微信扫码
微信扫码
投稿/科研合作：daixjdoctor@126.com
联系我们：372699348或137704924
群1：医患交流群；群2-3：科研讨论群
网站：http://www.sleep-brain.com/
欢迎参与失眠全国多中心项目的课题组加入每周文献汇报群
李海军 2019-9-21
王富勤2019-9-29
于帅2019-10-8
袁新2019-10-13
汤俊2019-10-20
刘阳2019-10-27
摘要：本研究的目的是通过放射组学功能活动和连接来开发和验证双相情感障碍（BD）的疾病分类。90名未接受治疗的BD患者以及117名健康对照进行了静息状态功能磁共振成像(rs-fMRI)。预处理后共提取有4种类型7018特征，包括平均局部一致性(mReHo)，平均低频振幅(mALFF)，静息状态功能连通性(RSFC)和体素镜像同伦连接(VMHC)。然后，通过Mann-Whitney U检验选择预测特征去消除具有高相关的变量。最小绝对值收敛和选择算子（LASSO）方法被进一步用于选择特征。最后，使用支持向量机(SVM)模型基于LASSO之后的所选择的他来估计每个受试者的状态。65特征包括54 RSFCs，7 mALFFs, 1mReHo和3 VMHCs被选中。基于65个特征构建的AVM模型在训练组的准确性和曲线下面积(AUC)分别是87.3%和0.919，并且在验证数据组中验证的该模型的准确度和AUC分别为80.5%和0.838。这些研究结果表明rs-fMRI有效放射组方法可以从健康对照组中识别具有高分类准确性的BD个人，为临床诊断系统提供了潜在辅助方法。
介绍
双相情感障碍(BD)是一种严重的慢性精神障碍。其特征在于不连续的抑郁和躁狂(BD I型)或轻度躁狂(BD II型),包括食欲,睡眠,认知和精神运动活动的变化。它是全球致残的主要原因之一,并且与过早死亡率高相关，来自自杀和医疗并发症。尽管是一种常见的和重要的精神障碍,BD的特定的神经生理基础是未知的。此外，BD的诊断是由历史记录、访谈和行为观察进行的,这可能导致漏诊、误诊，并最终导致较差的结果。众所周知，在寻求治疗的第一年，只有20%的BD患者经历抑郁发作，诊断为患有双相障碍BD，以及疾病发作之间的平均延迟和诊断是5 - 10年。因此，调查客观的神经生物学标记物对于诊断系统和治疗决策具有重要意义。
静息态功能磁共振成像(rs-fMRI)是一种无任务状态的方法，可以消除一些与任务相关的混淆，并提供了“基线”大脑活动和连通性可靠的测量方便。一些rs-fMRI研究已经广泛报道了与健康对照组相比，BD患者的自发活动(例如,低频幅度(ALFF)和局部一致性[ReHo])和功能连接异常。先前的研究表明BD中多个脑区存在广泛的局部功能异常，包括前额叶皮层、前扣带皮层、丘脑,杏仁核,海马和小脑。另外，有几个研究揭示了不同网络和子网络的静息态功能连接（RSFC）变化，例如，默认网络、突显网络（情感网络），前顶网络、感觉运动网络和半球间的连接/协调（例如体素的镜像同伦连接、VMHC），总之，这些发现可被解释为BD中广泛的神经元功能障碍。然而，与此同时，调查结果似乎不一致且多变。以下原因可能解释了这种现象，例如小的样本量，年龄范围、药物状态、疾病持续时间、不同的BD亚型（例如 BD I，BD II，未指定）和BD的状态（例如，狂躁、抑郁、混合或正常阶段），精神疾病的并发症病史和方法学（不同的成像协议，例如，MRI扫描和成像参数、以及不同等分析策略，例如预处理程序和功能性测量）。
