基于自動纖維定量法檢測肌萎縮側索硬化癥患者腦白質纖維完整性改變的價值

徐芮，朱思佳，王寧，孔瑩，郁義星，蔣彬，萬嘉毅，馬佳麗，方琪，朱默*

0 前言

肌 萎 縮 側 索 硬 化 癥（amyotrophic lateral sclerosis, ALS）是一種以皮質脊髓束上運動神經元、腦干和脊髓前角下運動神經元的神經變性和丟失為特征的難治性進行性神經退行性疾病[1]，會導致顯著的運動障礙。同時，ALS 患者還存在運動外變性，部分在臨床和病理上與額顳葉癡呆重疊，表現為認知或行為異常[2-3]。

擴 散 張 量 成 像（diffusion tensor imaging,DTI）是一種成熟的非侵入性的神經成像技術[4]，已被廣泛用于檢測患者的腦白質微觀結構的變化，并評估大腦中白質纖維束的完整性。目前多應用基于體素的形態學（voxel-based morphometry, VBM）[5]或基于纖維束空間統計（tract-based spatial statistics,TBSS）[6-7]的方法分析ALS 疾病的神經影像學特征，但是前者存在配準誤差、平滑問題，而后者僅能評估整個纖維束平均擴散變化，缺乏對個體的精確定位。自動纖維定量（automatic fiber quantification,AFQ）方法克服了兩者的局限性[8-9]，使用全腦確定性纖維束成像方法重建纖維束，沿纖維軌跡的100個解剖等效位置估計每個特定纖維束的逐點擴散參數，為定量分析研究提供更多準確信息[10]。基于機器學習算法已應用于各領域，支持向量機（support vector machine, SVM）是一種經典的機器學習算法，用于解決監督分類問題，多用于二分類，具有良好泛化性能、穩健分類能力及對小樣本數據的處理能力優異等特點[11-13]。目前，國內還沒有基于AFQ 方法研究ALS 患者腦白質的改變，本研究擬采用AFQ 法識別并分析ALS患者的腦白質纖維特性，并將其作為特征變量，結合SVM 算法的機器學習探究其在ALS 疾病的應用價值。

1 材料與方法

1.1 研究對象

前瞻性納入2021 年9 月至2022 年12 月在蘇州大學第一附屬醫院就診的29例（男18例，女11例）門診或住院ALS 患者（ALS 組）。ALS 組納入標準：符合世界神經病學聯盟的修訂版EI Escorial[14]診斷標準并且能夠完成MRI 檢查及神經心理學評估。排除標準：（1）高血壓、腦血管病及其他神經精神疾病，如阿爾茨海默病、帕金森病、抑郁癥或癲癇；（2）服用精神類藥物或藥物濫用；（3）患有急性或嚴重威脅生命的疾病。

通過社會招募的方式納入性別、年齡和受教育年限等相匹配的29例（男13例，女16例）健康對照者（healthy controls, HCs）（HCs 組）。HCs 組納入標準：（1）神經或精神科診斷臨床檢查正常；（2）右利手。排除標準：（1）有頭部損傷史；（2）存在MRI 檢查禁忌。本研究遵守《赫爾辛基宣言》，經蘇州大學附屬第一醫院醫學倫理委員會批準，批準文號：2022-409，全體受試者均簽署了知情同意書。

所有ALS患者在MRI檢查當天均接受了標準化臨床神經學檢查，采用修訂版肌萎縮側索硬化功能評分量 表（Amyotrophic Lateral Sclerosis Functional Rating Scale-Revised, ALSFRS-R）[15]評定患者功能狀態及病情嚴重程度等，ALSFRS-R 評分結構分為四部分，包括延髓域、精細運動域、粗大運動域及呼吸域，使用ΔALSFRS-R=（48-ALSFRS-R 評分）/病程（月）評估DTI 掃描時的疾病進展率。采用漢化版的愛丁堡ALS 認知行為量表（Edinburgh Cognitive and Behavioural ALS Screen, ECAS）[16-17]評 估 患 者 與HCs的認知及行為特征。

