脑小血管病患者眼球运动与白质高信号特征的相关性

杜昊; 杨舒婷; 夏健; 宋明谕; 王宏; 卢芷妍; 何剑; 易芳; 谷文萍

doi:10.11817/j.issn.1672-7347.2026.250596

中南大学学报（医学版） ›› 2026, Vol. 51 ›› Issue (1) : 97 -108. DOI: 10.11817/j.issn.1672-7347.2026.250596

论著

脑小血管病患者眼球运动与白质高信号特征的相关性

杜昊 ¹^,²^,³ ,
杨舒婷 ⁴ ,
夏健 ¹^,²^,³ ,
宋明谕 ¹^,²^,³ ,
王宏 ¹^,²^,³ ,
卢芷妍 ²^,³^,⁵ ,
何剑 ⁴ ,
易芳 ²^,³^,⁵ ,
谷文萍 ¹^,²^,³

作者信息 +

Correlation between eye movement and white matter hyperintensity characteristics in patients with cerebral small vessel disease

Hao DU ¹^,²^,³ ,
Shuting YANG ⁴ ,
Jian XIA ¹^,²^,³ ,
Mingyu SONG ¹^,²^,³ ,
Hong WANG ¹^,²^,³ ,
Zhiyan LU ²^,³^,⁵ ,
Jian HE ⁴ ,
Fang YI ²^,³^,⁵ ,
Wenping GU ¹^,²^,³

Author information +

文章历史 +

PDF (832K)

摘要

目的脑小血管病(cerebral small vessel disease，CSVD)患者眼球运动异常的机制尚未明确。本研究旨在探讨CSVD患者眼球运动与白质高信号(white matter hyperintensity，WMH)严重程度及位置分布的潜在关系，探索眼球运动评估作为特异性诊断工具的可能性。方法采用横断面研究设计，纳入湘雅医院2022年9月7日至2023年10月27日共计161例门诊与住院CSVD患者为研究对象。采集患者人口学特征、既往史、用药史以及影像学数据；采用蒙特利尔认知评估量表(Montreal Cognitive Assessment，MoCA)评估患者的认知功能，分别采用汉密尔顿焦虑量表(Hamilton Anxiety Scale，HAMA)、汉密尔顿抑郁量表(Hamilton Depression Scale，HAMD)评估患者的焦虑、抑郁状态。所有患者在入组1周内完成EyeKnow智能眼动分析评价系统测试，记录眼球运动(间隔朝向扫视、平滑追踪、注视、反扫视)数据。基于年龄相关白质改变(age-related white matter changes，ARWMC)的量化评估与Fazekas分级2种评估方法对WMH进行评分，并根据严重程度进行分组。采用Kruskal-Wallis秩和检验进行组间差异分析，采用Spearman相关性分析、多元线性回归分析探讨眼球运动特征与WMH的相关性。针对全脑与额叶、颞叶、顶枕叶、幕下区、基底节区5个脑区是否存在WMH进行受试者操作特征(receiver operating characteristic，ROC)曲线分析，并采用基于加权随机森林的分析方法构建模型，评估眼球运动特征对不同位置WMH严重程度的分类准确率。结果本研究共纳入161例CSVD患者，均收集了基线资料。根据ARWMC总分将患者分为轻度WMH组(0~10分)、中度WMH组(11~20分)和重度WMH组(21~30分)。其中，轻度WMH组100例，男66例(66.00%)，女34例(34.00%)，年龄(61.40±9.45)岁；中度WMH组46例，男32例(69.57%)，女14例(30.43%)，年龄(63.72±8.77)岁；重度WMH组15例，男12例(80.00%)，女3例(20.00%)，年龄(63.47±10.40)岁。3组患者MoCA得分(P=0.008)、脑微出血(cerebral microbleeds，CMB)严重程度(P<0.001)、基底节区血管周围间隙(basal ganglia perivascular spaces，BG-PVS)严重程度(P<0.001)、全脑皮质萎缩(global cortical atrophy，GCA)分级系统评分(P=0.003)的差异均有统计学意义。眼动特征的组间差异分析结果显示，WMH严重程度越高，间隔朝向扫视最快反应时长越长(P=0.008)，平滑追踪偏移量(>4°)越小(P=0.013)，注视偏移(>2°)次数越少(P=0.025)，差异均有统计学意义。事后两两比较中，中度WMH组与重度WMH组患者眼动特征比较，差异均无统计学意义(均P>0.05)。Spearman相关性分析结果显示，Fazekas总分与ARWMC总分在评估WMH严重程度方面存在较好的一致性(r=0.867，P<0.01)；MoCA与Fazekas总分(r=-0.302， P<0.01)、ARWMC总分(r=-0.245，P<0.01)均呈显著负相关。基于ARWMC总分的多元线性回归分析显示，在排除多重共线性后，眼动特征中的平滑追踪启动时长(β=-0.001，P=0.009)、平滑追踪偏移量(β=-1.212，P=0.001)、注视偏移(>2°)次数(β=-0.102，P=0.011)、反扫视平均反应时长(β=0.016，P=0.018)与结局变量的关联仍有统计学意义。在调整性别、年龄、受教育年限、MoCA、HAMA、HAMD以及是否存在其他影像学标志物后，平滑追踪启动时长(β<0.001，P=0.010)、平滑追踪偏移量(β=-1.066，P=0.002)、反扫视平均反应时长(β=0.013，P=0.034)与结局变量的关联仍具有统计学意义。在WMH位置分布中，基于所有眼动特征对全脑、额叶、颞叶、顶枕叶、幕下区是否存在WMH进行ROC曲线分析，其曲线下面积值分别为0.933、0.928、0.758、0.784、0.881；基底节区的二元Logistic回归分析结果无统计学意义，无法进行ROC曲线分析。基于加权随机森林算法进一步对不同位置WMH严重程度进行分类，在调整了人口学特征、MoCA、HAMA、HAMD以及其他影像学标志物后，模型对额叶、幕下区、顶枕叶的分类准确率分别提升至85.71%、81.63%、75.51%。结论 CSVD患者眼球运动表现随着WMH严重程度的加剧而愈发恶化，在额叶和幕下区尤为显著。认知水平可能在很大程度上独立于影像学改变而影响眼球运动表现。