尽管这些研究无疑通过使用传统的组级别的统计方法提供了对BD脑功能异常重要的见解，但随后的发现尚未转化为临床领域中BD的诊断、预测、预后生物标志物。近年来，放射组学的出现扩大了常规医学成像的范围,特别是在临床肿瘤中。这一概念是在2012年首次描述为放射组学。多模态医学图像包含了大量的有价值的信息，可以反映癌症的发展和进展。数据挖掘和机器学习的发展使得可以提取许多定量特性并将医学图像转换为可用的数据。这种用于分析医学影像的综合方法被称为放射组学。通过高吞吐量提取数据表征算法将医学图像转换为高维，可挖掘和定量成像特征，放射组学可以提供人眼不可见的大量信息；因此，放射组学提供了一个前所未有的机会来改善决策在肿瘤中以较低的成本和无创性。最近，放射组学分析已经成功应用于生产成像生物标志物用于神经精神疾病，例如精神分裂症，注意缺陷多动障碍，自闭症谱系障碍，阿尔茨海默病和人类免疫缺陷冰毒相关的神经变性。例如，一项Rs-fMRI研究通过功能连接以高精度诊断精神分裂症，证明了有效的放射组学方法，这有助于促进客观精神分裂症的个体化诊断。此外，一些研究表明，rs-fMRI（例如ALFF、ReHo、RSFC、VMHC）的多级特征的组合能够提高诊断的鉴别准确性。
本研究中，我们从大量未接受治疗的BD II 抑郁患者和匹配良好的健康对照组中获取了rs-fMRI数据，然后，我们使用放射组学分析开发并验证了通过静息态功能活动（例如，ALFF、ReHo）和连接性（例如，RSFC和VMHC）对BD患者进行疾病分类的方法，其可以帮助从健康对照组中鉴定BD患者。在个体受试者水平使用定量和特异性生物标记物。
材料和方法
受试者
总共90例右撇子，门诊或住院病人（BD II 18-55岁），从中国广州暨南大学第一附属医院招募。根据DSM - 5患者版的结构化临床访谈的诊断评估，所有患者符合DSM –IV (精神疾病诊断与统计手册第四版)标准。排除标准包括1）任何当前的精神疾病（BD 和焦虑症除外）；2）电惊厥疗法的病史；3）任何中度/重度颅脑损伤，头颅创伤，神经紊乱或精神发育迟滞的病史；4）酒精/药物滥用或依赖；5）同时发生严重的身体疾病。在成像前3天使用24项汉密尔顿抑郁评定量表（HAMD）和年轻躁狂评定量表（YMRS）评估临床状态。所有BD II患者均患有抑郁症（HAMD-24≥ 21，YMRS < 7）。在扫描时，所有患者要么是从未用过药，要么是至少6个月没有药物治疗。其中，48例患者从未用过药，他们从未被诊断过或者不想服用药物。而对于其他人，招募的患者通常或拜访他们的医生（精神科/全科医生）因为戒烟后抑郁症复发。这42 名患者接受了抗抑郁药（度洛西汀/帕洛西汀），情绪稳定剂（锂，丙戊酸钠）和/或非典型抗精神病药物（奥氮平或利培酮）治疗，但在扫描前至少停药6个月。共117名右撇子、匹配年龄和性别健康对照组通过当地广告招募。对所有健康对照组进行了访谈，以排除当前或过去精神疾病的存在。健康对照组的进一步排除标准是一级亲属的精神病史和/或当前或过去重大疾病或神经疾病。该研究的流程如图1所示。
数据采集
在8通道相控阵头颅线圈3.0T磁共振系统（Discovery MR 750 System; GE Healthcare）上获得成像数据。使用梯度回波回波平面成像序列获取rs-fmri数据，参数如下：TR=2000ms，TE=25ms，35层，厚度=3mm，层间距=1mm，64*64矩阵，FOV=240*240mm，体素大小=3.72*3.75*3mm。对每个参与者，获得210个体积，花费420s成像时间。然后通过使用覆盖整个大脑的3D脑容积成像系列获取解剖图像（TR=8.2ms，TE=3.2ms，256*256矩阵，FOV=240*240mm，层厚1mm，无间距），参与者被要求放松，闭着眼镜，不要入睡，尽可能少移动。
数据预处理
