MRI在威尔逊病诊断及预后中的应用综述

吴雨童，胡 升，阚红星

（安徽中医药大学，合肥230012）

0 引言

威尔逊病（Wilson disease，WD）是典型的罕见常染色体隐性疾病，于1912年由Wilson首次定义[1]，其改变部位主要在肝脏和中枢神经系统中[2-4]。目前的研究认为WD的病因是铜转运P型三磷酸腺苷酶（ATP7b）的突变导致铜蓝蛋白含量较低，发展为铜代谢异常和随后的铜毒性积累[5]。

与许多神经代谢疾病不同，准确的诊断和适当的治疗可以治愈WD。影像学检查为确定WD的潜在机制和较早诊断提供了可能。早期影像学检查主要依靠电离辐射的使用，但这些成像方法均存在安全性问题，且不能灵活地将脑功能和结构可视化。MRI作为一种全面、非侵入性技术而被广泛应用到临床。MRI包含功能性磁共振成像（functional magnetic resonance imaging，fMRI）、结构性磁共振成像（structural magnetic resonance imaging，sMRI）、磁共振波谱（magnetic resonance spectroscopy，MRS）成像以及弥散张量成像（diffusion tensor imaging，DTI）等，这些技术涵盖了具有研究价值的大脑解剖图像、功能信息和代谢信息。近年来，MRI被用来研究WD的产生原因以及诊疗获得显著成果，如典型的MRI发现在脑桥、中脑和基底神经节的T2WI图像中存在对称高强度或混合强度（如图1所示）[6]，这已被用作WD临床诊断的标准之一。

图1 典型MRI的T2WI图像[6]

目前有部分研究对WD诊断方法进行了总结[7-8]，为后来的研究者提供了重要参考，但是文献主要集中于临床特征和实验室参数，如裂隙灯检查发现Kayser-Fleischer环、血清铜蓝蛋白水平<200 mg/L、尿铜水平>1.6μmol/24 h以及肝铜含量>250μg/g[9-10]。而对MRI技术应用于WD诊断及预后的最新研究成果有失详尽。因此，本文对MRI在WD诊断及预后中的应用进行系统综述，以讨论MRI技术目前存在的优势与不足，并针对这些不足提出展望。

1 fMRI在WD诊断及预后中的应用

近年来，随着MRI技术对脑神经活动相关研究的不断深入，针对颅脑内的神经影像和脑区功能的研究取得了一定的成果，已经在活体上证明MRI可以检测出血液中的氧含量。而不同神经元活动会导致局部脑氧耗量和脑血流变化的差异，引起磁场特性和信号的变化，通过比较不同时间脑组织信号强度的变化来反映大脑活动的MRI技术就是fMRI，又称血氧水平依赖功能性磁共振成像（blood oxygen level dependent-fMRI，BOLD-fMRI）[11]。fMRI主要包括2种，即任务态功能性磁共振成像（task-state fMRI，ts-fMRI）和静息态功能性磁共振成像（resting-state fMRI，rs-fMRI）。rs-fMRI与ts-fMRI相比不需要特定任务刺激，检查方式等同于普通MRI，且结果相对稳定可靠，因此在基础和临床神经科学研究中被广泛应用。

与其他影像学技术相比，fMRI除了可以提供更详细的解剖信息和具有特异性外，对解释WD的神经和临床症状的潜在机理也有优势。如Hu等[12]采用rs-fMRI来观察WD患者低频波动幅度（amplitude of low-frequency fluctuations，ALFF）的频率依赖性变化，发现铜的积累损伤呈现频率依赖性。Zhou等[13]利用rs-fMRI发现在WD患者中，丘脑的左右ALFF值和区域均匀性（regional homogeneity，ReHo）值显著不同，表明WD患者的神经症状不对称可能是由于两侧半球中神经元功能运动的不对称引起。WD患者的典型MRI脑神经影像显示基底神经节[如图2（a）所示]、额回[如图2（b）所示]、小脑[如图2（c）所示]、枕状回[如图2（d）所示]中存在脑萎缩[14-15]。然而由于WD的临床表现多样，在影像学表现上存在与典型发现不一致的结论，如Alanen等[16]研究发现WD患者的MRI显示后丘脑信号强度高，但基底神经节、小脑等常见改变脑区没有异常表现。rs-fMRI同时可用于建立功能网络连接，表明相关功能脑区之间是否存在连接关系和连接关系的强度。Han等[17]利用rsfMRI研究了WD患者的功能性脑连接模式，基于后扣带回皮层作为种子点的功能连接性分析显示WD患者默认网络的局部和全局网络效率降低。这表明rs-fMRI可以探索WD的神经机制，从而进行特定的药物或行为疗法来调节默认网络内改变的功能连接，使改变的网络效率得以恢复。