1.2 檢查方法

圖 像 采 集 于 德 國Siemens Magnetom Skyra 3.0 T MRI 系統及頭部36 通道相控陣線圈。所有受試者在掃描過程中頭部用海綿墊固定以減少運動偽影，雙耳置入橡膠耳塞以減低機器噪音，且均先行常規頭顱MRI 結構像掃描，以除外神經系統器質性疾病。高分辨T1加權結構像采用磁化快速梯度回波序列進行掃描，為前后聯合的定位提供解剖學信息。掃描參數為：TR 5000 ms，TE 2.98 ms，TI 700 ms，層厚1.0 mm，層數176層，體素大小1 mm×1 mm×1 mm，視野256 mm×256 mm，翻轉角1/2 4°/5°。DTI 采用平面回波成像序列，掃描參數為：TR 5000 ms，TE 103 ms，層厚2.0 mm，矩陣100×100，體素大小2 mm×2 mm×2 mm，視野240 mm×240 mm，64個擴散梯度方向（b值=1000 s/mm2）以及一個b0圖像。

1.3 數據預處理

利用dcm2nii.exe 組件將圖像從DICOM 格式轉換為NIFTI 格式文件；使用FMRIB 軟件庫（http://www.fmrib.ox.ac.uk/fsl）軟件擴散工具箱（FMRIB's Diffusion Toolbox，FDT）將擴散加權圖像線性配準對齊至b0 圖像，消除掃描過程中的頭動以及由頭動和渦流所引起的簡單形變，使用b0圖像估計腦模板；利用腦提取工具（Brain Extraction Tool, BET）去除擴散加權圖像及T1 序列圖像的頭皮、顱骨等非腦組織，采用FSL 中的dtifit 功能計算各向異性分數（fractional anisotropy, FA）及平均擴散系數（mean diffusivity, MD）、徑向擴散系數（radial diffusivity, RD）、軸向擴散系數（axial diffusivity,AD）等DTI參數值。

1.4 自動纖維定量分析

應用基于Matlab 的AFQ 軟件包（https://github.jyeatman/AFQ）自動提取全腦20 條主要白質纖維束，同時對纖維束進行精細劃分，并將FA等指標映射到纖維束的每一個細分區段進行定量分析。根據YEATMAN 等[8]提出的自動纖維量化方法，主要步驟如下：（1）運用自動確定流線型跟蹤算法（streamlines tracking algorithm, STT）進行全腦纖維束跟蹤；（2）通過自動感興趣區進行全腦纖維束分割，定義纖維束運動軌跡；（3）同標準概率纖維束圖譜比較細化纖維束，將概率性圖譜轉換到個體空間上；（4）根據纖維束組表示為3D高斯分布定義纖維束核心，清除明顯偏離纖維束核心的雜散纖維束；（5）沿纖維束中央重采樣100 個等距節點，計算每個節點在纖維組核心中的平均位置，通過加權平均值計算每個節段的擴散張量參數值。

1.5 支持向量機分類模型

根據統計結果分析，選取ALS 患者與HCs 組間存在差異的節點作為特征集合，包括45 個FA 值、78 個MD 值、40 個AD 值及79 個RD 值，共242 個特征值。從Python 開源的sklearn 庫里直接調用SVM，經預訓練后對比效果，選擇徑向基核函數（radial basis function, RBF）構建分類模型。為了防止由于訓練使用特征值過多，擬合過度泛化，采用主成分分析（principal component analysis, PCA）方法對特征進行降維操作。全體樣本包括29 位患者和29 位對照組，被分為訓練集（80%）和測試集（20%），且由于樣本數較少，為避免隨機劃分產生的測試集中僅存一類的情況，使用分層交叉驗證，即確保訓練集與測試集均含有50%的ALS 患者和50%的HCs，每次更換訓練集和測試集進行訓練與測試，重復進行五次，并對五次學習的結果進行平均處理作為最終結果。

1.6 統計分析

采用SPSS 22.0 統計學軟件進行統計分析。連續變量以均值±標準差或中位數（四分位間距）表示，計數資料用例（%）表示，定性資料用頻數表示。兩組間比較時，正態分布定量資料采用獨立樣本t檢驗，非正態分布定量資料采用Mann-WhitneyU檢驗，定性資料比較采用χ2檢驗。對追蹤出的纖維束DTI 擴散指標隨機進行置換檢驗逐點分析，使用錯誤發現率（false discovery rate, FDR）進行多重比較校正。采用偏相關分析，控制年齡、性別及受教育年限為潛在協變量，研究DTI 差異節段指標均值與ALS患者臨床指標的相關性。P＜0.05 表示差異有統計學意義。應用敏感度、特異度、準確率及受試者工作特征（receiver operating characteristic, ROC）曲線及ROC曲線下面積（area under the curve, AUC）評估支持向量機模型的性能。

