基于MRI影像组学和机器学习诊断抑郁症研究进展

祁 纳,赵 军

(同济大学附属东方医院核医学科,上海 200123)

抑郁症可严重影响患者社会功能及其生活质量,2008年被WHO列为加重全球疾病负担排名第三位,预计至2030年将排名第一[1];其临床表现包括情绪低落、思维迟钝、精力不足等,患者自杀死亡率高达15%～25%[2]。目前主要依赖2种分类诊断量表系统,即精神障碍诊断统计手册和国际疾病分类诊断抑郁症[3],但当抑郁症呈现为多种症状组合时,初级筛查易漏或误诊[4]。寻求更为客观的评价标准是临床诊治抑郁症中亟待解决的问题。

MRI软组织分辨率高,利用T1WI、弥散张量成像(diffusion tensor imaging,DTI)及静息态功能MRI(rest-state functional MRI,rs-fMRI)可获得脑灰质/白质结构、白质纤维束完整性及静息态或任务态脑功能等信息。传统神经影像学方法多针对群体进行分析。基于机器学习(machine learning,ML)的影像组学模型可用于个体水平研究,更适用于临床实践[5-6]。本文对基于MRI影像组学和ML诊断抑郁症研究进展进行综述。

1 影像组学定义

影像组学通过将医学影像学图像转化为定量特征而获取高通量数据,并利用表征算法建立诊断模型[7];其分析过程如下:于二维或三维图像所示病灶区域后以人工/半自动分割ROI,软件于其中自动提取数百甚至上千个特征,以形状特征、直方图特征及纹理特征最为常见[8];筛选特征后借助卷积神经网络(convolutional neural network,CNN)、随机森林(random forest,RF)、决策树及支持向量机(support vector machine,SVM)等算法构建预测模型,再以测试集和/或外部数据集加以验证,或以交叉验证评估模型效能并进行比较,以得出最优预测模型[9]。

2 T1WI

传统结构MRI研究[10]显示,抑郁症患者多个脑区灰质体积不同程度缩小。王露莹等[11]对抑郁症、亚临床抑郁症患者及健康人行颅脑MR检查,于T1WI提取116个影像学特征并构建SVM模型,结果显示该模型鉴别抑郁症与健康人的准确率为86.51%,其间颞极为主要差异脑区;鉴别亚临床抑郁症与健康人的准确率为72.74%,小脑蚓部为主要差异脑区。小脑蚓部对于调节情感、情绪和认知具有重要作用[12]。国外研究[13]发现,重度抑郁症患者脑灰质结构体积下降主要集中于前额叶及颞叶;基于体素形态学分析(voxel-based morphometry,VBM)-基于特征形态测量(feature-based morphometry,FBM)-SVM模型诊断重度抑郁症的准确率高达90.3%。值得注意的是,引入FBM可使VBM-SVM模型诊断准确率提高约5%。另一项基于SVM模型的研究[14]发现,将二维深度学习网络提升至三维后,模型诊断准确率从69.96%升至76.53%;进一步加入迁移学习方法后,诊断准确率升至77.42%。随着ML技术的进步,模型的诊断效能在一定程度上有所改善,加速了客观诊断抑郁症的发展;但不同研究之间对提取及筛选特征数量、所用提取技术等存在差异,可能导致结果偏差,有待未来通过标准化加以完善。

部分抑郁症患者存在不同程度自杀倾向,准确识别此类患者对于及时采取针对性干预措施并预防危险行为具有重要意义[15]。HONG等[16]基于T1W结构像构建的SVM递归特征消除(recursive feature elimination,RFE)模型识别有自杀企图与自杀意念的青少年抑郁症患者的敏感度、特异度及准确率分别为73.17%、84.00%及78.59%,并发现右侧眶回和左侧梭状回厚度与自杀企图呈负相关。HU等[17]于重度抑郁症患者脑灰质、白质及脑脊髓液区域体积中提取特征建立的CNN模型用于区分有、无自杀企图及自杀意念抑郁症患者的敏感度和准确率均超过70%,且同样发现右侧直回和左侧梭状回对模型分类具有重要作用。上述研究结果提示,特定脑区可能与自杀相关强烈情绪冲动存在密切关联;基于ML的T1WI影像组学对于评估抑郁症亚分类具有一定潜力。

3 DTI

DTI技术可通过各向异性分数(fraction anisotropy,FA)、平均弥散系数(mean diffusivity,MD)、轴向弥散系数(axial diffusivity,AD)及径向弥散系数(radial diffusivity,RD)等参数观察脑白质纤维束完整性。传统DTI研究[18-19]结果显示,大脑皮层和皮层下区域白质连接异常是抑郁症进展的重要因素之一。

