论文部分内容阅读
系统性红斑狼疮(systemic lupus erythematosus,SLE)是一种典型的自身免疫性疾病,神经精神狼疮(Neuropsychiatric systemic lupus erythematosus,NPSLE)是SLE患者常见且严重的并发症,其发病机制仍未被阐明。非神经精神狼疮(non-NPSLE)的临床症状复杂,隐匿,缺乏客观的诊断指标,随着病情进展,若发展为NPSLE多预示着不良预后或治疗困难性的增加,迫切需要发展可用于临床的技术手段和客观指标,以便于对患者进行早期的判断或干预,以改善预后。磁共振成像(magnetic resonance imaging,MRI)技术和脑网络分析方法是研究SLE等复杂疾病脑损害的重要手段,机器学习是连接神经影像学基础研究和临床应用的桥梁学科,在临床应用方面潜力巨大。本文以SLE患者为研究对象,以多模态MRI为工具,从脑微结构和脑结构网络、功能连接网络的层面探索SLE患者脑损害的特征及其神经病理机制并使用多种MRI影像指标进行机器学习研究,探索基于MRI的神经影像学特征在SLE分类中的应用价值,寻找SLE潜在的影像学生物标志物。本论文的研究内容具体分为以下四个部分:第一部分系统性红斑狼疮患者脑皮质体积、表面积及其结构协变网络研究[目的]使用结构磁共振(structural magnetic resonance imaging,sMRI)数据,研究 SLE患者脑皮质微结构和结构协变网络(Structural Covariance Networks,SCNs)改变的特点。[方法]使用FreeSurfer软件根据基于表面形态学(surface-based morphology,SBM)法计算127例SLE患者和102例健康对照(healthy controls,HCs)的皮质表面积和皮质体积,使用一般线性模型(GLM)分别对比两组间皮质表面积和皮质体积的差异(使用蒙特卡罗模拟做多重比较校正,置换次数为10000次,团块形成阈值(CFT)P<0.001);对SLE患者的疾病活动度(SLEDAI)、认知功能量表(MMSE)、汉密尔顿焦虑量表(HAMA)、汉密尔顿抑郁量表(HAMD)评分与组间比较存在差异的脑区的皮质表面积和皮质体积进行spearman相关性分析(P<0.05)。依据Desikan-Killiany图谱提取所有受试全脑共68个脑区的平均皮质表面积和平均皮质体积,使用Graph Analysis Toolbox(GAT)软件分别构建并比较两组皮质表面积和体积SCNs的网络全局属性、局部属性和网络核心节点(hubs)的差异(FDR校正,q<0.05,双尾)。[结果]SLE组和HCs组的皮质表面积无明显差异;相较于HCs组,SLE组左额上回、左中央旁小叶、右中央前回、双侧额上回等共17个团块的皮质体积明显减小,且SLEDAI与右侧海马旁回体积呈负相关关系,MMSE总分与右侧海马旁回体积呈正相关关系,HAMA总分分别与双侧额上回、右侧海马旁回等9个脑区的体积呈正相关关系,HAMD总分分别与双侧额上回等8个脑区的体积呈正相关关系,和HAMA、HAMD相关的脑区高度重叠(P<0.05)。皮质表面积SCNs分析发现,SLE组的归一化聚类系数(γ)、全局效率(Eglob)、模块性这3个全局指标显著低于HCs组;在包括局部聚类系数、节点度、节点中介性、局部效率在内的4个局部指标中,表现出指标升高与减低的脑区共存的现象;SLE组的皮质表面积SCNs存在左颞中回、左额中回下部、左颞上回、右海马旁回4个hubs,在数量和位置上均与HCs不同。皮质体积SCNs分析发现,两组的全局指标均无显著差异;4个局部指标也表现出指标升高与减低的脑区共存但以联系增强为主的现象;SLE组的皮质体积SCNs存在左额下回眶部、左额中回下部2个hubs,在数量和位置上也均和HCs组不同。[结论]SLE患者存在脑皮质微结构及其结构协变网络的破坏,部分脑区皮质体积的减小可能与SLE患者的病情活度、认知障碍和焦虑、抑郁状态的出现相关,这些改变可能是SLE患者出现神经精神症状的脑结构基础,且SLE的焦虑与抑郁可能分享着相似甚至是相同的神经病理通路。