论文部分内容阅读
目的 探讨常规磁共振扫描提取的全脑影像组学标签是否可以用于识别2型糖尿病(Type 2 diabetes mellitus,T2DM)患者的轻度认知功能障碍,从而为T2DM轻度认知功能障碍患者的早期识别提供一种方便、快捷有效的方法。方法 本研究收集129例T2DM患者的临床资料,包括人口统计学资料、临床认知评分和头颅磁共振图像数据等。根据蒙特利尔认知评估量表(Montreal assessment cognitive,MoCA)等认知评分工具将患者分为轻度认知功能障碍(Mild cognitive impairment,MCI)和正常认知(No Mild cognitive impairment,nMCI)。将所有纳入对象的头颅T1WI图像进行全脑切割成脑白质(white matter,WM)、脑灰质(grey matter,GM)和脑脊液(cerebrospinal fluid,CSF),之后利用AK软件分别提取每个研究对象脑白质、脑灰质及脑脊液的影像组学特征,共计1188个特征。按7:3比例将研究对象分为训练组(n=90)和测试组(n=39),比较训练组与测试组患者人口统计学及临床资料的组间差异。对所有患者的剩余影像组学特征与临床资料(包括年龄、性别、身体质量指数(Body Mass Index,BMI)、受教育程度、糖尿病病程、吸烟史、饮酒史、高血压、高血脂、冠心病史)做相关分析。在训练组中对影像组学特征进行降维,然后使用逻辑斯回归的机器学习方法构建影像组学标签模型。之后使用接受者操作特性曲线(receiver operating characteristic curve,ROC)的曲线下面积(Area Under Curve,AUC)来评估模型的性能,同时使用测试组数据来验证模型的可靠性。最后,采用单因素逻辑斯回归分析对训练组中的临床资料和影像组学标签评分等潜在预测变量进行预测因子的筛选并通过多因素逻辑回归建立联合预测模型,并使用ROC曲线下面积AUC值评价联合模型的诊断效能。结果①训练组和测试组之间的基线资料包括性别、年龄、BMI、吸烟史、饮酒史、高血压、高血脂、冠心病史及MoCA均无显著性差异(P>0.05)。在训练组和测试组中受教育程度及训练组中的年龄在nMCI患者和MCI患者之间均存在显著性差异(P<0.05),其他训练组和测试组中nMCI患者和MCI患者的基线资料均无统计学差异。②stdDeviationGM 特征与性别、教育程度相关(r=-0.185、0.1 88,P=0.035、0.033);VarianceCSF 与年龄、教育程度相关(r=-0.228、0.191,P=0.009、0.030);LongRunHighGreyLevelEmphasisAllDirection offset7SDWM 与年龄、吸烟、饮酒及高血压相关(r=-0.210、0.207、0.174、-0.219,P=0.017、0.019、0.049、0.013);ClusterShadeAllDirectionoffset7SDCSF 与吸烟相关(r=0.196,P=0.026);ShortRunEmphasisangle135offset4CSF 与性别、吸烟及饮酒有关(r=0.202、-0.371、-0.178,P=0.022、0.000、0.012);GLCMEntropyangle45offsetlGM 与年龄有关(r=-0.178,P=0.042)。③影像组学标签评分在训练组和测试组的AUC、特异性和敏感性分别为0.731和0.722、0.367和0.231、0.900和0.885。④单因素逻辑斯回归显示年龄(OR=1.078,95%CI:1.028~1.130)、受教育程度(OR=0.450,95%CI:0.298~0.680)及影像组学标签评分(OR=2.718,95%CI:1.572~4.699)是T2DM患者MCI的预测因子。多因素Logistic回归分析显示受教育程度(OR=0.549,95%CI:0.349~0.864)和影像组学评分(OR=2.337,95%CI:1.296~4.213)是2型糖尿病MCI患者的独立预测因子。⑤联合模型在在训练组和测试组的AUC、特异性和敏感性分别为0.821和0.804、0.900和0.917、0.633和0.654。结论①构成识别2型糖尿病患者正常认知与MCI的全脑影像组学模型的标签来自于脑白质、脑灰质和脑脊液,这提示了 MCI与脑白质、脑灰质及脑脊液的改变相关。②年龄是2型糖尿病MCI患者的危险因素,受教育程度及影像组学评分是2型糖尿病MCI患者的独立预测因子。③影像组学标签评分结合受教育程度可以较好地区分2型糖尿病患者的正常认知与MCI,为2型糖尿病患者MCI的早期识别提供一种可供选择的方法。