FANG等[20]以ML技术建立的SVM模型诊断重度抑郁症准确率高达91.7%,且发现抑郁症组与健康对照组的差异主要体现在前者皮质-边缘网络白质纤维束连接增加,而皮质-边缘系统与情绪加工和调节[21],以及情绪反应对刺激的处理[22]密切相关;并以概率纤维束追踪技术和全脑区域解剖连接方法进一步证实抑郁症组全脑白质纤维束连接强度明显增高。SCHNYER等[23]行体素级别纤维束空间统计分析,发现相比正常人,重度抑郁症患者右侧胼胝体FA及右侧前丘脑辐射区域AD均较低;分别基于FA、MD、AD及RD构建SVM模型,结果显示基于FA图、尤其右侧大脑FA图模型的诊断效能最高,提示右侧大脑半球白质纤维束连接异常可能与抑郁症有关。XUE等[24]基于大脑46个ROI的FA构建的SVM-RFE模型评估验证集抗抑郁治疗效果的准确率为70%,提示DTI影像组学可为个体化治疗抑郁症及相关生物标志物研究奠定基础,提供更多信息帮助临床决策。

4 rs-fMRI

rs-fMRI能克服任务态MRI中的多种不可控因素,已广泛用于研究神经退行性疾病;其常用算法包括基于种子区域的功能连接(functional connectivity,FC)、独立成分分析(independent component analysis,ICA)、低频振幅(amplitude of low frequency fluctuation,ALFF)及局部一致性(regional homogeneity,ReHo)等[25]。抑郁症所致脑网络异常多集中于默认网络及前额叶-杏仁体-内侧丘脑情绪调节通路[26]。

有学者[27]于抑郁症患者rs-fMRI数据中提取多尺度影像学特征建立SVM模型并以之进行分类,发现该模型鉴别抑郁症与亚临床抑郁症、抑郁症与健康人的准确率高达96.77%;其中,具备高鉴别能力的特征均与默认网络、额顶叶网络、情感网络及视觉网络呈强相关。CHEN等[28]基于全脑FC构建的SVM模型鉴别抑郁症患者与健康人的准确率为88.50%,其用于对抑郁症患者进行自杀风险分层的准确率为74.60%～84.56%。

基于rs-fMRI影像组学模型诊断抑郁症的效能往往高于T1WI及DTI影像组学模型。相比MRI所示结构特征,目前广泛认为观察静息态神经活动能获得更为丰富的信息;但一项任务态功能MRI研究[29]构建的ML模型鉴别亚临床抑郁症患者与健康人的准确率仅为77%,提示静息态全脑神经活动特征可能更适用于区分抑郁症患者与健康人。

5 多模态MRI

单序列影像组学分析难以明确生物标志物,而多参数成像可同时获得颅内结构及功能信息。一项多中心研究[30]对抑郁症患者与健康人同时采集结构和功能MRI,提取其FC、ALFF、ReHo及灰质体积共4种影像学特征并以不同组合加以排列,结果显示以FC、ALFF和灰质体积共同构建的分类器模型诊断抑郁症效能最高,其准确率及AUC分别为84.4%及0.916。MA等[31]针对抑郁症患者、亚临床抑郁症患者及健康人提取T1WI及DTI特征构建的RF模型鉴别抑郁症与健康人的准确率及AUC分别为86.75%及0.93,但鉴别亚临床抑郁症与健康人、亚临床抑郁症与抑郁症患者的AUC仅为0.66～0.69,可能系未引入rs-fMRI、缺失功能信息所致。LI等[32]基于T1WI、DTI及rs-fMRI构建多模态影像组学模型,所获影像学征特主要源于认知控制网络、视觉网络、默认网络及皮层下网络,以之诊断抑郁症效能良好(AUC为0.936),并能准确预测抑郁症患者自杀风险(r=0.691)。

相比单序列影像组学模型,具有多序列神经成像特征的影像组学分类器具有较高诊断效能,提示不同脑网络序列提供的疾病相关信息可以相互补充。

6 小结与展望

MRI影像组学和ML可为探索抑郁症患者大脑病理生理学改变提供大量信息,为个体化诊疗抑郁症奠定了客观的神经影像学基础。目前,T1WI、DTI及rs-fMRI均为影像组学研究抑郁症最常用序列;T2WI、液体衰减反转恢复序列及增强T1WI等其他序列可能具有提高诊断效能的潜力,目前研究尚不充分。未来应通过整合多参数MR序列并结合血液生化、遗传、基因表型等临床资料,建立更为精准的模型用于生物学诊疗抑郁症。

利益冲突:全体作者声明无利益冲突。

作者贡献:祁纳查阅文献、撰写和修改文章;赵军经费支持、审阅文章。