第二部分系统性红斑狼疮患者脑白质微结构及其结构网络研究[目的]使用弥散张量成像(diffusion tensor imaging,DTI)数据,研究SLE患者脑白质微结构和白质结构网络改变的特点。[方法]使用PANDA软件对DTI数据进行预处理,构建各项异性分数(fractional anisotropy,FA)图像和平均FA骨架,使用FSL软件进行基于纤维束示踪的空间统计学分析(Tract-basedspatial statistics,TBSS),比较两组白质FA值的差异。依据AAL-116图谱划分的116个脑区作为白质结构网络的节点。使用纤维分配连续跟踪(fiber assignment by continuous tracking,FACT)法进行确定性追踪,重建各受试的全脑白质纤维束,计算上述所定义的每个节点对的FA值和纤维束数目(fibernumber,FN)。使用Gretna软件进行基于图论的白质结构网络分析,比较两组白质结构网络的全局属性和局部属性的差异(FDR校正,q<0.05)。对临床资料与组间比较存在差异的脑区的FA值和网络指标进行spearman相关性分析(P<0.05)。[结果]基于TBSS的组间比较发现,与HCs组相比,SLE组的白质中有5个团块的FA值显著减小,并且未发现FA值较HCs显著增大的团块。SLEDAI与胼胝体膝部FA值呈负相关关系,HAMD分别和胼胝体压部、右侧内囊豆状核后部的FA值呈负相关关系。在网络全局指标中,相较于HCs组,SLE组的Cp、Eglob、Eloc显著减小,Lp显著增大;在局部指标中,SLE组的节点度在包括右颞上回在内的6个脑区显著减小,SLE组节点效率在包括右丘脑在内的17个脑区显著减小。SLEDAI评分、MMSE总分、HAMD总分、HAMA总分和全局指标间均无相关关系;SLEDAI与左额下回三角部的节点度和节点效率的曲线下面积(AUC)呈负相关关系,MMSE与左海马节点效率的AUC呈正相关关系。[结论]SLE患者存在脑白质微结构完整性的缺损,其白质结构网络也处于次优化状态,部分异常的白质微结构和结构网络指标和反映疾病活动度、认知功能、焦虑、抑郁情况的量表评分存在相关关系。以上发现表明,脑白质微结构及其结构网络的改变可能是SLE患者出现神经精神症状的发病机制之一。第三部分系统性红斑狼疮患者脑功能网络研究[目的]在灰质、白质结构网络研究的基础上,使用功能磁共振(functional magnetic resonance imaging,fMRI)数据,进一步对SLE患者的脑功能连接网络进行基于图论的网络研究和基于网络的统计(network based statistic,NBS)研究,探究SLE患者脑功能改变的网络拓扑特征。[方法]使用DPARFS软件对fMRI数据进行预处理,依据AAL-116图谱划分的116个脑区作为功能连接网络的节点。首先计算每个脑区BOLD信号强度的平均值,再计算各个脑区平均时间序列间的Pearson相关系数,通过Fisher-Z转换对Pearson相关系数进行正态化处理并将其定义为各节点间的连边。最终基于上述定义的节点和连边构建出各受试的功能连接矩阵。使用Gretna软件进行基于图论的功能网络分析,比较两组脑功能网络的全局属性和局部属性的差异(FDR校正,q<0.05)。使用NBS软件进行NBS分析,使用独立样本t检验对SLE组和HCs组的功能连接网络进行组间比较,将t值设置为3.5,置换次数设置10000次,显著性水平设置为0.01以发现两组间差异显著的子网络。使用GraphPad软件对临床资料与组间比较存在差异的网络指标进行spearman相关性分析(P<0.05)。[结果]基于图论的功能连接网络分析发现,在网络全局指标中,相较于HCs组,SLE组的Cp、Lp、γ、λ、σ、Eloc显著减小,Eglob显著增大;在局部指标中,SLE组的节点度在右额中回显著减小;SLEDAI评分、MMSE总分、HAMD总分、HAMA总分和异常的全局指标及局部指标间均无相关关系。