2 結果

2.1 人口統計學信息統計及結果

本研究共納入受試者58 例，ALS 組和HCs 組各29 例，其中ALS 患者球部起病者3 例（10.34%），肢體起病者26 例（89.66%），發病年齡為（59.38±10.28）歲，病程中位數10.00（6.50～24.50）個月。兩組間在年齡、性別及受教育年限上差異均無統計學意義（P均＞0.05），ALS 組ECAS 評分明顯低于HCs 組（P＜0.05）（表1）。

表1 人口學及主要臨床特征統計表Tab.1 Statistic table of the main clinical characteristics and demographic information

2.2 AFQ分析全腦白質纖維束結果

成功追蹤的18 條纖維束包括雙側丘腦放射束、雙側皮質脊髓束、雙側扣帶束扣帶回、胼胝體束膝部和壓部、雙側額枕下束、雙側弓形束、雙側鉤狀束、雙側上縱束和雙側下縱束，雙側扣帶束（海馬旁）未追蹤出。相較于HCs 組，ALS 組在左側皮質脊髓束的大腦腳、內囊及放射冠區（節點1-6，14-19，28-60）FA值降低，左側皮質脊髓束內囊（節點38-52）AD 值降低，左側額枕下束偏前部（節點79-82）、右側上縱束偏后部（節點80-100）AD 值增高；左側皮質脊髓束初級運動皮質區（節點68-96）、右側皮質脊髓束初級運動皮質區、放射冠及內囊區（節點14-28，62-95）MD 值增高，雙側皮質脊髓束初級運動皮質區、大腦腳區（節點29-61，68-75）及（節點13-33，63-74，88-92）RD 值增高，組間差異均有統計學意義（P＜0.05）（圖1）。

圖1 利用AFQ 技術獲得的擴散加權成像（DTI）組間差異結果及三維渲染。X 軸表示第1 至第100 個纖維節段，左側Y 軸表示平均DTI參數。實線代表均值，虛線代表均值的標準差，綠色代表肌萎縮側索硬化癥（ALS）患者，紅色代表健康對照（HC）組，圖中紫色區域表示P＜0.05。CST：皮質脊髓束；IFOF：額枕下束；SLF：上縱束；L：左；R：右；FA：各向異性分數；AD：軸向擴散系數；MD：平均擴散系數；RD：徑向擴散系數。Fig.1 Group differences for diffusion tensor imaging (DTI) and 3D rendering obtained by AFQ technology.The X-axis represents the 1st to 100th fiber segments,and the left Y-axis represents the average DTI parameters.In the figure, solid lines represent the mean, dashed lines represent the standard deviation of the average,green for amyotrophic lateral sclerosis (ALS) patients, red for healthy control (HC), and purple regions in the plot indicate P＜0.05.CST: corticospinal tract; IFOF:inferior fronto-occipital fasciculus; SLF: superior longitudinal fasciculus; L: left; R: right; FA: fractional anisotropy; AD: axial diffusivity; MD: mean diffusivity;RD: radial diffusivity.

2.3 相關性結果

ALS 組中受損纖維節段的擴散張量指標值與患者臨床特征進行相關性分結果顯示：左側皮質脊髓束平均FA 值與ALSFRS-R 評分中的精細功能域得分呈正相關（r=0.386，P=0.046），右上縱束平均AD值與ALSFRS-R 評分中的延髓功能域得分呈正相關（r=0.422，P=0.028），且右側皮質脊髓束平均MD值、RD值均 與ECAS 評 分 呈 負 相 關（r=-0.428，P=0.026；r=-0.416，P=0.031），而各擴散張量指標與病程、疾病進展率等無明顯相關性（圖2）。

