目的:帕金森病(Parkinson’s disease,PD)是常见的神经退行性疾病.但机制不明,本研究借助于基于图论的脑网络分析方法,揭示震颤型PD的发病机理. 材料与方法:本研究在体素(voxel)水平上探讨了震颤型PD(16人)的脑网络中心度(degreecentrality)与正常对照被试(20人)存在显著差异的脑区.继而,以这些脑区作为研究的兴趣区(ROI)采用功能连接的方法“追踪”出与这些兴趣区存在显著功能连接的脑区. 结果:发现震颤型PD的脑网络中心度以及对应的功能连接显著均显著高于正常对照组,而且涉及到的脑区分布较为广泛,主要分布在默认网络、感觉运动区前额叶、以及枕叶等脑区,丘脑与基底节等皮下脑区,小脑以及脑干等区域.此外,发现这些脑区相互之间构成一个高效的符合小世界属性的脑功能网络,而且在这一脑网络中,震颤型PD的脑网络效率(局部效率与全局效率)显著的高于正常对照组.这一发现表明震颤型PD的神经机制不仅与基底节、小脑、丘脑等与PD密切相关的脑区有关,而且与前额与枕叶等大脑皮层的脑区存在关联.采用脑网络分析的方法可以全面的对震颤型PD的神经活动异常进行描述,其中脑网络的属性参数可以有效的刻画震颤型PD的神经活动模式.为了进一步探讨震颤型PD的脑功能网络属性是否具有其特异性,进一步比较了震颤型PD(16人)、非震颤型PD(10人),以及正常对照组(20人)的脑网络属性,并借助机器学习算法(LDA分类器),尝试探讨了脑网络属性(局部效率与全局效率)是否可以有效地将震颤型PD与非震颤型PD以及正常对照组被试区别开来.发现脑网络的节点效率属性可以有效地将两类PD从正常对照组被试中区别开来,而且发现节点的局部效率在这一过程中明显比全局效率具有更大的区分力.此外,发现小脑在脑网络效率中发挥重要作用,其在脑网络全局效率中发挥重要作用. 结论:本研究借助基于图论的脑网络分析方法与机器学习方法系统探讨了震颤型PD的脑功能网络,并探讨了脑功能网络属性在鉴别震颤型PD中的作用.本研究为进一步揭示震颤型PD的发病机制提供了全新的研究视角.