图像预处理使用数据处理助手（DPARSF）进行静息态fMRI，基于统计参数SPM12应用于rs-fMR数据处理，主要步骤如下：1）去除前10个时间点；2）使用中间层面作为参考层的时间校正；3）头部运动校正回归6个头部运动信号（在x，y，z方向上的位移以及3个角运动）；4）每个被试的T1加权结构图像被注册到运动校正后的功能图像；5）使用新的分隔和DARTEL分割算法将每个被试者转换结构图像分隔为灰质、白质和脑脊液；6）运动校正后的功能图像使用归一化参数估计进行空间标准化到蒙特利尔神经学研究所空间，重新采样至体素大小3*3*3mm；7）回归掉讨厌的协变量，包括Friston 24运动参数,白质信号,脑脊液信号，8）带通滤波(0.01 -0.10Hz)以减弱呼吸和其他高频生理噪音。另外，我们排除了在整个扫描过程中存在x，y，z任何方向位移超过1mm或任何角度超过1°的被试。
特征提取
在这个实验中，我们计算Rs-fMRI测量值，包括平均ReHo（mReHo），平均ALFF（mALFF），RESF和VMHC，作为以下统计分析中的变量。1）ReHo可以反映了神经活动的时间同质性。我们计算了各个ReHo图。然后，mReHo图通过将ReHo图中每个体素内全脑的平均 ReHo除以得到。使用自动解剖标记（AAL）图谱将mReHo图分割成116个感兴趣区（ROI）。通过平均ROI内的所有体素来获得每个ROI的mReHo值。因此，我们获得了116个mReHo值。2）测量ALFF以检测自发波动的强度。除了预处理步骤1-5之外，还使用半高全高斯核为4mm进行空间平滑。然后，我们计算了各个ALFF图。最后，我们通过在ALFF图中肺每个体素内划分全脑的平均ALFF来计算mALFF图。最后，我们使用AAL图谱获得116个 mALFF值。3）RSFC反映了空间远程神经生理学事件之间的时间相关性。空间平滑后，然后如预处理中的步骤6所述对所有图像进行带通滤波。使用AAL图谱将rs-fMRI图像分割成116 ROI。每个ROI的平均时间序列是通过对ROI内所有体素内的rs-fMRI时间序列求平均得到的。我们对每对ROI时间序列进行皮尔逊（Pearson）相关分析，然后我们用Fisher’sr-to-z转换将相关系数转换为z分布。将6670个 z变换之间的相关系数作为116个ROI之间的RSFCs。4）VMHC反映了镜像体素在2个半径间的功能连通性。我们也是使用AAL模板获得了116个ROI，我们得到116个VMHC值。然后，我们使用mReHo、mALFF、RSFC和VMHC作为以下分类中的变量。
特征选择和二进制分类
我们随机将总受试者分成2个数据集，然后我们使用包括166个受试者的一个数据集作为训练数据集(主要群组)，另一个包括41个受试者作为测试数据集(验证群组)。在每个数据集中，BD II患者和健康对照组的百分比是相同的。功能选择和模型训练的所有步骤都是在训练数据集中生产的。
在这个实验中，我们的目的是选择辨别变量来区分 BD II和健康对照。最初，所有变量都通过z-score 标准化。由于变量的维度很高（6670个 RSFC，116个mReHo，116个mALFF和116个VMHC）可能很容易陷入“维度灾难”，我们进行了降维以提高结果的可靠性。首先，我们对BD II患者和健康对照之间的每个变量进行了Mann–WhitneyU检验，保留看两组之间不同的变量(P < 0.1)。然后，我们删除了具有强成对相关性的变量，以减弱多重共线性。如果2个变量具有高相关性，我们查看每个变量的平均决定相关量，并删除了具有最大平均绝对相关性的变量。我们将0.65 设置为相关绝对阈值。最后我们使用最小绝对收缩和选择算子（LASSO）过程逻辑方法和10倍交叉验证，使用分类精度作为成本函数来选择最重要的分类特征。在LASSO之后，保留系数非零的特征以训练分类模型。