Abstract

Objective The mechanism of abnormal eye movements in patients with cerebral small vessel disease (CSVD) remains unclear. This study aims to explore the potential link between eye movement in CSVD patients and the severity and distribution of white matter hyperintensities (WMH), and to evaluate the possibility of using eye movement assessment as a tool for specific diagnosis. Methods This retrospective cross-sectional study was conducted at Xiangya Hospital, Central South University between September 7th, 2022 and October 27th, 2023, enrolling a total of 161 patients with CSVD. Demographic characteristics, past medical history, medication history, and imaging data were collected. The Montreal Cognitive Assessment (MoCA) was used to evaluate patients’ cognitive function, and the Hamilton Anxiety Scale (HAMA) and Hamilton Depression Scale (HAMD) were used to assess patients’ anxiety and depressive symptoms. All participants completed the EyeKnow Intelligent Eye Movement Analysis System within one week of enrollment, with data recorded on the following eye movement paradigms: saccade, smooth pursuit, fixation, and antisaccade. WMH were scored using both the Age-Related White Matter Change (ARWMC) scale and the Fazekas grading system. Based on the scores, patients were categorized into three severity groups (mild, moderate, severe). The Kruskal-Wallis rank sum test was used to analyze intergroup differences, while Spearman correlation analysis and multiple linear regression were used to explore the relationship between eye movement characteristics and WMH. Receiver Operating Characteristic (ROC) curve analysis was performed to evaluate the ability of eye movement characteristics to discriminate between patients with and without WMH in the five brain regions: frontal lobe, temporal lobe, parietal-occipital lobe, infratentorial region, and basal ganglia region. A weighted random forest model was developed to assess the performance of eye movement characteristics in predicting WMH severity at different locations. Results This study enrolled a total of 161 patients with CSVD. Baseline data were collected for all participants. According to the total ARWMC scores, patients were divided into a mild (0 to 10 points), a moderate (11 to 20 points), and a severe (21 to 30 points) WMH groups. The mild WMH group included 100 patients [66 males and 34 females, age (61.40±9.45) years]. The moderate WMH group included 46 patients [32 males and 14 females, age (63.72±8.77) years]. And the severe WMH group included 15 patients [12 males and 3 females, age (63.47±10.40) years]. Significant differences were observed among the 3 groups in MoCA scores (P=0.008), severity of cerebral microbleeds (CMB) (P<0.001), severity of basal ganglia perivascular spaces (BG-PVS) (P<0.001), and global cortical atrophy (GCA) grading system scores (P=0.003). Analysis of intergroup differences in eye movement characteristics revealed that with increasing WMH severity, the fastest saccade reaction time increased (P=0.008), the smooth pursuit deviation (P=0.013) and the number of fixation shifts (>2°) (P=0.025) decreased. In post-hoc pairwise comparisons, there were no significant differences in any eye movement characteristics between the moderate and severe WMH group (all P>0.05). Spearman correlation analysis demonstrated a strong positive correlation between the total Fazekas and total ARWMC scores (r=0.867, P<0.01), confirming their concordance for rating WMH severity. Additionally, MoCA scores were significantly negatively correlated with both the total Fazekas scores (r=-0.302, P<0.01) and the total ARWMC scores (r=-0.245, P<0.01). Multiple linear regression analysis based on the total ARWMC scores revealed that after adjusting for multicollinearity, oculomotor features including smooth pursuit initiation time (β=-0.001, P=0.009), smooth pursuit deviation (β=-1.212, P=0.001), number of fixation shifts (>2°) (β=-0.102, P=0.011), and mean reaction time of antisaccade (β=0.016, P=0.018) remained statistically significant predictors of cognitive function. After adjusting for gender, age, years of education, MoCA, HAMA, HAMD scores, and the presence of other imaging markers, the associations of smooth pursuit initiation time (β<0.001, P=0.010), smooth pursuit deviation (β=-1.066, P=0.002), and mean reaction time of antisaccade (β=0.013, P=0.034) with the outcome variable remained statistically significant. In the distribution of WMH locations, ROC curve analysis was conducted based on all eye movement characteristics to discriminate the presence of WMH in the whole brain, frontal lobe, temporal lobe, parietal-occipital lobe, and infratentorial region, with AUC values of 0.933, 0.928, 0.758, 0.784, and 0.881, respectively. For the basal ganglia region, binary logistic regression analysis showed no significant association, and therefore ROC curve analysis was not applicable. Using a weighted random forest method, the severity of WMH at different locations was further classified. After adjusting for gender, age, years of education, MoCA, HAMA, HAMD scores, and the presence of other imaging markers, the model’s classification accuracy improved to 85.71% for the frontal lobe, 81.63% for the infratentorial region, and 75.51% for the parietal-occipital lobe. Conclusion The eye movement performance of CSVD patients worsens with the increasing severity of WMH, especially in the frontal lobe and infratentorial region. Cognitive function exerts an influence on eye movement that appears largely independent of imaging changes.

