论文部分内容阅读
目的:重性抑郁障碍（Major depressive disorder,MDD）和双相障碍（Bipolar disorder,BD）是两种致残、致死率较高的情感障碍。当BD以抑郁为首发症状时,两种情感障碍鉴别诊断困难。对MDD患者进行随访可以从主观症状学角度对两种疾病进行早期识别,静息态功能磁共振技术（Resting-state functional MRI,rs-f MRI）则可以从客观角度为两种疾病的识别提供神经影像学标记。既往研究提示两种疾病常表现为多个脑区的功能差异,对两种疾病的大脑网络进行研究或许更有助于阐明两种疾病的神经影像学机制,其中基于体素水平的度中心度（Voxel-wise degree centrality,DC）是描述功能网络节点重要性最直接的度量指标,它可以敏感检测两种疾病的功能差异并具有较高的重测信度。因此,联合随访和DC方法进行研究将为MDD和BD的早期识别提供研究基础。但目前研究结果尚不能直接应用于临床,而机器学习方法则可以通过训练数据集,建立一个能够区分不同个体的模型,并将该模型应用于新的数据集进行分类或预测,为研究结果向临床应用转化提供了可能。因此,本研究首先通过对MDD患者和BD患者联合应用随访和rs-f MRI,探索MDD和BD各自特异性、素质性的神经影像学机制,为两种疾病的早期识别提供神经影像学研究基础;之后基于机器学习方法使用DC特征,建立分类性能最佳的MDD-BD分类模型,并将该模型应用于新的数据以测试该模型早期识别缺乏主观确诊症状患者的能力。方法:在基线收集MDD患者和BD患者并扫描rs-f MRI,之后对MDD患者进行2年以上的随访,将随访过程中出现了躁狂或轻躁狂症状的患者纳入转相前BD患者组,从未出现躁狂或轻躁狂症状的患者继续纳入MDD患者组。最终纳入BD患者128名（其中转相前BD患者33名）,MDD患者110名（其中33名与转相前BD患者年龄、性别、学历相匹配）以及与转相前BD患者年龄、性别、学历相匹配健康对照（Healthy control,HC）40名。采集所有受试者的年龄、性别、学历、病程、用药情况、汉密尔顿抑郁量表（17项）（17-item Hamilton Rating Scale for Depression,HAMD-17）总分、汉密尔顿焦虑量表（Hamilton Anxiety Scale,HAMA）总分、杨氏躁狂评定量表（Young Mania Rating Scale,YMRS）总分。使用SPSS 24.0软件对所有受试者的人口学和临床资料进行统计分析。采用基于Matlab软件平台的DPARSFA软件包对rs-f MRI数据进行预处理,采用DPABI4.2软件对预处理后的rs-f MRI数据进行统计分析。研究分为两部分,第一部分比较MDD患者、转相前BD患者和HC之间的DC差异;第二部分首先比较明确诊断的MDD患者和BD患者之间DC差异,其次采用基于Scikit-Learn的Easylearn软件调用逻辑回归分类器,将存在统计学差异脑区的DC作为分类特征,建立MDD-BD分类模型,并使用5折交叉验证对模型进行验证;最后将模型应用于独立的测试数据集（转相前BD患者和MDD患者）。结果:1.第一部分包括33名MDD患者、33名转相前BD患者以及40名HC,三组受试者的年龄、性别、学历之间无统计学差异（P>0.05）。影像数据结果显示三组受试者主要在右侧枕中回、右侧颞上回、右侧颞中回、右侧顶下回、右侧缘上回、右侧中央后回、右侧额上回、右侧额中回、右侧三角部额下回的DC值存在的统计学差异（P<0.05,GRF校正）。提取以上脑区的DC值进行事后检验,结果显示,与HC和转相前BD患者相比,MDD患者在右侧枕中回、右侧颞上回、右侧颞中回脑区的DC值减低（P<0.05）,HC和转相前BD患者在以上脑区的DC值无统计学差异（P>0.05）;与HC和MDD患者相比,转相前BD患者在右侧顶下回、右侧缘上回、右侧中央后回脑区DC值增高（P<0.05）,HC和MDD患者在以上脑区的DC值无统计学差异（P>0.05）;与HC相比,MDD患者和转相前BD患者在右侧额上回、右侧额中回、右侧三角部额下回脑区的DC值增高（P<0.05）,MDD患者和转相前BD患者在以上脑区的DC值无统计学差异（P>0.05）。2.第二部分包括77名MDD患者和95名BD患者,两组患者的年龄、性别、学历之间均无统计学差异（P>0.05）。影像数据结果显示MDD患者和BD患者在双侧额上回、双侧内侧额上回、双侧眶部额上回、双侧额中回、右侧眶部额中回、双侧岛盖部额下回、双侧三角部额下回、双侧眶部额下回、双侧内侧眶额回、双侧中央前回、双侧补充运动区、双侧中央沟盖、双侧中央旁小叶、双侧顶上回、双侧顶下回、双侧缘上回、双侧角回、双侧楔前叶、双侧中央后回、双侧枕上回、右侧枕中回、右侧枕下回、双侧楔叶、双侧舌回、双侧距状回、双侧颞上回、双侧颞极:颞上回、双侧颞中回、左侧颞下回、双侧梭状回、双侧岛叶、双侧前扣带回、双侧后扣带回、双侧内侧和旁扣带回、右侧海马旁回、右侧壳核脑区存在DC差异（P<0.05,GRF校正）。机器学习分类结果显示MDD-BD分类模型的分类准确率为0.80±0.04,敏感度为0.80±0.04,特异度为0.78±0.11,ROC曲线下面积（AUC）为0.86±0.04。将该模型应用于测试数据集,分类准确率为0.55,敏感度为0.61,特异度为0.48,AUC为0.54。结论:1.MDD患者表现为特异性的右侧枕中回、右侧颞上回、右侧颞中回DC值减低,转相前BD患者表现为特异性的右侧顶下回、右侧缘上回、右侧中央后回DC值升高,可能是两种情感障碍早期各自特异性、素质性的神经影像学标记;MDD患者和转相前BD患者共同的右侧额上回、右侧额中回、右侧三角部额下回脑区DC增高可能是两种情感障碍早期共同的神经影像学机制。2.基于机器学习方法使用皮质边缘纹状体神经环路的DC特征建立的MDDBD分类模型的准确率为80%,并且所建立的模型可以识别出61%尚未出现主观确诊症状的转相前BD患者。