图2 WD患者的典型MRI影像显示脑萎缩[14-15]

Prashanth等[18]对100名锥体外系疾病患者进行fMRI检查，发现所有WD患者均有异常fMRI信号改变，且仅在WD患者中观察到弥漫性萎缩和白质信号变化（如图3所示）。这是首个发现并提出有关白质信号改变的研究，但这不能准确地表现出白质结构完整性和连续性变化。所以除了普通灰质影像检查外，一些白质影像检查，如DTI技术也在WD诊断及预后中使用。

图3 WD患者T2WI图像显示白质信号变化[18]

2 DTI在WD诊断及预后中的应用

DTI是一种新型、无创的MRI技术，提供了常规MRI技术无法获得的图像对比度和独特的白质信息来间接地评估脑白质结构的完整性和连续性变化[19-20]，现已成为脑研究以及临床实践中最流行的MRI技术之一。其后处理产生多种图像观测指标，如各向异性分数（fractional anisotropy，FA）、平均弥散率（mean diffusivity，MD）、径向弥散率（radial diffusivity，RD）、轴向弥散率（axial diffusivity，AD）（如图4所示）[21]以及反映弥散敏感梯度方向上的水分子位移强度的表观弥散系数（apparent diffusion coefficient，ADC）[22]。

图4 DTI的观测指标图[21]

DTI可以在常规MRI的异常信号出现之前提供WD患者脑损伤的信息，正如Sinha等[23]对WD患者信号变化的总结发现，WD患者早期的总体异常以萎缩和/或信号改变的形式出现。典型的DTI分析显示了组织显微结构改变的标志，即MD增加，FA降低，即使在T2WI图像上具有正常信号的丘脑中也是如此。如Li等[24]首先利用MRI按15例丘脑信号异常WD患者、18例丘脑信号正常WD患者和15名健康志愿者分组，随后用DTI技术测量并比较不同组之间丘脑的FA值。发现3组丘脑的FA值互不相同，均具有统计学差异。WD患者有时也会表现出认知障碍，先前利用MRI发现WD患者的认知障碍与基底节核MRI信号高强度有关[25-26]。但是，某些类型的WD在MRI中没有明显的征象，因此Dong等[27]利用DTI技术进行更准确的定量测量，表明WD患者的认知障碍还受到白质损伤的影响，这一发现有助于识别和理解WD认知异常的生理机制。DTI指标还可以作为WD医学治疗开始后评估临床状况的替代指标。Lawrence等[28]对35例WD患者进行至少1 a的连续脱铜治疗，并对其临床特征和包括DTI在内的MRI进行连续评估。采用基于白质骨架的空间统计分析（tract-based spatial statistics，TBSS）方法发现DTI参数都有显著改善，即MD、AD和RD值降低，FA值增加（如图5所示）[28]，该发现表明WD患者在脱铜治疗中表现出临床状况改善，并伴有DTI指标改善。因此研究WD的脑DTI各项指标变化不仅有助于WD的临床诊断，还可以更好地反映WD患者进行临床干预后脑内的铜代谢变化，从而判断治疗手段的有效性。

图5 TBSS分析比较WD患者的初始和随访DTI成像[28]

3 fMRI和DTI融合技术在WD诊断及预后中的应用

fMRI和DTI融合技术的出现在一定程度上提高了WD等疾病诊断的准确性。临床或认知神经科学领域的专家充分利用两者的优势，从大脑结构和功能方面对WD患者的脑机制进行了研究，表明fMRI和DTI融合技术能够在WD患者脑神经网络发生形态学改变或者出现临床症状前就提示脑组织微结构及脑功能的改变。

例如韩永升[5]对24例WD患者采用BOLD-fMRI发现，WD患者的默认模式网络和额-顶注意网络连接强度普遍弱于健康志愿者。随后采用基于体素的全脑配准分析（voxel-based morphometry，VBM）方法来分析DTI指标的FA值，发现WD患者在丘脑、胼胝体、扣带回、中脑、海马旁回、小脑前叶、小脑后叶等脑区的FA值与健康志愿者相比明显减低，其中胼胝体及扣带回部位改变在以往的MRI研究中没有被发现。可认为这些脑区中的脑灰质和白质异常表现共同导致了脑网络功能连接异常，进而影响了临床表现。与上述研究类似，Zhao等[11]从rs-fMRI研究中发现了神经元功能运动的不对称性，同时利用DTI来研究纤维束的投射，同样发现多处脑区的纤维投射不对称，这进一步表明脑内神经元结构和功能的不对称性可能是WD患者运动不对称的主要原因。Dong等[27]利用fMRI和DTI融合技术进行脑部检查，证明患有WD的青少年白质受损，并且主要分布在皮质下脑区域，这项实验不仅评估了fMRI征象与以往研究发现一致，还通过探索认知功能与脑FA值变化之间的相关性，进一步证实了脑网络异常如何影响WD患者的认知功能。这些研究表明fMRI可以直接构建全脑功能连接网络，进行功能连接分析，以观察WD患者网络受损的神经机制。当DTI技术与功能性脑网络相结合时，可进一步为大脑的全面、无创、功能和解剖映射提供一种更强大的工具，有助于识别和理解WD的生理机制与临床表现。

