.08))的相关更强,Pinteraction=0.002。PM2.5和脑影像指标之间的相关在男和女中类似(Pinteraction=0.065-0.93)。NO2和脑影像指标间的相关也无性别差异。模型1估计的内容在表S3中。
表3:空气污染和脑影像指标相关性的性别差异
表注:beta系数来自一般线性模型。模型包括了年龄、性别、教育程度、婚姻状况、收入、调查时间、全脑体积、BMI指数、抽烟、喝酒、每周工作时间、三高病史、心绞痛或心肌衰竭病史、血压、空腹血糖和胆固醇指标。
PSM后空气污染和脑影像指标之间的关系
ROI分析: 高PM10组比低组在额叶(-0.02mm(95%置信区间: -0.03, 0.00))和颞叶(-0.06mm(95%置信区间: -0.08, -0.04))的皮层更薄,在枕叶(0.05mm(95%置信区间: 0.03, 0.07))和扣带(0.02mm(95%置信区间: 0.01, 0.04))更厚(表4)。高PM2.5组比低组在额叶(-0.02mm(95%置信区间: -0.04, 0.00))和颞叶(-0.05mm(95%置信区间: -0.06, -0.03))的皮层更薄,在枕叶(0.04mm(95%置信区间: 0.02, 0.06))和扣带(0.03mm(95%置信区间: 0.00, 0.05))更厚。高NO2组比低组在颞叶(-0.05mm(95%置信区间: -0.07, -0.03))的皮层更薄,在枕叶(0.03mm(95%置信区间: 0.01, 0.05))和扣带(0.04mm(95%置信区间: 0.02, 0.06))更厚。高PM10其丘脑、苍白球、海马、杏仁核和伏隔核的体积降低。高PM2.5组的伏隔核体积降低。高NO2组的丘脑、尾状核、苍白球和伏隔核的体积降低。
表4:使用配对被试组后的空气污染与脑影像指标之间的关系。

表注:beta系数来自线性混合模型,模型包含66.6百分位数(高)或33.3百分位数(低)污染组和配对组,及其颅内总体积。

基于表面的形态学分析(SBM):使用FDR矫正后的SBM分析发现,高PM10组在以下脑区有更薄的皮层:双侧颞侧区、顶下区、前额区、后扣带、脑岛、海马旁回和梭状回(图1A)。高PM10组在双侧枕叶和中央后回的皮层更厚。高PM2.5组在以下脑区有更薄的皮层:双侧颞区、顶下区、前额区、脑岛、海马旁回和梭状回(图1B)。高PM2.5组在双侧枕叶和中央后回的皮层更厚。高NO2组在以下脑区有更薄的皮层:颞侧区、顶下区、双侧额区、后扣带、脑岛、海马旁回和梭状回(图1C)。高NO2组在双侧枕叶和左侧中央后回的皮层更厚。

图1:与PM10(A)、PM2.5(B)、NO2(C)相关的脑区,SBM分析,FDR矫正。对于配对的被试组(高污染和低污染)的被试皮层每个顶点进行配对双样本t检验(FDR校验,p<0.05)。红色表示高污染组变薄的皮层区域,蓝色表示增加的皮层区域。

基于团块矫正后的SBM,高PM10在以下脑区厚度显著降低:双侧颞侧区、双侧后扣带、左侧梭状回、右侧缘上回和右侧海马旁回(图S1A)。高PM10组在双侧舌回、左侧枕叶脑回、右楔叶和右pericalcarine的皮层更厚。高PM2.5在以下脑区有降低的厚度:双侧颞侧区、左侧缘上回和左侧梭状回(图S1B)。高PM2.5组在双侧舌回和侧枕区的皮层更厚。高NO2在以下脑区有降低的厚度:双侧颞侧区、双侧顶下区、双侧额叶、双侧梭状回、左侧楔叶和右侧海马旁回(图S1C)。高NO2组在双侧侧枕区的皮层更厚。

图S1:与PM2.5(B)、PM10(A)、NO2(C)相关的脑区,使用SBM分析,用团块水平的矫正。对于配对的被试组(高污染和低污染)的被试皮层每个顶点进行配对双样本t检验(团块水平校验,p<0.05)。红色表示高污染组变薄的皮层区域,蓝色表示增加的皮层区域。