我们使用具有径向核的支持向量机（SVM）方法类估计每个受试者的状态（BD II 或健康）基于我们在LASSO之后选择的特征。在训练数据集中，使用10倍验证来训练最佳模型。统计分析在R3.5.0中进行，程序包“e1071,”“glmnet,” and “caret”。
验证性能
为了评估分类器性能，我们使用训练数据集中训练的最佳AVM模型来计算测试数据集中的准确度和曲线下面积（AUC）。
此外，我们评估了我们的主要结果是否受到其他可选择的全脑信号回归策略、大脑分割、临床药物状态的影响。1）由于关于全脑信号的复杂构成仍然存在争议，这可能源于生理上的滋扰（例如，呼吸和运动）和神经元信号，我们对全脑信号回归进行了补充分析，以确定是否有必要使用全脑信号回归来处理数据。利用相同的特征提取和选择方法，以及分类模型训练策略，我们得到哦具有全脑信号回归的最佳模型，然后我们在验证数据集中使用该模型。我们使用AUC和准确度比较了2个模型的性能，以确定是否有必要使用全脑信号回归。2）我们进行了另外一项验证分析，其中包括了一个额外的功能分割图power-264，以检验具有AAL模板的结果是否能能推广到其他分区或特定于某些分区。使用形同的特征提取和选择方法，以及分类模型训练策略。我们使用power-264图谱获得最佳模型，然后我们在验证数据集中使用该模型。3）我们在未进行药物治疗的患者中进行了另一项验证分析，以找出我们结果的可重复性。
结果
临床特征
总结了受试者的临床特征（年龄、教育程度和性别）见表1。训练数据集中有166名受试者，其中72名BD II患者，验证数据集中包含了41个受试者，其中18个BD II患者，训练和验证数据集中之间的临床特征没有显著差异。此外，在训练和验证数据集中，患者和健康对照组的年龄和教育水平存在明显差异。
特征选择
在Mann–Whitney U检验后，在4类特征中，7018个特征减少到1165 个潜在变量。然后，在以强成对相关性去除变量之后保留了248个特征。最后，在训练数据集中选择了65个特征（54个RSFC，7个mALFF，1个mReHo和3个VNHC），其系数在LASSO逻辑回归模型中非零。表2使用AAL模板详细显示了54个RSFC。与RSFC相关的脑区主要位于DMN，情感网络，视觉网络，感觉运行网络和小脑网络（图2）。此外，我们主要到左上颞极参与了大多数连接（6个RSFC），这意味着左上颞极在区分患者和健康对照中起到最重要的作用。其他特征是左侧楔前叶mALFF，右侧楔前叶mALFF，右侧壳核mALFF，右侧小脑半球crus1 mALFF,左侧小脑7b mALFF，右侧小脑7b mALFF，左侧小脑9 mALFF，左侧海马旁回mReHo，左侧前扣带回VMHC，右侧颞横回（Heschl’s）VMHC，左侧小脑vermis 1 and 2 VMHC。
此外,我们计算了BD II组和健康人群中所选择的平均值和标准偏差(SD)(表3)。根据补充表1，我们可以知道这些值BD II组与健康对照组是增加或减少对于每个选定的特征。
SVM分析
在训练数据集中使用我们选择的65个特征训练SVM后，我们获得了最佳AVM模型，训练数据集中的准确性为87.3%，AUC为 0.919。然后，我们使用该模型类预测验证数据集中的状态，验证数据集中的准确率为80.5%，AUC为0.838（图3）。结果表明，我们选择的65个特征在区分BD II和健康人群方面是可预测的。
验证分析
