网站首页 > 新闻中心 > 脑科学新闻
联系方式
手机:18580429226
联系电话:023-63084468
联系人:杨晓飞
联系邮箱:syfmri@163.com
联系地址:重庆市渝中区青年路38号重庆国际贸易中心2004#
信息内容
Annals of Neurology :脑血管健康相关的MRI标记物在认知衰退中的应用
发布者:admin 发布时间:2020/2/8

近些年Aβ和tau相关PET的运用为探究全身血管健康与大脑健康的关系提供了很好的途径。本研究旨在寻求早期脑血管健康相关的MRI影像标记物(包括结构、灌注、白质微结构完整性)。来自梅奥医学中心的研究者使用两个独立的样本,通过既往病史(高血压、高脂血症、心律失常、冠状动脉疾病、充血性心力衰竭、糖尿病和中风)总结被试心血管和代谢状况(CMC)来确定其血管的健康程度。利用多元回归模型,分析CMC与脑健康之间的关系,并控制年龄、性别、教育/职业和AD病理(Aβ和tau)等因素。研究者发现全身血管健康与内侧颞叶皮质变薄、广泛的脑低灌注和白质微结构破坏(主要包括胼胝体和穹窿等纤维束)密切相关。进一步的研究表明,胼胝体膝部的微结构完整性可以用于脑血管健康的早期评估在独立样本中可进行验证,而且预测认知的能力高于Aβ沉积指标。最后,研究者总结全身血管健康状况对大脑结构和功能有显著影响,早期脑血管健康相关的MRI标记物独立于AD病理指标,可预测认知衰退。

 

研究背景:随着年龄增长,血管健康显著受损,增加痴呆风险。全身血管健康受损同样会影响脑血管,影像学上表现为梗死、微出血以及脑白质病变。既往文献已经证实全身血管健康影响大脑结构与功能,甚至在脑部出现明显病变之前。由于无法以一种有意义的方式量化全身血管健康对早期大脑结构和功能变化的影响,脑血管健康在老年人群中对其认知的影响是独立存在,还是与其他痴呆症(AD)的病理特征共同存在,仍旧不得而知。所以,本研究将在控制AD相关病理情况下,探讨全身血管健康对脑功能以及结构的影响,寻找脑血管健康相关的MRI标记物(包括三个模态:sMRI、ASL、DTI)。同时作者提出脑血管健康相关MRI标记物应满足三个标准:1、局部独立性,即不受AD相关病理影响;2、变异性低,不同序列之间可重复性好,能够在独立样本进行验证;3、敏感性,甚至在脑部病变不明显情况下,上述MRI指标已经发生变化。

 