4 MRI的其他影像学技术在WD诊断及预后中的应用

除BOLD-fMRI和DTI技术外，MRI还包括诸如sMRI、MRS和动脉自旋标记（arterial spin labeling，ASL）等影像技术，可为脑研究提供脑结构、中枢神经系统代谢、微血管灌注等多方面信息。

既往研究显示，WD患者除了颅内信号异常外，有时也会伴有不同程度的脑萎缩改变，甚至有些患者仅仅表现为脑萎缩改变[18，29]。MRI技术的发展为评估活体脑结构及功能的变化提供了新的契机。黎规典等[30]对50例脑型WD患者的T1WI图像进行评估，发现脑萎缩多呈弥漫性，多为大脑、小脑及脑干等部位，认为MRI表现与临床症状具有一定的相关性。而唐业斌等[29]观察的78例颅脑sMRI影像异常的WD患者中约有59例患者存在脑萎缩改变，其中6例患者仅仅表现为脑萎缩，但其研究结果显示MRI表现与病程及临床症状之间没有显著相关性。张春芸[31]利用sMRI技术观察到WD患者在双侧尾状核、苍白球、丘脑背内侧核、小脑半球及脑桥基底部等部位较健康志愿者均有明显的灰质体积减少，但是其研究结果与临床症状之间也没有显著相关性。由此可见sMRI单独使用时一般不具有临床意义，因此常作为辅助工具与其他影像学技术结合对WD患者进行检查。

在静息脑中，脑血流量（cerebral blood flow，CBF）与葡萄糖利用、耗氧和有氧糖酵解密切相关。既往研究利用CT，如正电子发射断层成像（positron emission computerized tomography，PET）和单光子发射计算机断层成像（single-photon emission computed tomography，SPECT），已经揭示了WD患者前额叶皮质、枕叶皮质、小脑、纹状体和丘脑的葡萄糖消耗和低灌注代谢率降低[32-34]。然而，这2种技术都是侵入性的，获取时间长、空间分辨力低。ASL凭借其非侵入性和快速成像的特点，已被广泛用于评估包括动脉闭塞性疾病在内的脑血管疾病，还被用作阿尔茨海默症和帕金森病等其他疾病神经元代谢的生物标志物。Hu等[35]首次通过结合BOLD-fMRI和ASL技术来探索WD患者中改变的功能连接强度（functional connectivity strength，FCS）和CBF耦合，发现神经元代谢的生物标志物CBF-FCS相关性的减少主要发生在感觉加工和运动调节的区域，而增加则发生在认知控制和情绪调节的区域。该结果揭示了WD中CBF与FCS之间的异常耦合，提高了研究者从神经血管耦合的角度对WD神经机制的认识。

MRI中的质子密度加权像（proton density weighted image，PDWI）在显示神经病理学程度方面具有较高的敏感性和特异性。Page等[14]首先利用fMRI选择纹状体作为感兴趣体素区，其次进行氢质子MRS（1H-MRS）研究，显示与年龄匹配的其他患者相比，具有神经功能性WD患者的N-乙酰天门冬氨酸和N-乙酰天冬氨酸谷氨酸减少。另外还有一些先进的检查手段和方式也在WD临床诊断中应用。Das等[36]观察18例WD患者的运动诱发电位（motor evoked potential，MEP）、体感诱发电位（somatosensory evoked potential，SEP）、视觉诱发电位（visual evoked potential，VEP）和脑干听觉诱发电位（brainstem auditory evoked potential，BAEP）变化以及MRI改变，发现MEP异常占35.7%、SEP异常占30.8%、VEP异常占57.0%、BAEP异常占61.5%。在过去的几年里，磁化率加权成像（susceptibility weighted imaging，SWI）也成为MRI常规诊断的一部分。Fritzsch等[37]利用定量磁化率图谱比较健康志愿者和WD患者的磁化率细微变化区别，发现所分析区域如苍白球、壳核、尾状核部分磁化率均显著提高。这些研究均反映了MRI技术有助于深入理解WD的潜在生理机制。