在训练数据集中，使用全脑信号回归建立的最佳模型的准确率wei84.9%，AUC为0.915.验证数据集中的准确率为73.2% ，AUC为0739（表4显示更清晰详细的结果）。使用全脑信号回归处理的数据建立的模型的结果非常接近没有全脑信号回归的模型的结果，但是验证数据集中的形象很差，表明使用全脑信号回归构建的模型可以被过度拟合容易，因此，没有全脑信号回归的模型更稳定。
使用训练数据集中的功能分割power-264图谱提取的特征构建的最佳模型的准确度为83.7% ，AUC为0.914，验证数据集中的准确度73.2%，AUC为0.826.使用功能分割power-264图谱建立的模型结果非常接近使用结构性AAL模板的结果。这意味着我们的分类结构被推广到其他分割。然而，结构性AAL模板反映了大脑的物理解剖结构，而功能性分割power-264图谱则以时间序列反映了大脑的功能激活区域。这2个分割从不同维度解释了大脑；因此，获得的特征和结果可能不完全一致（表4）。
在我们的最后一下验证实验中，我们预测了 48名BD患者中的38名患者，准确度为79.2%。此外，我们使用48名BD患者和所有健康个体进行分类，以找出我们结果的可重复性。该实验的准确度为86.1%，AUC为0.878，证明我们的结果是可重复的。
讨论
基于放射组学分析，本研究表明，使用全脑rs-fMRI可以将BD II患者与健康对照区分开来，具有出色的分类准确性。贡献这种区分的大部分功能局部活动和连接性是位于或跨越于DMN，情感网络，视觉网络，感觉运动网络和小脑网络。据我们所知，这是第一个探索rs-fMRI生物标志物的研究，该研究使用放射组学分析，在单一成像MRI研究未治疗、同质和相对较大的样本中识别BD。
在本研究中，通过应用65个选择的Rs-fMRI特征，在诊断BD II患者时，准确度为87.3% ，AUC为0919，并在验证数据集中进行了验证（准确度=80.5%，AUC=0.838），这表明新开发基于放射组学的机器学习方法可以帮助在精神病学和放射学在临床决策支持。先前的研究已经显示在使用异质患者群体机器学习的结构和功能MRI数据来区分BD与其他精神疾病或健康对照组方面的重要进展。例如，最近的rs-fMRI研究使用来自左下额回的功能连接的数据创建能够区分BD患者和健康对照的AVM模型的准确度为70.5%。但是，该研究的样本很小，并没有用其他样本来验证模型。Mwangi et al. (2016)在256个受试者的大群体中使用结构T1加权扫描数据（128 BD VS 128健康对照）以区分BD和健康对照受试者，准确度为64.9-70.3%。值得注意的是，在这些研究中，不同的亚型（BD I，BD II，BD-NOS），当前情绪状态（情绪正常、抑郁、躁狂、轻躁狂，混合）和BD患者的药物滥用病史被招募，这可能会受到限制获得的结果。此外，大多数神经影像学研究都是在已被诊断患有BD并且具有多年进展和精神药物（包括情绪稳定剂）的受试者中进行。很难确定结构和功能性大脑改变是结果、风险因素或疾病原因引起。为了最大限度地减少这些潜在的混杂效应，我们的研究使用了未经受治疗的BD II患者的样本，这些患者的伴有抑郁，疾病持续时间相对较短，并且发生的事件的数量很少，并且患有酒精/药物滥用史的BD患者被排除。因此，我们的方法已经改进了现有结果，尽管由于使用的数据不同，难以对不同论文进行比较。
