论文部分内容阅读
阿尔茨海默病(Alzheimer’s Disease,AD)是一种发病集中在老年人群中的神经退行性疾病。AD的早期一般表现为记忆力衰退,随着病情加重,伴随着大脑结构的改变而表现出语言、计算、情感等功能的减退甚至丧失,现有的药物对AD的治疗效果不佳,阿尔茨海默病给患者家庭及整个社会都带来极大的负担。轻度认知损害(mild cognitive impairment,MCI)是AD的高危人群,相比于正常人,MCI的大脑结构没有明显的变化,但转化为AD的概率明显高于正常老年人,若是能够在早期准确地识别出高危人群可以极大程度的延缓疾病的进程。遗憾的是截止到目前为止,AD仍是一种致病原因和发病机理尚不明确的神经性疾病,仍然缺少有效的、稳定的生物标记。这也就急需我们去寻找一种鲁棒的AD的生物标记,发现AD或者高危人群大脑结构的异常表征,对于AD的早期预防和AD的早期治疗无疑具有重大的意义。国内外对AD的研究开展了大量的工作,AD发病的早期伴随着内侧颞叶的萎缩,海马的萎缩是目前AD最明显的影像学特征之一,AD的后期伴随着全脑灰质的萎缩,大规模的萎缩可以用磁共振影像检测。但目前的研究发现,体积的萎缩往往忽略同一疾病不同时期的敏感性,并且大脑组织发生明显形变之前会发生一些较为微观的变化,而这种微观的变化不能通过磁共振(Magnetic Resonance,MR)反映,这就急需找到一种可以在影像中获取更多信息的图像分析方法。影像组学是一种可以在影像中获取很多肉眼看不见的信息的图像分析方法,目前已经成功应用于肿瘤的分级和愈后指导。影像组学特征是否可以作为AD的有效的生物标记至今为止还没有明确的定论。若是能够通过多中心大样本的影像数据,证明影像组学作为AD生物标记的可行性,无疑对AD的研究和AD的早期治疗具有重大的意义。基于以上的研究背景,本文主要的研究目的是探索基于结构磁共振海马的影像组学和PET的影像组学是否可以作为AD的生物标记。本文主要做了以下两个工作,第一个工作是基于结构磁共振影像的海马影像组学的研究,主要的研究目的有两个,首先是探索海马的影像组学是否可以作为AD有效的、稳定的生物标记,该工作使用两个大的数据集:私有数据集(In-house data,6个中心,N=715)和ADNI公开数据集(N=1228)。基于支持向量机(Support Vector Machine,SVM)构建多变量机器学习模型,独立中心交叉验证(inter-site)可以得到 AUC(ROC 曲线下面积)=0.94,(ACC(accuracy,准确率)=88.21%,SPE(specificity,特异性)=88.31%,SEN(sensitivity,敏感性)=88.12%)。为了进一步验证影像组学特征的泛化性,利用In-house数据训练,ADNI数据进行测试,结果显示AUC=0.89(ACC=0.79,SPE=0.72,SEN=0.87);利用 ADNI 数据训练,In-house 数据进行测试,AUC=0.92(ACC=0.84,SPE=0.92,SEN=0.77)。第二个目的是探索重要的特征是否与临床信息相关,借助ADNI数据中同时拥有APOE4基因,淀粉样β蛋白(Aβ)和tau蛋白信息的708个样本(182 NC,328 MCI,198 AD)及部分拥有全基因组数据的样本,结果表明影像组学特征与APOE4高风险基因、多基因高风险分数、Aβ、Tau以及认知的变化等临床信息具有较强的关系。本文的第二个工作是探索PET的影像组学特征是否同样可以作为AD新的生物标记,利用支持向量机基于PET的影像组学特征构建的多变量机器学习模型对AD和NC进行分类,可以得到ACC=0.89,SPE=0.90,SEN=0.86,AUC=0.95;如只利用结构磁共振的海马的影像组学特征,ACC=0.82,SPE=0.87,SEN=0.76,AUC=0.90;如果将结构磁共振海马的影像组学及PET的影像组学结合可以得到ACC=0.92,SPE=0.93,SEN=0.91,AUC=0.97。融合 PET 和结构磁共振对 NC 和 MCI 进行分类 ACC=0.66,SPE=0.43,SEN=0.79,AUC=0.64,对 MCI 和 AD 进行分类 ACC=0.78,SPE=0.86,SEN=0.62,AUC=0.84。这说明 PET 的影像组学同样可以作为AD的有效的生物标记,利用PET和结构磁共振对AD的识别效果明显比单个模态的效果更好,融合多模态的影像组学对早期阿尔茨海默病的诊断更有帮助。本文研究发现,影像组学在影像中具有很高的利用价值,结合多模态的影像组学或许能够为识别早期AD/MCI提供一个很好的方法和工具,为临床辅助诊断提供一条新的道路,也为更好的理解AD的病因和发病过程提供了一个新的方向。