研究方法:一:整体实验设计脑血管健康量化和评价的方法分三步进行:1、在训练数据集中,首先研究CMC(心血管和代谢状况)对大脑结构、灌注、白质微结构的影响(控制AD病理指标、年龄、性别、教育等因素);2、接下来按照之前的标准在训练数据集中筛选MRI标记物;3、最后在独立样本中进行验证。二:纳入被试训练数据集:共纳入390位60岁以上被试,这些被试均有血管健康指标以及完整的影像数据(包括PiB-PET、Tau-PET、sMRI、ASL、DTI)。其中352例认知正常,29例轻度认知下降,6例痴呆(3例AD,3例混合性痴呆),3例诊断不明确。验证数据集:共1035例60岁以上被试,均有血管健康指标以及部分影像数据(PIB-PET和DTI)。其中869例认知正常,144例轻度认知下降,16例痴呆(12例AD,1例混合性痴呆,1例血管性痴呆,1例路易体痴呆,1例进行性核上性麻痹),6例诊断不明确。三、血管健康指标根据ICD-9与ICD-10诊断标准,统计每个被试高血压、高脂血症、心律失常、冠状动脉疾病、充血性心力衰竭、糖尿病和卒中状况,计算出CMC。四、AD影像标记物-Aβ与tau-PET对于Aβ-PET,通过计算前额叶、眶额、顶叶、颞部、前扣带回和后扣带回ROI的摄取中值除以小脑灰质摄取中值得出每个受试者的整体Aβ负荷。对于tau-PET,利用内嗅皮层、杏仁核、海马旁、梭状回、颞下回和颞中回ROI的摄取中值除以小脑灰质ROI摄取中值得出总tau-PET负荷。五、MRI分析sMRI:基于FreeSurfer的recon-all脚本进行灰质处理,根据AAL模板,计算双侧ROI的皮层厚度中值。ASL:经过标准化的预处理过程(包括头动校正、ASL图像滤波、降噪、CBF图像滤波),计算AAL模板ROI脑灌注值。DTI:基于FSL与BrainSuite对DWI数据进行预处理(包括剥头皮、涡流校正、头动校正、EPI失真校正),计算JHU白质模板白质纤维束FA与MD值,其中对于MD>2×10-3或者<7×10-5 mm2/s的体素进行剔除,因为可能为脑脊液或者空气。脑梗死数量与WMH(白质高信号区域)体积:经影像科医生评估脑梗死数量,利用半自动分割方法计算WMH体积。六、认知评估认知评估涉及四个认知域:执行、记忆、语言、视空间功能。七、统计方法1、全身血管健康与脑影像的关系:构建多元回归模型研究CMC与每一个模态ROI值的关系。2、评估脑影像标记物的可重复性:研究者通过计算每个模态下每个ROI的变异系数,取其均值,得出每个模态的变异系数((标准差/平均值)求得)。在一组年轻(30-49岁)被试组中计算其变异系数。为评估其敏感性,在没有脑梗死的亚组(300例)以及AD病理学指标阴性的亚组(162例)中再次研究CMC(心血管和代谢状况)与脑影像的关系。基于CMC与影像指标关系的效应强度、变异性、敏感性以及独立性,研究者从中选择一个最佳的影像标记物,并利用基于平方皮尔森相关系数的层次聚类分析结合高度相关的区域,减少输入特征的数量,并帮助识别脑血管健康相关的特征。最后再使用基于平方斯皮尔曼相关系数的聚类分析重复上述研究。3、验证脑血管健康影像标记物:在训练数据集与验证数据集中分别构建回归模型分析胼胝体膝部FA与认知的关系。研究者在训练数据集中,计算年龄与Aβ、年龄与胼胝体膝部FA、Aβ与胼胝体膝部FA的交互作用。年龄与Aβ、年龄与胼胝体膝部FA交互作用均不显著,Aβ与胼胝体膝部FA的交互作用显著(回归系数7.706,95%置信区间3.341-12.070,p=0.001)。但是在验证数据集中该交互作用并不显著。最后,研究利用袋状图描述Aβ与胼胝体膝部FA的关系分布。 研究结果:一、训练数据集与验证数据集人口统计学特征

二、CMC与脑影像指标的关系

CMC(心血管和代谢状况)与脑影像指标的回归系数以及95%置信区间如下图一、图二、图三。图一左侧反映CMC与皮层厚度的关系,提示血管健康状况越差,颞叶内侧皮层厚度(内嗅皮层以及海马)与颞中极皮层厚度越薄(P<0.05);同时上顶叶皮层厚度与CMC呈正相关,但是效应低于颞叶皮层。图一右侧反映CMC与脑灌注的关系,研究发现CMC升高情况下,大部分脑区灌注降低(除了枕叶区域)。

图二:CMC与白质纤维束FA(左侧)以及MD(右侧)的关系。

 上述图一及图二中显著与CMC相关的脑区可见下图三。

图三:CMC与脑影像指标显著相关的区域。

如果您对脑影像数据处理及机器学习感兴趣,请点击以下文字:

第九届磁共振脑影像结构班(南京2.26-3.2)
第十届脑影像机器学习班(南京3.3-8)
第十二届磁共振弥散张量成像(南京3.21-26)
三、脑血管健康影像标记物的运用上述结果中CMC与皮层厚度最显著相关的脑区位于颞叶内侧,但该脑区也是AD相关疾病中受累明显,故并不满足局部独立性。在69例中年被试中,皮层厚度、灌注、FA、MD变异系数分别是0.110、0.130、0.062、0.034。在训练数据集中,这些模态的变异系数分别是0.138、0.198、0.088、0.070。测量指标变异性主要来自数据收集过程中噪音变异性以及生物学变异性。从这里可以看出,DTI指标(FA和MD)的变异性较低,即被试间表现较为一致。研究者发现局部脑灌注指标相比于DTI指标具有较高变异性以及较低的信噪比。为评估敏感性,研究者在不伴脑梗死以及Aβ阴性的亚组重复上述分析,在ASL与sMRI分析中并不显著的脑区却在FA与MD中保持显著性,证实DTI较敏感。此外,又在Aβ与Tau均阴性的亚组重复上述分析,可能由于样本量小与效应低,并没有发现与CMC有显著关系的区域。综上,FA可能满足之前提及标记物需满足的三个标准,后续分析也主要关注FA的结果。为减少输入特征的数量,并结合高度相关的区域,研究者对FA结果进行分层聚类分析。研究发现,不同ROI的FA值是高度相关的,并且没有明显的聚类性。因为胼胝体膝部FA值在训练数据集、无脑梗死亚组以及AD病理阴性亚组中均与CMC强相关,研究者将其选为脑血管健康影像标记物。它也是唯一一个能够通过Bonferroni校正的。在敏感性分析中,胼胝体膝部FA与WMH(白质高信号)体积显著相关(皮尔森相关系数0.629)。将胼胝体膝部FA作为因变量构建模型,CMC与WMH体积可解释其变异性;将WMH体积作为因变量构建模型,只有胼胝体膝部FA可以解释其变异性(见下表3)。作者提出假设,在脑血管病变并不明显时,DTI FA比WMH测量更敏感。表2 FA与WMN分别为因变量和自变量时的预测模型