双污染物模型
在控制了NO2之后,PM10和颞叶厚度之间的负相关消失了,而PM10和枕叶厚度之间的正相关仍然存在(表5)。在控制了NO2之后,PM2.5与颞叶之间的负相关以及PM2.5与枕叶和脑岛之间的正相关关系消失了。相反,NO2和全脑、额叶、顶叶、颞叶和脑岛皮层厚度的负相关大小在控制PM10和PM2.5之前和之后无太大改变。在控制了PM10之后,NO2和扣带之间的正相关仍然存在,与枕叶之间的正相关消失了。在控制了PM2.5之后,NO2和扣带与枕叶厚度的正相关仍然存在。
表5:使用双污染物模型得到的空气污染和脑影像指标之间的关系

表注:beta系数来自一般线性模型。模型包括了年龄、性别、教育程度、婚姻状况、收入、调查时间、全脑体积、BMI指数、抽烟、喝酒、每周工作时间、三高病史、心绞痛或心肌衰竭病史、血压、空腹血糖和胆固醇指标。

敏感性分析
当被试局限在无认知损害的被试中时,所有的关系的方向和大小和主分析中一致(表S4)。当被试局限在2015年之后参与研究的人群时,PM2.5与颞叶之间的负相关,以及它与枕叶和扣带之间的正相关比主分析中的结果更强(表S5)。PM2.5与丘脑和伏隔核之间的反相关关系比主分析中的结果更强。
讨论
本研究考察了成人中空气污染与皮层厚度和皮下体积的关系。主要研究结果是所有考察的污染物(PM10、PM2.5和NO2)都与颞叶皮层变薄相关。PM10还与额叶皮层变薄相关,NO2还与更广泛的脑区(全脑、额叶、顶叶、颞叶和岛叶)皮层变薄相关。所有的污染物均与枕叶和扣带增加的皮层厚度相关。所有的污染物均与丘脑和伏隔核减小的体积相关
颞叶在主分析中、ROI分析和PSM之后的SBM分析中均与污染物有强相关。Women’s Health Initiative Memory Study (WHIMS)的基于ROI的研究发现,PM2.5和颞叶区的白质体积减少相关。另一些研究未发现空气污染和颞叶灰质体积的相关性。这种差异可能源于不同的研究对变异的控制差异(如:取样偏差、随机误差和残余混淆),但本研究使用皮层厚度指标,它对大脑结构改变更为敏感,因此,我们可以发现在大脑体积改变之前就很明显的污染导致的脑结构改变。此外,我们发现自助分析(bootstrap)和PSM之后的ROI事后分析中,均有PM10的增加与海马和杏仁核的体积减少有显著相关。尽管先前的流行病学研究中未发现PM2.5和海马体积之间的相关性,但一项动物研究发现在大鼠的海马区,PM可能导致突触功能受损,这与灰质体积减少是相关联的。先前有研究发现在认知损伤的个体中存在海马和杏仁核体积减少,本研究发现的结果可能表面空气污染会通过影响个体的海马和杏仁核,进而导致认知损伤。
在主分析中,额叶皮层变薄与PM10和NO2有显著相关。在PSM模型中只有,高PM10或PM2.5组在ROI分析以及SBM分析的FDR矫正后,表现出与额叶降低的皮层厚度相关。这一结果与先前一系列的研究结果——空气污染导致记忆功能受损的结论一致,因为额叶与工作记忆和情景记忆功能相关。然而,先前的脑影像研究的结果是相互冲突的。一项基于体素的分析发现PM2.5与背外侧和内侧前额皮层相关。另一项基于ROI的分析未发现PM10和PM2.5与额叶体积的相关性。这一差异可能与不同地区的PM污染物的成分比例不同有关。PM是不同污染物的混合体(如:硫氧化物、氧化氮、重金属元素和碳氢化合物),里面的成分可能与脑结构有特异性的关系,而我们的研究主要考察的是多环芳烃类成分和成人脑皮层之间的关系。未来的研究应该关注PM的各个成分与MRI脑指标之间的关系。