Graphical abstract

关键词

脑小血管病 / 眼球运动 / 白质高信号 / 认知水平 / 神经影像学

Key words

cerebral small vessel disease / eye movement / white matter hyperintensity / cognitive function / neuroimaging

引用本文

引用格式 ▾

杜昊,杨舒婷,夏健,宋明谕,王宏,卢芷妍,何剑,易芳,谷文萍. 脑小血管病患者眼球运动与白质高信号特征的相关性[J]. 中南大学学报（医学版）, 2026, 51(1): 97-108 DOI:10.11817/j.issn.1672-7347.2026.250596

登录浏览全文

4963

注册一个新账户忘记密码

脑小血管病(cerebral small vessel disease，CSVD)是大脑小动脉和小静脉、微动脉和微静脉及毛细血管等血管病变所致的一组临床影像学诊断病理综合征，临床上常表现为认知障碍、步态障碍等^[1]。研究^[2-3]发现CSVD患者存在眼球运动(以下简称“眼动”)受损表现，这可能与认知功能水平下降及脑部影像学改变有关。白质高信号(white matter hyperintensity，WMH)是CSVD主要影像学表现之一，通常是指脑白质内出现呈点状或斑片状对称分布的异常信号区域，在T₂加权成像(T₂-weighted imaging，T₂WI)或流体衰减反转恢复(fluid attenuated inversion recovery，FLAIR)序列上呈高信号，在T₁加权成像(T₁-weighted imaging，T₁WI)序列上呈等信号或低信号^[4]。白质纤维束是不同脑功能区域间信息连接的重要结构基础，其相关通路受损可导致特异性神经功能损害^[5-6]。多项研究^[7-8]表明，WMH的体积和严重程度与认知功能呈负相关，其位置分布决定了不同的神经心理缺损模式。

研究^[9-10]发现罹患神经系统疾病的人群较健康人群有着更差的眼动表现。针对合并认知障碍的患者，眼动评估或可作为临床辅助诊断依据^[11-12]。眼动的产生涉及大脑皮层和皮层下、小脑、脑干等脑结构的多种神经网络，需要视觉系统、运动系统等多种功能系统的配合^[13]。Pinkhardt等^[2]研究发现，与健康人群相比，CSVD患者在平滑追踪、扫视和反扫视等方面表现较差，眼动整体表现与WMH体积呈负相关；但该研究样本量较少，并未进行深入探讨。Fan等^[3]研究发现，WMH(尤其是额叶)患者的反扫视错误率显著增高；但该研究仅纳入了反扫视一种眼动模式，并未考虑其他影像学标志物的影响。本研究基于单中心横断面数据，采用回顾性研究设计，分析CSVD患者眼动与WMH严重程度和位置分布的关系，探讨眼动评估作为特异性诊断工具的可能性。