5 基于fMRI的机器学习分析在WD诊断及预后中的应用

以往的单变量研究均旨在检验WD患者和健康志愿者之间某些大脑区域是否存在结构或功能性差异，而不是检验差异是否可以用于临床。因此机器学习作为一种新型数据驱动的技术已广泛应用于神经影像领域。支持向量机（support vector machine，SVM）是一种常用的建立分类器的机器学习方法，能够根据从训练样本学习获得的决策边界来预测新样本的类别。目前基于神经成像数据的SVM方法已经成功应用于阿尔茨海默症和精神分裂症患者的自动分类，并获得中度到高度成功（60%～100%的分类精度）[38]。Wang等[39]通过参数ReHo成功在48例精神分裂症患者和31名健康志愿者的rs-fMRI中正确分类了71个受试者，准确度为90.14%。Chen等[40]利用sMRI以脑体积差异成功区分精神分裂症患者和健康志愿者，准确率达到85%以上。这些研究表明异常区域中结构和功能参数可能用作潜在的成像生物标记物，以识别神经活动异常患者。这为WD的临床诊断提供了新的方向和思路。

但是目前机器学习在WD诊断及预后中应用的报道非常少。Saba等[41]提出可以利用WD遗传学的背景，基于机器学习技术对WD进行精确分类，与图像数据类似，基因数据也经过了预处理，分为训练和测试数据后提取特征。结果显示分类精度可达93.59%，这表明机器学习技术对精确检测和有效治疗WD有着重要作用。Jing等[42]基于rs-fMRI数据利用SVM技术和独立的成分分析方法对30例WD患者和26例健康志愿者进行分类，WD患者与健康志愿者相比，改变了大规模的功能性脑网络，包括背侧前扣带回皮质、基底节网络、额中回、背侧纹状体、顶叶下小叶、楔前叶前叶、颞极和小脑后叶，在这些网络的基础上建立的分类模型区分WD患者和健康志愿者，通过交叉验证和置换检验得出准确率高达86.9%（特异度为86.7%、敏感度为89.7%）。这项研究揭示了基于机器学习技术的影像学图像分类在WD预测中潜在的作用，表明神经影像学与机器学习的结合有助于为神经性WD的临床干预开辟新途径。

6 结语

WD的患病率为4/100万～30/100万，与其他常见的神经退行性疾病（例如阿尔茨海默症或帕金森病）类似，学者们对WD的特征和病因学有着开创性的研究。但不同的是如果在早期给予WD患者准确的诊断和及时的治疗，基本上可以治愈。MRI技术应用在WD患者的诊断以及康复治疗取得了显著的成效，但也有其局限性。首先，由于WD的罕见性，研究多在小样本中进行，限制了研究结论的广泛性。其次，WD的各种影像学技术的表现复杂多样，目前国内外仍缺乏全面且公认的用于鉴别WD的神经影像学参考指标。同时，尽管基于MRI技术已经发现WD患者与健康志愿者之间脑结构和功能存在广泛差异，但单变量分析结果无法在个体上进行鉴别诊断，因此临床应用价值也不高。面对上述挑战，结合脑神经科学的发展趋势和实际需求，今后该领域的发展方向包括以下几个方面。

（1）多模态脑影像信息融合：目前大脑成像技术包括fMRI、DTI、PET和脑电图等。由于每种大脑成像数据只能从一个方面反映出大脑的某种特征，所以多模态脑影像信息融合的识别方法可以充分利用每种模态数据的优势，有效解决WD样本量不足的问题，从而有望勾勒出最佳的脑时空信息。从前文可以看出一些研究已经使用多模式脑影像信息融合方法来全面了解WD，有助于进一步阐明WD的病理表现和评估病情程度。但这类方法尚处于初步探索阶段，应进一步深入研究。

（2）准确识别个体脑的形态和功能：基于MRI得到的特征，利用机器学习分类健康志愿者和其他神经退行性疾病患者的研究方法已经在识别精度和效率上均得到了显著提高。MRI与机器学习方法相结合的成功范例为识别WD患者的临床研究提供了新思路，两者的协同发展与创新对于评估WD具有非常重要的理论意义。

MRI可以揭示WD的生理和病理机制，对评估疾病的演变和病因具有重要意义。本文在查阅大量文献的基础上，对当前WD脑影像的研究现状与进展情况作了较为全面的综述，以期为脑神经科学在WD中的研究与应用提供参考和研究思路。未来MRI在WD中的应用应向多模态、个体鉴别诊断方向发展。相信随着更多科研人员对WD的深入研究，脑影像诊断将具有广阔的应用前景。