四、验证脑血管健康影像标记物在验证数据集,CMC是胼胝体膝部FA的一个显著预测因子(P=0.004)。图四描述胼胝体膝部FA与Aβ分布关系的二维箱式图,其边缘以及交汇点分布在两个数据集中相似。表2反映胼胝体膝部FA、Aβ以及其余变量与认知的关系。在模型1与2中,胼胝体膝部FA与Aβ均可单独预测认知。在模型3中,胼胝体膝部FA与Aβ对认知也有预测作用。此外,研究者绘制胼胝体膝部FA与Aβ预测认知的等高线图,以及年龄预测认知的斜线图(见下图五)。

图四:胼胝体膝部FA与Aβ分布袋状图

注:袋图(bagplot)是一种用于可视化两维或三维统计数据的稳健统计方法,类似于一维箱形图。bagplot是由Rousseuw等人在1999年引入的,它允许可视化数据集的位置、分布、偏态和离群值。

图5:(左侧)胼胝体膝部FA与Aβ预测认知等高线图。(右侧)年龄对认知的预测图。
表3 训练集和验证集中FA指标及Aβ指标的预测表现


总结:

1、全身血管健康对脑健康具有重要影响。通过CMC(心血管和代谢状况)反映血管健康指标,CMC与内侧颞叶皮层变薄、广泛脑低灌注、胼胝体与穹隆白质完整性破坏密切相关。

2、针对早期脑血管相关损伤,DTI FA指标具有高敏感性。本研究建议胼胝体膝部FA可作为脑血管健康相关的影像标记物。

3、经独立样本验证,胼胝体膝部FA可预测认知功能的退化。

原文:Development of a Cerebrovascular Magnetic Resonance Imaging Biomarker for Cognitive Aging

如需原文及补充材料请加微信:siyingyxf 或者19962074063,如对思影课程感兴趣也可加此微信号咨询。

微信扫码或者长按选择识别关注思影

非常感谢转发支持与推荐


欢迎浏览思影的数据处理课程以及数据处理业务介绍。(请直接点击下文文字即可浏览思影科技其他课程,欢迎报名与咨询):


第二十九届磁共振脑影像基础班(南京3.15-20)
第十五届磁共振脑网络数据处理班(南京4.13-18)
第十届脑影像机器学习班(南京3.3-8)
第六届小动物磁共振脑影像数据处理班(3.27-4.1)
第十二届磁共振弥散张量成像(南京3.21-26)
第九届磁共振脑影像结构班(南京2.26-3.2)
第六届任务态fMRI专题班(重庆4.8-13)

第二十八届磁共振脑影像基础班(重庆2.24-29)
第十四届磁共振脑网络数据处理班(重庆3.18-23)
第二十届脑电数据处理中级班(重庆3.7-12)
第八届脑电数据处理入门班(南京3.9-14)

第七届眼动数据处理班(南京4.9-13)

第七届近红外脑功能数据处理班(上海4.2-7)
思影数据处理业务一:功能磁共振(fMRI)

思影数据处理业务二:结构磁共振成像(sMRI)与DTI
思影数据处理业务三:ASL数据处理
思影数据处理业务四:EEG/ERP数据处理
思影数据处理服务五:近红外脑功能数据处理
思影数据处理服务六:脑磁图(MEG)数据处理
招聘:脑影像数据处理工程师(重庆&南京)
BIOSEMI脑电系统介绍
 
 

打印本页 || 关闭窗口