1 对象与方法

1.1 伦理声明

本研究遵循《赫尔辛基宣言》原则，已获得中南大学湘雅医院医学伦理委员会批准(审批号：202207379)。所有患者均签署了知情同意书。

1.2 对象

采用横断面研究设计，连续纳入湘雅医院2022年9月7日至2023年10月27日共计161例门诊与住院CSVD患者为研究对象。纳入标准：1)年龄≥18岁者。2)头部磁共振成像(magnetic resonance imaging，MRI)结果符合下述任意一项CSVD病变表现。①WMH，脑室旁或深部Fazekas分级≥2；②脑室旁或深部Fazekas分级为1且伴有≥2个血管危险因素(包括高血压、高脂血症、糖尿病、肥胖、目前吸烟、既往有除脑卒中以外的血管源性事件等)；③脑室旁或深部Fazekas分级为1且合并腔隙灶；④影像学结果提示新发皮层下腔隙性梗死。3)日常生活独立者，改良Rankin量表(modified Rankin Scale，mRS)评分≤2。排除标准：1)合并急性缺血性卒中、急性脑出血、急性蛛网膜下腔出血者；2)合并明确的非血管源性白质病变者，如多发性硬化症、成人脑白质发育不良等；3)合并已确诊的神经系统退行性疾病者，如阿尔茨海默病、帕金森病等；4)因眼部疾病无法完成眼动追踪测试者；5)根据《精神障碍诊断与统计手册(第五版)》^[14]相关标准，确诊精神疾病者；6)存在MRI检查禁忌证(如幽闭恐惧症)者；7)同时参与其他临床试验者。

1.3 方法

1.3.1 基线资料收集

收集患者的基线资料，包括年龄、性别、受教育年限、吸烟史、饮酒史及用药史(包括抗血小板药物、调节血脂药物、降糖药物、降压药物、改善微循环类药物等)。询问患者是否存在高血压、高脂血症、糖尿病、心脏病，既往是否有卒中史。采用蒙特利尔认知评估量表(Montreal Cognitive Assessment，MoCA)评估患者的认知功能；采用汉密尔顿焦虑量表(Hamilton Anxiety Scale，HAMA)、汉密尔顿抑郁量表(Hamilton Depression Scale，HAMD)分别评估患者的焦虑、抑郁状态。所有患者需在入组1周内完成量表评估，测试均由2名经过专业培训的调查人员执行完成，评估结果达成组内一致。

1.3.2 眼动数据采集

眼动分析采用EyeKnow智能眼动分析评价系统(北京中科睿医信息科技有限公司)，患者需佩戴头戴式眼动仪并按照指示语完成测试，每次测试开始前使用9点校准程序确保半径的最大校准误差为2°。本研究中，患者需接受间隔朝向扫视、平滑追踪、注视、反扫视共4项眼动分析。1)在间隔朝向扫视分析中，患者须注视屏幕中心的圆形亮点，当四周出现目标点时，尽可能地快速转动双眼盯住新亮点；本项测试共10次，间隔时间为2 s，目标刺激点会随机出现在中心圆形亮点四周20°的位置。2)在平滑追踪分析中，患者须注视屏幕中心的圆形亮点，并尽可能地快速转动双眼跟随亮点移动；本项测试为水平方向移动，速度10°/s，最大角度20°，总时间15 s。注视点距离目标中心半径2°内为准确跟踪，否则记录为偏移。3)在注视分析中，患者须始终注视屏幕上的圆形亮点，该过程持续10 s。注视点距离目标中心半径2°内为准确跟踪，否则记录为偏移。4)在反扫视分析中，患者须注视屏幕中心的圆形亮点，当四周出现目标时，尽可能地快速转动双眼盯住新亮点的相反位置；本项测试共10次，间隔时间2 s，目标刺激点会随机出现在中心圆形亮点四周20°的位置。

