基于fMRI动态低频振幅应用于帕金森病辅助诊断研究

赵厚亮 张 超 唐 海 沙静云 夏莹莹 蔡璐璐 张 贺

帕金森病（Parkinson's disease，PD）的诊断主要依赖临床症状，且作出诊断时患者已经处于中晚期，失去早期干预的机会［1］。PD的早期诊断，有利于指导临床及时干预，延缓疾病进程，提高患者生存质量。

静息态功能磁共振成像（fMRI）在脑科学研究中颇受关注，在PD的神经机制探索中作出了一定的贡献［2-3］。近年的报道［4-5］显示，静息态fMRI的动态分析法可有效描绘一定时期内大脑自发活动的时间属性，在PD等神经系统相关疾病的研究中发挥重要作用。支持向量机（support vector machine，SVM）是使用最广泛的监督机器学习方法之一，借助SVM能够实现高精度的个体水平疾病分类和评估［6］。因此，本研究借助SVM，基于静息态fMRI的动态低频振幅（dynamic amplitude of low‑frequency fluctuations，

dALFF），探索对PD与健康对照（healthy controls，HCs）的分类，以期辅助早期诊断PD。

方 法

1. 临床资料

本研究纳入徐州医科大学附属医院2016年5月至2019年12月神经内科24例住院PD患者。所有患者接受MRI检查及临床帕金森病评定量表、蒙特利尔认 知 量 表 （Montreal cognitive assessment，MoCA）的评估。患者入选标准：①经临床确诊的早期PD患者，符合英国脑库制定的PD诊断标准［7］；②无精神疾病或其他神经系统疾病史；③所有PD患者均接受常规药物治疗、且对药物治疗反应明显，从未接受其他任何方式治疗。排除标准：①MRI发现的脑实质病变（如外伤、中风、肿瘤和感染）；②有滥用药物史；③精神疾病史；④MRI禁忌证。在招募患者期间，择时纳入24名年龄和性别匹配的健康志愿者作为健康对照。所有受试者均为右利手。

2.MRI数据采集

所有受试者在3.0 T MRI（GE Medical Systems，Signa HD，Waukesha，WI）接受血氧水平依赖（BOLD）序列扫描，使用8通道头部线圈。扫描过程中，使用泡沫垫固定受试者的头部，受试者均佩戴耳塞以减少扫描过程中噪声影响。告知患者在扫描过程中闭眼、保持清醒状态。采用回波平面成像（EPI）序列获取静息态BOLD图像，其扫描参数：重复时间2 000 ms；回波时间30 ms；视野220 mm×220 mm；层度3 mm；层间隔1 mm；体素3.4 mm×3.4 mm×4.0 mm；采集36层；翻转角90°，每位被试者扫描185个时间点。

3.fMRI数据处理和统计分析

3.1 fMRI数据预处理

基于MATLAB 2013b平台，利用北京师范大学神经认知实验室开发的静息态fMRI数据处理助手（Data Processing & Analysis of Brain Imaging，DPABI；http：//www.rfmri.org/dpabi） 软件包对所有被试数据进行预处理［8］。主要步骤：①DICOM数据格式转换为NIFTI格式；②去除每个被试数据的前10个时间点，对剩余的175个时间点数据的时间层校正；③通过Friston‑24模型头动校正，剔除头动位移>1 mm、旋转角度>1.0°的被试；④回归协变量：包括Friston‑24头动参数、脑脊液信号和白质信号；⑤空间标准化；⑥数据平滑；⑦带通滤波（0.01~0.1 Hz）。

3.2 动态ALFF分析

利用DPABI软件的时间动态分析（Temporal Dynamic Analysis，TDA）工具包计算dALFF。动态分析采用滑动窗技术，参考之前我们研究中窗口设置方案［9］，本研究中滑动窗长度设置为50个时间点，步长为1个时间点。因此，每个预处理后的被试数据175个时间点可得到126个滑动窗。进一步计算所有窗口中全脑每个体素的ALFF值的标准差，得到dALFF。此外，通过计算ALFF标准差与ALFF平均值的比值获取dALFF的变异系数，以评估ALFF的变异程度。

3.3 支持向量机分析

基于MATLAB 2013b平台，利用神经影像模式识别工具箱（Pattern Recognition for Neuroimaging Toolbox，PRoNTo） 软件 包 （http：//www.mlnl.cs.ucl.ac.uk/pronto/prtsoftware.html）对PD组及HCs组被试的全脑dALFF特征进行分类训练与测试。采用该软件包中的SVM分类器，分类模型应用留一法交叉验证 （leave‑one‑out cross‑validation，LOO‑CV）。LOO‑CV是贝叶斯模型比较常见的一种方法，每一次计算中把每个样本单独作为验证集，其余N-1个样本作为训练集，每一回合中几乎所有的样本皆用于训练模型，用这N个模型最终的验证集的分类准确率的平均数作为LOO‑CV分类器的性能指标，评估所得的结果比较可靠。对分类结果评价采用分类精度、ROC曲线及曲线下面积（AUC）评估。同时，我们使用置换检验来评估分类精度的统计显著性，置换检验测试重复5 000次，每次分类器将PD组和HCs组的标签随机重新分配给训练对象，并重复整个分类过程，最终计算获得统计显著性P值。最后，基于AAL模板计算全脑中每个脑区分类特征的权重值，获得每个脑区的权重系数以及体素大小。