我们还发现了污染物与减小的丘脑(PM10、PM2.5和NO2)、尾状核(NO2)、苍白球(PM10和NO2)体积有关,先前研究发现PM10与丘脑、尾状核、壳核和苍白球体积相关,二者一致。另一项研究则发现了PM2.5和皮下灰质体积增加相关。我们对这种正相关所知不多。为了明确为何有这种结果差异,在比较全脑体积时,有必要对皮层下灰质体积进行逐一切割。在本研究中,伏隔核与污染物的关系是反相关的。这一结论也得到了动物研究的支持,他们发现了PM会导致纹状体(尾状核、苍白球和伏隔核)多巴胺能神经元缺失。此外,伏隔核是与奖赏和成瘾行为相关的皮层下结构,这一结果与先前的研究发现——PM和NO2与物质滥用有正相关关系的结果一致。
空气污染物与枕叶和扣带皮层厚度呈现正相关。先前的研究对于PM和枕叶之间的关系是不一致的。一项包含美国四个地点的研究发现了明尼苏达的PM10和枕叶之间的负相关关系,但在密西西比则发现了PM2.5与枕叶之间的正相关关系。一项基于体素的研究发现了PM2.5与枕极之间的负相关。枕叶是初级视觉皮层,相比枕叶和颞叶,枕叶与阿尔兹海莫症的关系相对不重要。空气污染对人类大脑的不同脑区有不同的影响,这一结论还需要更多的研究去验证。
本研究有很多优点:
首先,我们纳入了将近1000名被试,这对于脑影像研究而言是一个相对较大的样本。尽管使用了两台磁共振成像仪,但我们的参数设置一样,并尽量克服了可能的偏差。
其次,相比先前的研究,我们使用了高场的磁共振成像。
最后,我们计算了SBM作为ROI分析的一个补充分析。ROI分析通过预先定义脑区,有助于结果的临床解释,而SBM则能发现与空气污染相关的可能的微小的改变。由于ROI分析使用的是预先定义脑区的均值,所以在ROI分析和SBM分析结果之间可能存在差异。一个在SBM分析中有显著差异的小脑区在ROI分析中可能不再显著。此外,我们在SBM分析的多重对比中使用了FDR矫正和团块水平的矫正。团块水平的矫正可能更保守,但FDR矫正可以帮助我们保留一些有意思的结果,尤其是我们的研究的性质是一项探索性的研究。
本研究也有一些缺陷:
首先,横断研究会失去考察空气污染与脑部MRI指标之间时间上的变化信息。为此,我们设定在研究开始前被试暴露于PM10和NO2的时间窗口为5年,PM2.5为1年,居住时间的中位数为15年。后面还需要进行一些纵向研究。
其次,本研究可能存在取样偏差,因为只纳入了进行MRI扫描的个体。尽管我们按照入组的顺序邀请被试采集MRI图像,但这些被试更可能存在认知损伤或记忆问题。
第三,居住地因素可能成为混淆变量,比如个体水平或背景因素(邻居的社会经济地位、噪声、绿化、居住密度等)。
第四,PM2.5的测量数据始于2015年。这使得在2014年进行脑影像扫描的被试(n=115)没有对应的PM2.5数据。这会限制PM2.5的浓度范围,并使PM2.5与脑结构之间的关系变弱。后面需要更长期的监控数据以获得更准确的结果。
第五,模型2得到的结果需小心解释,因为增加的协变量可能包含一些中介变量。最后,一些小血管疾病,如白质高密度,在MRI中并没有涉及。
总结:
本研究发现,长期暴露于空气污染物中与没有痴呆和运动障碍的韩国成人皮层厚度和皮层下体积相关。随着PM和NO2的浓度增加,额叶、颞叶、顶叶和岛叶的厚度变薄,而枕叶和扣带皮层变厚;同时,丘脑、尾状核、壳核、海马、杏仁核和伏隔核的体积也减小。以后的研究应该进一步考虑PM2.5与白质高密度之间的关系,以及功能改变的关系。
我们要爱护地球!
(0)

相关推荐