1.3.3 影像学数据采集

采用德国西门子Prisma 3.0 T磁共振进行影像学检查，成像方案包括T₁WI、T₂WI和FLAIR序列。由2位经过培训的专业人员对患者的影像学改变^[4]进行判读。WMH评估采用Fazekas视觉评分，分别对深部和脑室旁白质进行分级评估，总和计为Fazekas总分(0~6)^[15]。此外，基于年龄相关白质改变(age-related white matter changes，ARWMC)的量化评估对额叶、颞叶、顶枕叶、幕下区、基底节区的WMH进行评分，各个脑解剖区域评分0~6，总分为30^[16]。采用微出血解剖评定量表(Microbleed Anatomical Rating Scale，MARS)对脑微出血(cerebral microbleeds，CMB)严重程度进行分级(0~3)^[17]；统计腔隙数量。采用Potter评分法^[18]对基底节区血管周围间隙(basal ganglia perivascular spaces，BG-PVS)严重程度进行分级(0~4)。脑萎缩采用全脑皮质萎缩(global cortical atrophy，GCA)分级系统(0~3)进行评估^[19]。

1.4 统计学处理

采用SPSS 27.0和Python 3.10统计学软件进行数据分析。对所有参数进行Kolmogorov-Smirnov正态性检验，符合正态分布的连续变量以均数±标准差表示，不符合正态分布的连续变量以中位数(第1四分位数，第3四分位数)表示；分类变量以例(%)表示。采用Kruskal-Wallis秩和检验比较组间人口学特征和眼动特征，并对相关参数进行Spearman相关性分析。分别对Fazekas总分、ARWMC总分与眼动特征进行多元线性回归分析，并对性别、年龄、受教育年限、MoCA、HAMA、HAMD及其他影像学标志物等因素进行调整。

采用受试者操作特征(receiver operating characteristic，ROC)曲线分析眼动特征预测不同脑结构区是否存在WMH的效能，得到曲线下面积(area under the curve，AUC)值。基于加权随机森林算法评估眼动特征对不同位置WMH严重程度的分类准确率。针对数据不平衡的问题，采用双重优化策略：1)通过设置class_weight=‘balanced’实现自动类别权重调整；2)算法层面优化决策树参数，包括设置“min_samples_split=5”“min_samples_leaf=2”约束条件。本研究构建了包含200棵决策树的随机森林模型，采用10折交叉验证确保模型稳定性，所有模型参数和预处理流程均通过Joblib工具库进行持久化保存以保证可重复性。P<0.05为差异有统计学意义。

2 结果

2.1 患者特征分析

本研究共纳入161例CSVD患者，均收集了基线资料。根据ARWMC总分将患者分为轻度WMH组(0~10分)、中度WMH组(11~20分)和重度WMH组(21~30分)。其中，轻度WMH组100例，男66例(66.00%)，女34例(34.00%)，年龄(61.40±9.45)岁；中度WMH组46例，男32例(69.57%)，女14例(30.43%)，年龄(63.72±8.77)岁；重度WMH组15例，男12例(80.00%)，女3例(20.00%)，年龄(63.47±10.40)岁。不同组别患者的特征比较结果(表1)显示，3组患者的MoCA得分(P=0.008)、CMB严重程度(P<0.001)、BG-PVS严重程度(P<0.001)、脑萎缩GCA分级系统评分(P=0.003)的差异均有统计学意义。同时，基于Fazekas总分将患者又分为轻度WMH组(0~2分)、中度WMH组(3~4分)和重度WMH组(5~6分)，各组患者特征见附表1(https://doi.org/10.57760/sciencedb. xbyxb.00131)。2种分组方法结果基本一致。

眼动特征的组间差异分析结果(表2)显示，WMH的严重程度越高，间隔朝向扫视的最快反应时长越长(P=0.008)，平滑追踪偏移量(>4°)越小(P=0.013)，注视偏移(>2°)次数越少(P=0.025)，差异均有统计学意义。基于Fazekas总分分组的组间比较分析仅在注视偏移(>2°)次数方面的差异有统计学意义(P=0.045)，但在间隔朝向扫视的最快反应时长、平滑追踪偏移量方面仍表现出相同的变化趋势(附表2，https://doi.org/10.57760/sciencedb.xbyxb.00131)。事后两两比较中，中度WMH组与重度WMH组患者眼动特征比较，差异均无统计学意义(均P>0.05)。

2.2 CSVD患者眼动特征与WMH严重程度的相关性

Spearman相关性分析结果(表3)显示，Fazekas总分与ARWMC总分在评估WMH的严重程度方面存在较好的一致性(r=0.867，P<0.01)；MoCA与Fazekas总分(r=-0.302，P<0.01)、ARWMC总分(r=-0.245，P<0.01)均呈显著负相关；与WMH相比，MoCA与眼动特征的相关性更为紧密，眼动特征与不同脑区WMH的相关性存在差异。