3.4 统计学分析

利用双样本t检验分析PD组与HCs组间年龄差异，采用卡方检验计算性别的组间差异。本研究中我们提取了分类特征权重值排列前5/116的脑区（基于AAL脑模板），使用两样本t检验计算PD组与HCs组间dALFF变异系数差异。利用偏相关分析，以年龄和性别为协变量，计算分类特征权重值排列前5且具有统计学差异脑区dALFF变异系数和疾病持续时间的相关性（P<0.05）。

结 果

1. 临床资料结果

所有患者及健康对照的临床资料见表1。24例PD患者（男14例，女10例）平均年龄（58.08±8.75）岁。24例HCs（男13例，女11例）平均年龄为（57.91±6.14）岁。PD与HCs组间年龄（t=-0.76，P=0.94）、性别（χ²=0.09，P=0.77，）及MoCA得分没有显著性差异（t=1.75，P=0.09，）。

表1 帕金森患者与健康对照者临床数据

2. 分类结果

使用LOO‑CV的线性SVM分类器对PD组与HCs组进行分类的精度为93.75%，AUC为0.99，灵敏度95.83%，特异度91.67%（P=0.000 2，非参数置换检验），详见图1。分类特征权重值排列前5的脑区分别为左侧楔前叶、左侧小脑后叶、右侧小脑前叶、右侧小脑后叶、右侧楔前叶（图2）。

图1 基于dALFF特征的SVM对PD和HCs分类结果的ROC曲线

图2 PD与HCs分类权重排列前5的脑区映射图

3.动态ALFF组间差异以及与临床病程相关性

分类权重值排列前5的脑区的2组被试dALFF变异系数散点图（图3A~E）。与HCs相比较，PD出现双侧楔前叶dALFF的变异系数增加（P<0.05），而双侧小脑后叶、右侧小脑前叶dALFF变异系数差异无统计学意义（P>0.05）。此外，我们发现左侧楔前叶dALFF变异系数与疾病病程呈正相关（r=0.645，P=0.001；图3F）。

图3 PD组与HCs组dALFF变异系数散点图（A~E）及dALFF变异系数与疾病病程相关分析（F）

讨 论

本研究率先使用全脑dALFF作为分类特征实现PD与HCs分类并发现：①基于全脑dALFF区分PD和HCs具有较高的准确性；②PD患者左侧楔前叶dALFF变异系数与病程存在紧密联系。

既往有报道利用SVM分类器探索辅助诊断PD可行性。如基于临床特征以及常规影像学指标为分类特征的研究中，利用SVM辅助诊断PD准确率达92.71%，然而该研究中利用的参数较多，操作不够简易，难以在临床广泛开展实际应用［10］。另有报道基于静息态自发脑活动（ALFF及ReHo）对PD于HCs的分类精度达91.75%（灵敏度96.15%、特异度86.67%）［11］，该研究取得了相对满意的分类效果，但特异性相对不够满意。ALFF被认为是测量局部大脑活动的有效方法［12］，并广泛应用于神经系统及精神疾病的研究。将ALFF与滑动窗口方法相结合进一步挖掘大脑自发脑活动的时间变化属性，更加客观地反映大脑活动的变化规律，对于疾病神经机制的探索具有重要价值。相较于之前研究，我们使用dALFF作为分类特征，取得了较高的精确度、灵敏度及特异度。该研究结果或许能为PD的临床辅助诊断提供帮助。

本研究发现具有较高分类特征的脑区（排名前5）分布在双侧楔前叶、双侧小脑半球。研究发现小脑在PD的发病早期已发病理变化［13］，常规MRI检查难以发现能够早期诊断PD的小脑特异性征象。也有报道基于弥散张量成像（DTI）检测小脑半球白质的微结构变化，对于PD诊断具有一定价值，但是仍然低于本研究的诊断性能，小脑dALFF特征在PD与HCs分类中权重较高，进一步说明小脑对于鉴别PD与HCs具有重要价值。

我们进一步发现，与HCs组相比较，PD组双侧楔前叶dALFF变异系数显著增加，说明PD患者自发脑活动的变异程度增大。楔前叶被认为是PD病变的关键脑域，是PD病理发生及发展过程中的一个易损结构。而左侧楔前叶相比较其他脑区具有较高的静息态代谢率，比静息状态下的其他大脑区域多消耗约35%的葡萄糖［14］。一项18F‑FDG PET研究发现PD患者左楔前叶的代谢能力会随着疾病的进展而减弱［15］。在我们的研究中，发现左侧楔前叶在所有分类权重中排名第一，且左楔前叶dALFF变异系数与PD病程呈正相关。这意味着随着疾病时间的延长，变异程度显著增加，反映了整个扫描期间左侧楔前叶自发脑活动的不稳定性。结果再次表明，左侧楔前叶是参与PD疾病进展的重要结构，对于疾病的识别具有重要价值。

本研究存在以下的局限性。首先，尽管患者在停药状态下接受了fMRI扫描，但不能完全排除长期药物治疗的影响。其次，本研究头动控制较为严格，也导致样本量相对较小，未来的研究应该扩大样本量，并进一步增加外部验证病例。最后，我们的研究中也只提取排列前5的脑区，这样可能会掩盖一部分具有显著性差异脑区。然而，本研究目的主要是针对PD与HCs的分类研究，在今后我们会进一步开展相关研究。

总之，本研究基于SVM分类器，首次利用dALFF作为特征对PD和HCs进行分类，并取得了较为满意的分类效果。此外，研究发现左侧楔前叶dALFF的变异系数与病程存在紧密联系，或许有助于我们从新的角度理解PD的疾病发展。