特征选择过程中识别功能性局部活动(即双边楔前叶ALFF和左海马旁回的ReHo)和连接的异常在BD II患者主要覆盖默认网络和情感网络，这也与BD的有关在先前的研究。DMN（主要包括海马旁回，前扣带回、海马，丘脑，颞下回、后扣带回，角回和内侧前额叶皮层）是自发认知，自我参照处理和情绪调节的核心。情感网络（包括杏仁核、颞极。苍白球和脑岛）致力于情绪的处理和调节。我们之前的研究发现紊乱内在的功能活动和连接在DMN和边缘网络在未治疗的BD II 抑郁患者，这可能导致认知和情绪的核心缺陷在BD。具体而言，功能和结构MRI研究发现BD中的楔前叶异常（DMN的核心节点）。一些研究发现急性情绪和正常发作的BD患者的DMN存在异常连接，似乎独立于情绪状态。异常的DMN功能可能导致功能失调的自我指导和情感处理，形成过度消极的自我关注。以前的研究报告了情感网络中结构和功能异常，例如杏仁核、颞极，和脑岛，支持BD患者和高危个体的情绪失调。另外，我们发现左上颞极参与了大多数功能连接（6个RSFC），这表明颞极可能在区分BD和健康对照组中发挥重要作用。颞极与广泛区域如杏仁核、眶额皮层具有很强的结构性连接。一些先前的研究也表明结构和功能异常在颞极在单相抑郁症和BD之间，这可能有助于区分两种类型的抑郁症。综述所述，这些发现表明改变的DMN和情感网络可能反映了BD的强的放射学生物标记物。
此外，视觉和感觉运动网络中的功能连接在区分个体BD II患者和健康对照方面也是最相关的。已知这些区域对初级感觉和运动皮层功能很重要。初级感觉皮层起着关键作用在隔离信息流程。初级视觉皮层负责处理颜色，形成知觉，运动，立体视觉，深度和方向。一些使用电生理学和现象学方法的研究报道BD患者的视觉处理缺陷。感觉运动的关联已经在解剖学和功能上找到了具有BD的区域，包括诸如灰质体积的测量，灰质皮层/白质比，功能活动和功能连接，表明这些区域的变化是稳健的，并且可能在多种成像模式中始终存在。此外，Martino et al发现形态学的异常在静息态特异频率的DMN与感觉运动网络之间平衡异常脑区，双相抑郁症和躁狂症的相反模式。反映了最近被描述为“时空精神病理学”。最近，一项大样本的Rs-fMRI研究发现，BD患者眶额皮层局部功能连接增加，原发视觉皮层和运动皮层的局部功能连接减低，表明通过增加眶额皮层的连通性而“过度整合”并减少神经加工的“分离”与初级感觉和运动皮层的连通性减弱。这些研究结合我们的DMN和情感网络，视觉网络和感觉运动网络中异常功能连接的发现，可能表明BD中的网络集成和分离之间的平衡被打乱。因此，这些发现除了帮助我们更好地了解BD的病理生理学外，还可以帮助区分BD和健康对照。
尽管传统上认为小脑灶运动协调中起作用，但最近发现它在处理语言，情绪，认知和行为方面起着关键作用。本研究中，我们发现双侧小脑中的局部活动（ALFF）和连接性（RSFC VMHC ）在区分BD II患者及健康对照具有高准确性。在患有急性情绪和正常发作的BD患者及其健康的兄弟姐妹中观察到小脑的分子、结构和功能异常。因此，这些发现表明小脑可能是BD患者的生物学标记的一种很有前途的候选者。
目前的研究有一些局限性。首先，尽管BD II患者（n=90）的未接受治疗的患者样本量合理大考虑到BD患者招募的固有挑战，样本量有限。其次，尽管在本研究中使用交叉验证来验证结果的普遍性，但不包括独立的队列。第三，我们只检查了BD II患者，从而避免了脑功能网络中双极性亚型差异的潜在混淆，但也限制了我们的研究结果对BD I的普遍性。第四，我们只得到BD II中HAMD的总评分患者，但没有收集子量表评分数据，因此我们很难区分亚组。未来的研究将检查较大匹配样本中BD患者的亚症状，这将有助于区分亚组。
总之，我们的研究结果证明了功能局部活动和连接有效的放射组学方法，可以从健康对照中识别具有gap分类准确性的BD个体，为临床诊断系统提供潜在的辅助方法。未来的研究可能会受益于在分类器中包含更多信息，如结构成像数据，扩散成像数据，基因型和临床变量，这些可为临床医生和研究人员提供有关诊断、个体化治疗和预后定位等领域的重要见解。
戴西件，艾思志