基于NBS的功能连接网络分析发现SLE患者存在一个涉及9个节点和8条连边的连通性显著降低的子网络,这个子网络中的脑区主要为涉及到管理随意运动和调节随意运动的中央前回、豆状核、小脑。[结论]1.SLE患者的全脑功能连接网络相较于HCs表现出显著的全局性能减弱和个别脑区的局部性能减弱,总体上和皮质SCNs及白质结构网络一样,存在网络拓扑属性的次优化。2.SLE患者存在一个主要涉及运动管理和运动调节的连接异常减弱的子网络,为揭示SLE患者包括运动障碍在内的部分神经精神症状的发病机制提供了参考。第四部分系统性红斑狼疮患者基于磁共振的多指标机器学习研究[目的]使用神经影像学机器学习的方法,通过支持向量机(Support Vector Machines,SVM)进行针对SLE的多模态、多指标MRI机器学习分类研究,以探究基于颅脑MRI的机器学习对SLE诊断分类的应用价值和最佳的影像学特征。[方法]对50例不考虑治疗情况的SLE患者,27例从未接受过治疗的SLE患者及相应的HCs分别使用DPARFS软件和PANDA软件对sMRI、fMRI和DTI数据进行预处理,计算受试的灰质体积、灰质密度、白质体积、白质密度、ReHo、ALFF、fALFF和FA图像并作为影像学特征使用PRoNTo软件进行SVM分类,使用留一交叉验证法对分类器进行验证,计算特征中各脑区对分类贡献的权重;使用NBS-Predict软件对127例SLE患者和102例HCs进行基于NBS的SVM分类,通过10折交叉验证评估分类模型的性能并计算不同权重阈值下可用于SLE分类的异常子网络。[结果]对于不考虑治疗情况的SLE患者,基于全脑灰质密度特征分类的AUC为0.97,准确度为89.00%,对分类贡献最大的脑区是左中央旁小叶;基于全脑灰质体积特征分类的AUC为0.97,准确度为95.00%,对分类贡献最大的脑区是左顶下缘角回;基于全脑白质密度特征分类的AUC为0.97,准确度为87.00%,对分类贡献最大的脑区是右钩束;基于全脑白质体积特征分类的AUC为0.86,准确度为89.00%,对分类贡献最大的脑区是右钩束;基于ReHo特征分类的AUC为0.71,准确度为69.00%,对分类贡献最大的脑区是小脑蚓部9;基于ALFF特征分类的AUC为0.69,准确度为65.00%、对分类贡献最大的脑区是小脑蚓部1、2;基于fALFF特征分类的AUC为0.78,准确度为67.00%,对分类贡献最大的脑区是左眶内额上回;基于FA特征分类的AUC为0.81,准确度为74.00%,对分类贡献最大的脑区是左眶内额上回;对于从未接受过治疗的SLE患者,基于全脑灰质密度特征分类的AUC为1.00,准确度为94.44%;基于全脑灰质体积特征分类的AUC为0.99,准确度为98.18%;基于全脑白质密度特征分类的AUC为0.95,准确度为92.59%;基于全脑白质体积特征分类的AUC为0.94,准确度为88.89%;基于ReHo特征分类的AUC为0.86,准确度为83.33%;基于ALFF特征分类的AUC为0.84,准确度为81.48%;基于fALFF特征分类的AUC为0.86,准确度为83.33%;基于FA特征分类的AUC为0.70,准确度为62.96%。在基于NBS的SVM对SLE组和HCs组的分类识别中,使用脑功能连接网络作为特征分类的AUC为0.615,准确度为0.618,当权重阈值取0.9时SLE存在一个包含右小脑9、小脑蚓部9、左豆状壳核等23个节点和41条连边的连接失调的子网络;当权重阈值取1时SLE存在一个包含右小脑9、小脑蚓部9、左豆状苍白球等12个节点和12条连边的连接失调的子网络。[结论]1.基于MRI的影像学机器学习可以在不同临床应用场景中从个体水平上区分SLE患者和健康对照;2.基于sMRI的SVM分类模型性能最佳,基于DTI和fMRI的SVM分类模型性能次之,基于功能连接网络NBS的SVM分类模型的性能较弱,其对SLE分类的意义还需更多研究数据的支持;这些MRI指标,特别是对分类贡献大的脑区对SLE的分类更有意义,是SLE神经影像学辅助诊断的潜在特征。