圖2 相關性分析結果。2A：左側皮質脊髓FA 值與精細功能域得分呈正相關；2B：右上縱束AD 值與延髓功能域得分呈正相關；2C、2D：右側皮質脊髓束MD 值、RD 值與ECAS評分均呈負相關。CST：皮質脊髓束；SLF：上縱束；L：左；R：右；FA：各向異性分數；AD：軸向擴散系數；MD：平均擴散系數；RD：徑向擴散系數；ECAS：漢化版的愛丁堡肌萎縮側索硬化癥認知和行為量表。Fig.2 Results of the correlation analysis.2A: The FA value of left corticospinal tract FA was positively correlated with the fine functional domain score; 2B: The AD value of right superior longitudinal fasciculus was positively correlated with the bulbar functional domain score; 2C and 2D: The MD and RD values of right corticospinal tract were negatively correlated with ECAS scores.CST: corticospinal tract; IFOF: inferior fronto-occipital fasciculus; SLF: superior longitudinal fasciculus; L: left; R: right; FA: fractional anisotropy; AD: axial diffusivity; MD: mean diffusivity; RD: radial diffusivity; ECAS: Edinburgh Cognitive and Behavioural ALS Screen; ASL: amyotrophic lateral sclerosis.

2.4 SVM分類結果

采用組間差異的節點FA 值、AD 值作為特征時明顯優于MD 值及RD 值，AUC 值分別為0.81、0.88，分類的準確率達72.33%、75.33%，且具有較高的敏感度和特異度；所有纖維束具有組間差異的節點作為分類特征時效果最佳，AUC達0.90，準確率高達81.00%，敏感度為72.67%，特異度為88.66%（表2，圖3）。

圖3 不同DTI 指標在支持向量機模型中的ROC 曲線。橫軸表示假陽性率（1-特異度），縱軸則表示真陽性率（敏感度），曲線下面積（AUC）代表了正確分類的效能。FA、MD、AD 及RD 分別為各向異性分數、平均擴散系數、軸向擴散系數及徑向擴散系數的組間差異值；ALL為所有受損纖維束組間差異值。Fig.3 The ROC curves of the different DTI metrics in the SVM model.The horizontal axis represents the false positive rate (1-specificity), the vertical axis represents the true positive rate (sensitivity), and the area under curve (AUC) represents the efficacy of the correct classification.FA,MD, AD and RD are the group difference values of fractional anisotropy,mean diffusivity, axial diffusivity and radial diffusivity, respectively; ALL is the group difference values of all damaged fiber bundles.

表2 SVM分類結果Tab.2 The SVM classification results

3 討論

本研究基于AFQ 技術檢測ALS 患者白質纖維束微結構特性的變化，并進一步探討了與ALSFR-R、ECAS 量表評分等的相關性。主要研究結果表明，腦白質損傷，尤其是皮質脊髓束的損傷是ALS的常見部位，可能導致運動神經元功能異常和認知及行為功能障礙，基于AFQ 方法分析獲得的DTI 指標可作為ALS 的診斷生物標志物，且結合支持向量機方法診斷預測ALS疾病是可行的。

3.1 AFQ技術檢測到ALS患者腦白質纖維完整性改變

皮質脊髓束是從大腦皮層延伸到脊髓的運動通路，是ALS 在中樞神經系統的主要病理部位[18]。DTI技術能夠從微觀到宏觀層面探索復雜的結構特征[19-21]，其四個指標中，FA 值是DTI 中應用最廣泛的標量，反映了軸突纖維的各種特征，當它減低時通常代表纖維束脫髓鞘和軸突完整性受到破壞，MD 值的增加已被證明與軸突丟失而導致的細胞外間隙水擴散的變化有關，AD 值和RD 值是分別代表平行和垂直方向纖維束擴散的直接指標，提供了關于FA 值或MD值的更具體的神經生物學信息。基于DTI 的AFQ 分析方法通過將皮質脊髓束劃分成亞段，使損傷的定位更加精確。本研究結果顯示ALS 患者在左側皮質脊髓束尤其是內囊、放射冠和大腦腳區FA 值較HCs顯著減低，雙側皮質脊髓束均有MD值增高，這與先前眾多研究報道一致[22-23]。同時，皮質脊髓束AD 值及RD 值也具有相應改變，提示AD 值及RD 值變化可作為ALS 患者DTI 檢查的補充信息，探明了髓鞘形成和軸突胞體廣泛異常的原因，與既往研究結果相似[24]。除皮質脊髓束外，本研究發現ALS患者在左側額枕下束偏前部及右側上縱束偏后部也存在AD 值的異常改變，這些聯絡纖維的損傷可能提示ALS患者潛在的語言功能障礙，導致語義性失語以及語言和非語言理解的缺陷[25-27]。