基于ARWMC总分的多元线性回归分析(表4)显示，在排除多重共线性后，眼动特征中的平滑追踪启动时长(β=-0.001，P=0.009)、平滑追踪偏移量 (β=-1.212，P=0.001)、注视偏移(>2°)次数(β=-0.102，P=0.011)、反扫视平均反应时长(β=0.016，P=0.018)与结局变量的关联仍有统计学意义。在调整性别、年龄、受教育年限、MoCA、HAMA、HAMD以及是否存在其他影像学标志物后，除注视偏移(>2°)次数外，平滑追踪启动时长(β<0.001，P=0.010)、平滑追踪偏移量(β=-1.066，P=0.002)、反扫视平均反应时长(β=0.013，P=0.034)与结局变量的关联仍具有统计学意义。

基于Fazekas总分的线性回归分析结果显示，眼动特征平滑追踪启动时长(β=-9.71E-05，P=0.029)、平滑追踪偏移量(β=-0.199，P=0.013)、注视偏移 (>2°)次数(β=-0.019，P=0.029)、反扫视潜伏期 (β=-0.003，P=0.024)与结局变量的关联均具有统计学意义。在调整性别、年龄、受教育年限、MoCA、HAMA、HAMD以及是否存在其他影像学标志物后，除注视偏移(>2°)次数外，平滑追踪启动时长(β=-9.30E-05，P=0.021)、平滑追踪偏移量(β=-0.166，P=0.024)、反扫视潜伏期(β=-0.003，P=0.015)与结局变量的关联仍具有统计学意义(附表3，https://doi. org/10.57760/sciencedb.xbyxb.00131)。

2.3 CSVD患者眼动特征与WMH位置分布的相关性

分析不同位置WMH与眼动特征的相关性(图1)：将所有患者按照全脑(基于ARWMC总分)有无WMH及额叶、颞叶、顶枕叶、幕下区、基底节区5个脑区有无WMH进行分组；为了尽量降低小样本导致的有效信息丢失的影响，本研究基于所有眼动指标对不同脑结构区是否存在WMH进行ROC曲线分析，结果显示全脑、额叶、颞叶、顶枕叶、幕下区的AUC值分别为0.933、0.928、0.758、0.784、0.881；基底节区的二元Logistic回归分析结果无统计学意义，无法进行ROC曲线分析。

2.4 基于随机森林算法构建模型

为了尽量降低小样本量和数据不均匀分布对研究结果的影响，本研究采用机器学习算法构建模型，对WMH严重程度进行分类判定。结果(表5)显示：1)在模型1中，眼动特征对ARWMC严重程度的分类准确率为59.18%；在调整了人口学特征、MoCA、HAMA、HAMD及其他影像学标志物后，模型4对ARWMC严重程度的分类准确率高达85.71%。2)在针对不同位置WMH构建模型时，额叶、颞叶、顶枕叶、基底节区、幕下区分别按照0、1~2、3~4、5~6分进行分类；为了便于横向比较，各个模型的参数设定保持一致，又鉴于数据分布不同，采用权重处理方法。在基于眼动特征构建的模型1中，除幕下区的分类准确率为85.71%外，其他脑区的分类准确率均不高(未超过50%)。在调整了人口学特征、MoCA、HAMA、HAMD及其他影像学标志物后，额叶、幕下区、顶枕叶的分类准确率分别提升至85.71%、81.63%、75.51%。

3 讨论

眼动有5种基本类型，包括注视、平滑追踪、扫视、前庭眼反射及视动性震颤，其中注视、平滑追踪、扫视最常应用于临床研究^[20]。本研究分别依据ARWMC总分和Fazekas总分将患者按照WMH严重程度进行分组，并保证2种分组方法的组间差异结果基本一致；随着WMH严重程度的加剧，CSVD患者眼动不良状态愈发恶化，表现为间隔朝向扫视最快反应时长逐渐增加，平滑追踪偏移量和注视偏移 (>2°)次数逐渐减少。为了排除多重共线性等因素的影响，本研究又分别基于ARWMC总分和Fazekas总分进行多元线性回归分析，结果发现反扫视平均反应时长与WMH严重程度呈显著正相关，平滑追踪启动时长和偏移量、反扫视潜伏期均与WMH严重程度呈显著负相关。这似乎与常识相悖，考虑可能与CSVD患者大脑的代偿机制有关。随着WMH严重程度的加剧，CSVD患者可能会主动采用更为广泛和复杂的神经功能相关措施来弥补WMH受损造成的功能缺陷，例如更多地依赖认知资源，将眼动运动控制策略由视觉依赖转为预测性追踪，从而更迅速地对刺激点做出反应，并且更加专注于运动轨迹；但是代偿却无法改变WMH受损导致的神经传导速度减慢，最终引发了上述看似矛盾的结果。值得注意的是，在组间差异分析的事后两两比较中，中度WMH组与重度WMH组的所有眼动特征均未表现出明显差异，这提示不能排除眼动特征与WMH严重程度的非线性关系，因为部分眼动特征虽不存在明显差异，但仍呈现中度WMH组眼动表现优于轻度WMH组和重度WMH组的变化趋势，这在平滑追踪模式中尤为明显。考虑WMH继续恶化到一定程度时，大脑的认知代偿机制已无法弥补眼动受损缺陷，这种可能性需要在更大样本量的临床研究中进行验证。

