MRI观察无先兆偏头痛患者大脑活动异常

徐春阳,詹松华,谭文莉,赵 磊,张钰莹,孔营楠,杨玉婵*

(1.上海中医药大学附属曙光医院放射科,上海 201203;2.上海中医药大学附属龙华医院放射科,上海 200032)

偏头痛是神经内科常见慢性疾病,临床主要表现为反复偏侧性搏动样头痛;无先兆偏头痛(migraine without aura, MwoA)为其主要类型[1]。传统影像学检查难以显示MwoA患者颅内器质性病灶;功能MRI(functional MRI, fMRI)可显示异常大脑结构及功能活动模式,但难以通过肉眼辨别其异常影像学表征。利用机器学习算法模型可基于fMRI数据提取MwoA患者异常影像学特征信息[2-3]。本研究采用fMRI结合机器学习观察MwoA患者大脑异常活动。

1 资料与方法

1.1 研究对象 前瞻性纳入2021年7月—2023年1月上海中医药大学附属曙光医院50例MwoA患者(MwoA组),男23例、女27例,年龄19～35岁、平均(27.5±3.9)岁。纳入标准:①符合2013年国际头痛协会诊断MwoA标准[1];②年龄<40岁;③右利手;④近3个月头痛发作至少3次/月;⑤扫描前后3天内无偏头痛发作;⑥扫描前1个月无预防性使用止痛药;⑦无酒精及精神类药物滥用史;⑧无MR检查禁忌证,且检查时头动位移≤2 mm、旋转角度≤2.0°。排除标准:①合并头部外伤史、继发性头痛、紧张性头痛、间歇性头痛、丛集性头痛等;②合并高血压、高脂血症、糖尿病、心血管疾病、肿瘤等原发性疾病。同期招募46名健康志愿者(对照组),男19名、女27名,年龄18～35岁、平均(28.9±6.3)岁。纳入标准:同MwoA组②⑦⑧。本研究经院伦理委员会批准(2019-767-122-01),受试者均签署知情同意书。

1.2 仪器与方法 采用联影uMR 790 3.0T MR仪,配备32通道硬质头颅线圈。嘱受试者仰卧,行颅脑扫描;参数:平扫T1W1结构像,TR 7.2 ms,TE 3.1 ms,FA 10°,FOV 256 mm×256 mm,矩阵512×512,层厚1 mm,层数192;fMRI,TR 2 000 ms,TE 30 ms,FA 90°,FOV 224 mm×224 mm,矩阵64×64,层厚3.5 mm,层数33,体素3.5 mm×3.5 mm×3.5 mm,共采集240个时间点,每期扫描时间8 min。

1.3 量表评估 以视觉模拟量表(visual analogue scale, VAS)、抑郁自评量表(self-rating depression scale, SDS)及头痛影响测评量表-6(6-item headache impact test questionnaire, HIT-6)对MwoA患者进行评估;健康受试者仅接受SDS评估。VAS 0分:无头痛感;1～3分:轻度痛感;4～6分:中度痛感;7～10分,重度痛感。SDS>50分为存在抑郁倾向。HIT-6<50分为头痛对日常生活基本无影响;50～55分为存在一定影响;56～59分为存在较大影响,≥60分为造成严重影响。

1.4 数据处理 采用Matlab平台DPABI软件包进行数据预处理:①将数据转化为NIFTI格式;②去除前10个时间点的数据;③时间层校正;④头动校正;⑤空间标准化;⑥回归协变量;⑦带通滤波。采用DPABI软件中的时间动态分析(temporal dynamic analysis, TDA)工具包进行动态局部一致性(dynamic regional homogeneity, dReHo)处理,设定滑动窗口为50 TR、步长为1 TR,于每个窗口获得1帧ReHo图;计算所有ReHo图的方差进行图像标准化处理;之后以不同滑动窗口(55 TR、70 TR)及步长(20 TR、10 TR)参数进行结果验证。

1.5 机器学习算法 基于Python平台sklearn工具包构建算法模型:①提取 dReHo值具有组间差异的脑区团簇作为训练特征;②对数据进行归一化、标准化预处理,采用留一交叉检验(leave-one-out cross-validation, LOOCV)测试及验证数据集以降低模型过拟合风险;③将提取的训练特征纳入线性支持向量机分类器以构建模型;④绘制受试者工作特征(receiver operating characteristic, ROC)曲线,以曲线下面积(area under the curve, AUC)、分类平均准确率、敏感度及特异度评估模型分类效果;⑤采用网格搜索方法对支持向量机中的参数进行优化;⑥计算分类脑区的特征权重值;⑦计算10 000次置换检验结果,以确保模型分类的真实性。

