论文部分内容阅读
背景:原发性帕金森病(Idiopathic Parkinson’s disease,IPD)与多系统萎缩(Multiple system atrophy,MSA)是中老年人常见的中枢神经系统退行性疾病。根据临床症状不同,IPD主要分为震颤型(tremor-dominant subtype,TD)和姿势与步态不稳型(postural instability and gait difficulty-dominant subtype,PIGD)。MSA主要分为以震颤强直症状为主的帕金森型(parkinsonian variant of MSA,MSA-P)和以共济失调为主的小脑型(cerebellar variant of MSA,MSA-C)。IPD与MSA,尤其是MSAP亚型,具有复杂且相似的临床症状,因此存在较高的误诊率。但两者在疾病发展、治疗及预后等方面均存在差异,因此早期鉴别诊断具有重要的临床意义。此外,随着研究的深入,IPD被认为是一种高度异质性疾病。因此,对IPD患者进行细化分型有助于其精准化的治疗。多模态磁共振成像(Multimodal Magnetic Resonance Imaging,m MRI)能够利用对不同组织结构敏感的序列的优势性及互补性以获取疾病的病理生理学的全貌信息,主要包括高分辨率结构磁共振成像(three dimensional T1 weighted imaging,3DT1)、血氧水平依赖功能磁共振(blood oxygen level dependent functional MRI,BOLD f MRI)、磁敏感成像(susceptibility weighted imaging,SWI)、弥散加权成像(diffusion tensor imaging,DTI)等。传统的m MRI研究多是基于组水平的分析,由于扫描环境及后处理技术等因素的差异导致其结果的一致性较差,故难以实现临床转化。因此,如何实现多模态影像学标志物在新样本上的个体化预测是亟需解决的问题。此外,m MRI序列蕴含了大量高维的影像学数据,如何从中提取有价值的信息并将多序列MRI数据联合分析也是一大难点问题。人工智能与医学影像学的结合使得上述问题迎刃而解。目前,可用于临床的IPD及MSA-P亚型鉴别诊断及IPD自动分型的智能化模型尚属于空白。目的:本研究拟基于m MRI序列构建PD及MSA-P亚型鉴别诊断及IPD分型的机器学习模型,以期实现个体化精准诊疗。同时,探索两种疾病及IPD不同亚型间的鉴别诊断标志物,为揭示不同疾病及同一疾病不同亚型间全脑结构与功能的改变提供新思路。受试者与方法:本研究共纳入经神经内科确诊的96名IPD患者及102名MSA-P患者。IPD患者的诊断遵循英国帕金森病协会脑库诊断标准,MSA患者的诊断诊断遵循Gilman第二版诊断标准。依据统一帕金森病评估量表(Unified Parkinson’s Disease Rating Scale,UPDRS),IPD患者分为TD亚型与PIGD亚型。采集所有被试在3.0T磁共振扫描仪(Siemens,Verio)下扫描的m MRI数据,包括SWI、BOLD f MRI、3DT1、DTI序列。同时,对所有患者的临床症状进行评定,包括UPDRS、HoehnYahr分级(H-Y分级)、简易智能评价量表(Mini-mental State Examination,MMSE)、蒙特利尔认知评分量表(Montreal Cognitive Assessment,Mo CA)。1.基于基底核团SWI序列的影像组学在IPD及MSA-P鉴别诊断中的研究:提取各基底核团感兴趣区的纹理特征,经过特征筛选方法确定最优特征子集并构建IPD与MSA-P鉴别诊断模型,进一步将临床量表加入模型。2.基于纹状体多模态MRI的机器学习模型在IPD及MSA-P鉴别诊断中的研究:提取纹状体各亚区的体积、功能指标及DTI指标值,经过特征筛选方法确定最优特征子集并构建IPD与MSA-P鉴别诊断模型,进一步采用SHAP(Shapley Additive explanation,SHAP)分析方法对模型预测进行解读。3.基于多水平静息态功能MRI的机器学习模型在IPD不同运动亚型分类中的研究:提取全脑各脑区的多水平功能指标值,经过特征筛选方法确定最优特征子集并构建TD及PIGD亚型的诊断模型,进一步采用SHAP分析方法对模型预测进行解读。结果:1.基于基底核团SWI序列的影像组学在IPD及MSA-P鉴别诊断中的研究:基于壳核的影像组学模型在IPD及MSA-P鉴别诊断中效能最高,在训练集上准确度为0.810,曲线下面积(area under receiving operator curve,AUC)为0.867。在验证集上模型准确度为0.791,AUC为0.862。将UPDRSIII量表评分加入壳核模型后,模型的诊断效能进一步提升,在训练集上准确度为0.836,AUC为0.880,在验证集上准确度为0.809,AUC为0.878。2.基于纹状体多模态MRI的机器学习模型在IPD及MSA-P鉴别诊断中的研究:与基于单一模态MRI的模型相比,基于纹状体的体积、功能指标及弥散指标值的多模态MRI模型在IPD及MSA-P鉴别诊断中效能更高,在训练集上准确度为0.897,AUC为0.937,在验证集上准确度为0.820,AUC为0.899。SHAP分析结果显示左侧背外侧壳核的功能活动值在模型预测中权重最高,另外,背外侧壳核的DTI指标值及其与额叶功能连接权重也较高。3.基于多水平静息态功能MRI的机器学习模型在IPD不同运动亚型分类中的研究:与单水平功能指标模型相比,基于多水平功能指标的模型在TD及PIGD亚型的鉴别诊断中效能最高,在训练集上准确度为0.932,AUC为0.934,在验证集上准确度为0.875,AUC为0.917。SHAP分析结果表明额叶和小脑功能活动及二者间的功能连接在模型预测中占重要地位。结论:本研究采用机器学习与多模态MRI联合的分析方法建立起自动化的鉴别诊断与分型模型,结果表明基于多水平、多模态MRI的诊断模型具有较高的鲁棒性及泛化能力,展现出较高的临床应用潜能。此外,模型预测的分析结果表明IPD与MSA-P两者间存在壳核铁沉积模式及纹状体功能结构损伤模式的差异。与IPD相比,MSA-P壳核铁沉积更不均匀、壳核的功能及结构损伤更重,壳核损伤可通过纹状体-皮层通路进一步导致额叶功能受损,这有助于解释MSA-P患者的疾病进展更快及预后更差的临床特点。此外,IPD不同运动亚型之间存在额叶和小脑功能改变的差异,这可能是PIGD亚型临床症状更重及预后更差的原因之一。