本研究根据ARWMC总分对额叶、颞叶、顶枕叶、幕下区、基底节区WMH进行评分，并分别采用ROC曲线分析和机器学习算法对脑区不同位置是否存在WMH及严重程度进行分析，结果均显示眼动特征与额叶、幕下区具有明显相关性。眼动主要通过视网膜接收视觉信号，经视觉皮层处理、后顶叶皮层整合信息后，投射到额叶，再直接或通过上丘间接将信息传递至脑干扫视启动中枢，从而触发扫视。额叶在接收信息后，可通过基底节区抑制性环路激发抑制性冲动到达上丘，对扫视发挥抑制作用^{[13, 20-21]}。此外，颞中区与颞上内侧区在平滑追踪的启动与维持中发挥重要作用^[22]。目前，注视的眼动通路尚未明确，除了有与扫视和平滑追踪相关的通路外，前庭眼反射和视动反射也可能参与其中^[23-24]。额叶是眼动的高级控制中心，幕下区负责眼动的执行与协调，反扫视潜伏期缩短可能与前额叶过度激活有关^[25]，而平滑追踪偏移量减少则可能与小脑过度激活有关^[26]。额叶和幕下区在眼动通路中占据不可替代的核心地位，WMH病变可能导致其与相邻脑区的连接中断，进而诱发眼动特异性受损表现。

本研究结果显示，与WMH相比，MoCA与眼动特征的相关性更为密切，与既往研究^[2]结果一致。多项研究^{[7, 27]}表明认知水平与WMH严重程度呈负相关。本研究在构建模型3时调整了MoCA得分，但模型效果并未得到明显提升，这提示认知水平可能独立于影像学改变而影响眼动。后续研究可以针对眼动、认知水平、影像学之间的关系进行更为深入的探索。此外，本研究受限于横断面研究设计，无法揭示白质改变与眼动障碍的因果关系，未来研究应进一步阐明白质改变、眼动与认知功能的相关性。

综上所述，CSVD患者眼动表现与WMH严重程度及位置分布具有相关性，眼动评估有望作为一种客观的辅助工具用于临床疾病筛查与病情监测。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Markus HS, de Leeuw FE. Cerebral small vessel disease: Recent advances and future directions[J]. Int J Stroke, 2023, 18(1): 4-14.

[2]	Pinkhardt EH, Issa H, Gorges M, et al. Do eye movement impairments in patients with small vessel cerebrovascular disease depend on lesion load or on cognitive deficits? A video-oculographic and MRI study[J]. J Neurol, 2014, 261(4): 791-803.

[3]	Fan H, Feng J, Ding Y, et al. Performance of antisaccades in patients with cerebral small vessel disease accompanied by white matter hyperintensities[J]. Neurol Res, 2024, 46(10): 917-924.

[4]	Duering M, Biessels GJ, Brodtmann A, et al. Neuroimaging standards for research into small vessel disease-advances since 2013[J]. Lancet Neurol, 2023, 22(7): 602-618.

[5]	Hilal S, Liu S, Wong TY, et al. White matter network damage mediates association between cerebrovascular disease and cognition[J]. J Cereb Blood Flow Metab, 2021, 41(8): 1858-1872.

[6]	Dewenter A, Jacob MA, Cai M, et al. Disentangling the effects of Alzheimer’s and small vessel disease on white matter fibre tracts[J]. Brain, 2023, 146(2): 678-689.

[7]

Roseborough AD, Saad L, Goodman M, et al. White matter hyperintensities and longitudinal cognitive decline in cognitively normal populations and across diagnostic categories: a meta-analysis, systematic review, and recommendations for future study harmonization[J]. Alzheimers Dement, 2023, 19(1): 194-207.