1.6 统计学分析 采用SPSS 26.0统计分析软件。以±s表示符合正态分布的计量资料,行独立样本t检验;以χ2检验比较计数资料。采用SPM12对fMRI数据进行处理,以独立样本t检验比较组间dReHo值差异,以高斯随机场(Gaussian random field, GRF)对结果进行多重比较校正(体素水平P<0.005,簇水平P<0.05);对差异脑区dReHo值与临床量表行Pearson相关分析。P<0.05为差异有统计学意义。

2 结果

2.1 一般资料 2组受试者一般资料差异均无统计学意义(P均>0.05)。见表1。

表1 MwoA患者与健康受试者一般资料比较

2.2 dReHo分析 相比对照组,MwoA组左距状裂周围皮层、右枕中回、右距状裂周围皮层dReHo值增高,右颞中回、右额中回、左楔叶dReHo值减低(GRF校正,体素水平P均<0.005,簇水平P均<0.05)。见表2及图1。

图1 MwoA组与对照组dReHo值存在差异脑区图 (色带代表t值;红色-黄色表示 MwoA组dReHo值大于对照组,深蓝-浅蓝表示MwoA组dReHo值小于对照组)

表2 MwoA患者与健康受试者dReHo值存在差异脑区

设定窗口为55 TR、步长为20 TR时,MwoA组左距状裂周围皮层dReHo值升高,左楔叶及右额中回dReHo值减低(GRF校正,体素水平P均<0.005,簇水平P均<0.05);窗口为70 TR、步长为10 TR时,MwoA组双侧距状裂周围皮层dReHo值减低(GRF校正,体素水平P均<0.005,簇水平P均<0.05)。

2.3 相关性分析 MwoA患者左距状裂周围皮层dReHo值与SDS呈负相关(r=-0.28,P=0.04),其余差异脑区dReHo值与临床量表评估结果无明显相关(P均>0.05)。

2.4 支持向量机分类 权重分析显示,权重绝对值排名前3位脑区分别为右距状裂周围皮层、左楔叶及右枕中回;基于此构建的模型用于分类MwoA患者与健康人的准确率为88.54%、特异度为84.90%、敏感度为97.67%、AUC为0.84;10 000次置换检验显示其准确率及AUC的P均<0.001。见表3及图2。

图2 基于组间存在差异脑区dReHo值对MwoA患者与健康受试者进行分类的支持向量机ROC曲线

表3 MwoA组与对照组dReHo值存在差异脑区的特征权重值及坐标

3 讨论

线性支持向量机是常见机器学习分类算法,主要通过寻找一个超平面(在二维空间中为一条直线,在多维空间中则为一个超平面)分割不同类别数据点以实现分类;其算法模型具有运算速度快、可调参数少、鲁棒性较好、解释能力强等优势[4-5]。联合应用fMRI技术与机器学习算法模型可观察不同疾病状态下大脑神经活动特征,以之探讨偏头痛患者神经中枢机制已成为当前研究热点[6-7],且多基于静态fMRI。本研究采用动态fMRI分析,以滑动窗技术于短时间内获得受试者大脑活动信息,可较为真实地反映脑活动变化。dReHo技术窗口较短时可能出现大脑虚假波动,过长又难以捕捉大脑瞬时活动而影响数据真实性[8-10]。为此本研究以不同窗口进行多次验证,结果显示初始窗口下捕获的组间存在差异脑区分布较为满意。

本研究基于dReHo方法发现MwoA患者异常脑区活动主要集中在视觉皮层,以组间存在差异的视觉皮层相关脑区dReHo值构建的支持向量机模型进行分类效果较佳;上述脑区中,权重值绝对值最高者依次为右距状裂周围皮层、左楔叶及右枕中回。距状裂周围皮层属于初级视觉皮层,可接受并处理视觉信号、完成视觉信息的初步加工[11-12];枕中回、楔叶属于视觉联合皮层,接受并处理初级视觉皮层传递的视觉信息、完成视觉信息的上行性传递[13-15]。本研究结果表明,MwoA患者视觉信息上行传递通路紊乱,以距状裂周围皮层视觉信息传递至视觉联合皮层中的楔叶、枕中回障碍为主,使患者对视觉刺激信息过于敏感、视觉传递信息过载而降低视觉信息处理速度,引发畏光、视觉不适等症状。

距状裂周围皮层负责视觉信息初步加工。本研究结果显示MwoA患者左距状裂周围皮层dReHo值与SDS具有相关性,该区功能活动异常可能与丧失部分视力后,患者易产生负面情绪等有关。

综上所述,MwoA患者视觉信息上行传递通路存在异常,特别是右距状裂周围皮层、左楔叶及右枕中回。本研究的主要局限性:①样本量较小,且均来自单一中心;②影像学资料均来自同台MR设备,有待后续通过多中心大样本研究加以完善。

利益冲突:全体作者声明无利益冲突。

作者贡献:徐春阳撰写文章;詹松华经费支持;谭文莉指导;赵磊查阅文献;张钰莹统计分析;孔营楠修改文章;杨玉婵审阅文章、指导。