3.2 ALS 患者受損纖維節段的擴散張量指標值與臨床特征的相關性

ALSFRS-R 評分是評估ALS 患者功能狀態和變化的有效工具[28]。皮質脊髓束作為ALS 主要病理改變，基于其與FA 變化的穩定相關性，可能是最適合監測疾病嚴重程度的區域[29-30]。多數研究應用ALSFRS-R評分對上、下運動神經元狀態進行綜合估計，而本研究對ALSFRS-R 功能域評分更加細致化，結果發現左側皮質脊髓束FA 值的減少與ALSFRS-R 的精細功能域評分呈正相關，同時，右上縱束的AD值與ALSFRS-R的延髓功能域評分呈正相關。因此，除了廣泛使用的FA 值之外，AD 值可能是評估ALS 臨床嚴重性的一個很好的選擇。本研究中，DTI 指標的差異節段與病程及疾病進展率沒有明顯相關性，原因可能是納入的患者人數較少，沒有根據臨床嚴重程度及疾病進展速度對ALS 患者進行具體亞組分析，這同BAO 等[31]研究結果一致。BAEK 等[32]對96 例可能或確診的ALS患者進行研究，證實了DTI指標與代表疾病進展速度的ALSFRS-R 評分相關，并且亞組分析顯示在快速進展的ALS 中觀察到更嚴重和更廣泛的腦白質微結構損傷。此外，多數額顳葉變性患者存在皮質脊髓束細微結構改變[33]，本研究結果顯示ALS患者的ECAS評分明顯低于HCs，且ALS 患者的右側皮質脊髓束MD值、RD 值與ECAS 評分呈顯著負相關，提示ALS 患者整體認知功能受損，且皮質脊髓束特定節段的改變可能與其有關。

3.3 AFQ技術聯合SVM方法識別ALS疾病的可行性

目前，機器學習方法結合神經成像數據已多數成功應用于ALS 的預測建模，如WELSH 等[34]使用靜息態功能磁共振成像數據訓練支持向量機分類器準確率達71.5%；SARICA 等[24]應用DTI 張量指標的隨機森林方法建立ALS 和HCs 之間的區分模型準確率達80%。本研究中，在支持向量機算法下，運用DTI多種參數對模型進行訓練，與MD、RD參數相比，基于FA、AD參數的學習模型準確率達70%以上，提示在ALS 微結構異常中，FA 及AD 測量似乎比其他參數對軸突結構完整性更敏感。另外將所有具有組間差異的值作為分類特征取得了較好的效果，總體準確率達81%，具有綜合更好的敏感度、特異度，且AUC 值最大。上述結果表明，基于AFQ方法獲取的神經影像特征構建的SVM 模型可以將ALS 患者和HCs 區分開來，且獲得較好的分類效果，后續可以將DTI指標與其他神經成像數據結合，系統比較各種機器學習方法的診斷性能，真正能夠高準確地區分ALS患者和HCs[35-36]。

3.4 局限性

本研究存在一些不足之處：首先，樣本較小，需要擴大樣本量及多中心進一步驗證并分組研究；其次，DTI 技術為基于高斯模型的單指數擴散成像，難以檢測到白質區域中交叉纖維結構，后續需要更先進的擴散成像技術，如NODDI 或DSI 研究證實ALS 患者腦白質微結構損傷。

4 結論

基于DTI的AFQ方法對分析ALS神經影像特征是一種很有前途的工具，DTI 的張量指標可作為ALS 診斷的敏感生物標志物，可同時顯示運動和運動外區域的變化，而皮質脊髓束可作為臨床監測病情的可靠區域，基于AFQ 方法聯合SVM 算法對鑒別ALS 患者與HCs具有可行性和有效性。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：朱默設計本研究的方案，對稿件重要內容進行了修改，并進行指導及研究生經費支持，獲得了江蘇省衛健委老年健康項目的基金資助；徐芮及朱思佳參與選題和設計、起草和撰寫稿件，獲取、分析或解釋本研究的數據；王寧、孔瑩對試驗設計及獲取、分析或解釋本研究的數據作出重要貢獻；郁義星對稿件重要內容進行了修改；蔣彬、萬嘉毅及馬佳麗參與了數據獲取、分析及解釋；方琪對本研究進行了指導；全體作者都同意發表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。