[8]	Beyer F, Tsuchida A, Soumaré A, et al. White matter hyperintensity spatial patterns: Risk factors and clinical correlates[J/OL]. Alzheimers Dement, 2025, 21(4): e70053[2025-10-15].

[9]	Qi J, Lian T, Guo P, et al. Abnormal eye movements: relationship with clinical symptoms and predictive value for Alzheimer’s disease[J]. Front Aging Neurosci, 2024, 16: 1471698.

[10]	Li H, Li C, Ma W, et al. Eye movement disorders: a new approach to preliminary screening of Parkinson’s disease[J]. Neuroscience, 2024, 563: 202-211.

[11]	Wang YL, Kapoor M, Fielding J, et al. Saccadic eye movements in neurological disease: cognitive mechanisms and clinical applications[J]. J Neurol, 2025, 272(8): 539.

[12]	Chen H, Du H, Yi F, et al. Artificial intelligence-assisted oculo-gait measurements for cognitive impairment in cerebral small vessel disease[J]. Alzheimers Dement, 2024, 20(12): 8516-8526.

[13]	Coiner B, Pan H, Bennett ML, et al. Functional neuroanatomy of the human eye movement network: a review and atlas[J]. Brain Struct Funct, 2019, 224(8): 2603-2617.

[14]	张道龙, 刘春宇, 童慧琦, 等. 精神障碍诊断与统计手册(第五版)[M]. 北京: 北京大学出版社, 2015: 1-933.

[15]	ZHANG Daolong, LIU Chunyu, TONG Huiqi, et al. Diagnostic and Statistical Manual of Mental Disorders, Fifth Edition[M]. Beijing: Peking University Press, 2015: 1-933.

[16]	Fazekas F, Chawluk JB, Alavi A, et al. MR signal abnormalities at 1.5 T in Alzheimer’s dementia and normal aging[J]. AJR Am J Roentgenol, 1987, 149(2): 351-356.

[17]	Wahlund LO, Barkhof F, Fazekas F, et al. A new rating scale for age-related white matter changes applicable to MRI and CT[J]. Stroke, 2001, 32(6): 1318-1322.

[18]	Gregoire SM, Chaudhary UJ, Brown MM, et al. The microbleed anatomical rating scale (MARS): reliability of a tool to map brain microbleeds[J]. Neurology, 2009, 73(21): 1759-1766.

[19]	Potter GM, Chappell FM, Morris Z, et al. Cerebral perivascular spaces visible on magnetic resonance imaging: development of a qualitative rating scale and its observer reliability[J]. Cerebrovasc Dis, 2015, 39(3/4): 224-231.

[20]	Pasquier F, Leys D, Weerts JG, et al. Inter- and intraobserver reproducibility of cerebral atrophy assessment on MRI scans with hemispheric infarcts[J]. Eur Neurol, 1996, 36(5): 268-272.

[21]	Antoniades CA, Spering M. Eye movements in Parkinson’s disease: from neurophysiological mechanisms to diagnostic tools[J]. Trends Neurosci, 2024, 47(1): 71-83.

[22]	Munoz DP, Everling S. Look away: the anti-saccade task and the voluntary control of eye movement[J]. Nat Rev Neurosci, 2004, 5(3): 218-228.

[23]	Schröder R, Keidel K, Trautner P, et al. Neural mechanisms of background and velocity effects in smooth pursuit eye movements[J]. Hum Brain Mapp, 2023, 44(3): 1002-1018.

[24]	Rucci M, Poletti M. Control and functions of fixational eye movements[J]. Annu Rev Vis Sci, 2015, 1: 499-518.

[25]	Lin YC, Intoy J, Clark AM, et al. Cognitive influences on fixational eye movements[J/OL]. Curr Biol, 2023, 33(8): 1606-1612.e4[2025-10-15].

[26]	Zhu J, Zhou XM, Constantinidis C, et al. Parallel signatures of cognitive maturation in primate antisaccade performance and prefrontal activity[J]. iScience, 2024, 27(8): 110488.

[27]	Herzfeld DJ, Joshua M, Lisberger SG. Rate versus synchrony codes for cerebellar control of motor behavior[J]. bioRxiv, 2023: 2023.02.17.529019.

[28]	Alber J, Alladi S, Bae HJ, et al. White matter hyperintensities in vascular contributions to cognitive impairment and dementia (VCID): Knowledge gaps and opportunities[J]. Alzheimers Dement (NY), 2019, 5: 107-117.