肝豆狀核變性患者默認模式網絡變化及模型構建

吳素紅,武紅利,王弈,王安琴

肝豆狀核變性(Wilson’s disease,WD)是一種由ATP7B基因突變引起的遺傳性常染色體隱性疾病,可導致銅代謝缺陷,銅在身體器官,尤其是大腦基底神經節(jié)中逐漸蓄積[1]。銅過量堆積可引起神經元損傷,包括中樞神經髓鞘溶解、脫髓鞘和星形膠質細胞病變、空洞化和鐵的異常沉積等,導致神經系統(tǒng)相關疾病和神經精神癥狀,如運動和行為功能障礙[2]。臨床上青霉胺可用于“驅銅”治療,以減緩病情惡化的進程[3]。然而,WD患者的預后仍然無法確定,大多數患者長期受到神經系統(tǒng)癥狀甚至殘疾的困擾。

近年來,神經影像技術的發(fā)展為探索WD患者腦損傷的潛在神經功能機制提供了新的途徑,大量的神經影像學相關研究均證實了WD患者大腦結構和功能發(fā)生了異常改變,包括大腦中不同程度的功能連接(functional connectivity,FC)變化[4-5]。人們已經認識到,大腦是一個由高度互聯的神經元組成的復雜網絡,由多個功能子網絡組成并相互作用以維持整個大腦的活動[6-7]。Han等[8]以扣帶皮層為種子點,基于圖論分析功能腦網絡探索WD患者中默認模式網絡(default-mode network,DMN)的變化,結果顯示:與健康對照組相比,WD患者的局部和全局功能網絡的效率降低,左下顳葉皮層和右外側頂葉皮層之間的功能連接與注意功能障礙相關。獨立成分分析(independent component analysis,ICA)是一種數據驅動的多變量方法,無需先驗假設和傳統(tǒng)的模型驅動,適用于對靜息態(tài)腦功能網絡的分析[9]。同時,人工智能技術在醫(yī)學領域發(fā)展迅速,其中機器學習方法是應用最多的方法之一,其主要作用是通過訓練模型來實現對疾病的分類和預測[10]。目前還尚未見利用機器學習方法訓練和構建預測WD患者腦功能變化的預測模型的相關研究。

本研究嘗試采用ICA方法探索WD患者DMN功能連接的改變及其與臨床神經精神特征評估結果之間的關系,了解潛在的病理生理學和中樞補償性機制,并通過機器學習方法以DMN功能連接作為特征構建預測模型,旨在識別WD患者早期腦網絡功能連接變化,提高對疾病發(fā)展的預測效能。

材料與方法

1.研究對象

將2021年1月-2021年12月就診于本院腦病中心的85例WD患者的臨床和MRI資料。納入標準:①臨床根據神經精神癥狀、Kayser-Fleischer環(huán)、低血清腦磷脂酶水平、銅依賴性氧化酶活性降低和24小時尿中銅排泄量增加等指標,確診為WD患者[11];②無其它神經精神疾病,也未使用過神經或精神類疾病的相關藥物;③無磁共振檢查禁忌證,如幽閉恐懼癥或安裝了心臟起搏器;④右利手。

采用統(tǒng)一肝豆狀核變性評分量表(UWDRS)對患者的行為認知功能進行評估,此量表包括兩部分內容:神經部分(UWDRS-neurological characteristic examination,UWDRS-N),包括日?；顒?分值為0～36分)和神經功能檢查(分值為0～112分);精神部分(UWDRS-psychiatric symptoms examination,UWDRS-P),分值為0～76分。

同期招募了年齡和性別相匹配的85例健康受試者(healthy control,HC)。納入標準:①無神經精神類疾病;②未使用過神經或精神類藥物;③無磁共振檢查禁忌證;④右利手。

WD患者及健康對照者均簽署了知情同意書。本研究獲得了本院倫理委員會的批準。

2.MRI數據采集

使用GE Discovery MR750 3.0T掃描儀進行全腦掃描。靜息態(tài)fMRI采用血氧水平依賴梯度回波序列,掃描參數: TR 2000 ms,TE 30 ms,層厚3.0 mm,層間距1.0 mm;視野220 mm×220 mm,采集矩陣64×64;翻轉角90°,掃描層數36。常規(guī)結構像3D-T1WI掃描參數:TR 8.2 ms,TE 3.2 ms,厚度1.0 mm;層間距0,視野256 mm×256 mm,采集矩陣256×256,翻轉角12°,層數166。每例被試掃描完成后均及時核查各序列MRI圖像,避免因偽影或頭部移動而影響隨后的圖像后處理和分析。

3.數據分析

靜息態(tài)fMRI數據預處理:利用MRIcroN軟件將圖像格式轉換成nii格式;基于MATLAB R2016b(MathWorks,Natick,MA)軟件平臺,使用DPARSFA 6.0軟件(http://rfmri.org/DPABI)對圖像進行一系列預處理步驟:①考慮到患者對掃描環(huán)境的適應過程及掃描過程中磁化的穩(wěn)定性,剔除了前10個時間點的fMRI數據;②將剩余175個時間點的fMRI數據進行時間層校正和頭動校正,以確保圖像在各采集時間點保持一致,并刪除各時間點圖像上頭動超過2 mm或最大旋轉角度超過2°的被試;③使用非線性配準,將個體圖像配準到蒙特利爾神經科學研究所(Montreal Neurological Institute,MNI)標準空間,重采樣體素大小為3 mm×3 mm×3 mm;④使用平滑核為6mm的全高半寬進行高斯平滑。

ICA是一種沒有先驗假設數據驅動的多變量方法。本研究使用GIFT軟件(http://icatb.sourceforge.net/,version 3.0c)來提取DMN的成分。具體步驟和方法:①采用分組ICA方法將不同時間點的個體數據串聯起來,隨后計算特定主體的成分和時間過程;②采用ICA進行數據還原,基于最小描述長度來估計網絡數量。③為保證數據的可重復性,采用Infomax算法提取每個分量的獨立空間圖和時間歷程,在ICASSO工具箱中進行了100次運算。④用群體ICA反向重構法接收個體時間歷程和空間圖。反向重建后,個體水平空間圖被轉換為Z-score。Z-score反映了功能連接的強度。識別DMN后,對患者組與HC組的相應Z-score圖進行了單樣本t檢驗,并建立掩膜校正(體素水平FWE校正,P<0.05),簇體素大小>100體素。隨后,對掩膜內的Z-score圖進行雙樣本t檢驗,將年齡和性別作為回歸的協(xié)變量,以探尋組間腦功能網絡的區(qū)域差異(團塊水平FWE校正,P<0.05)。得到具有顯著組間差異的腦區(qū),提取該腦區(qū)的FC值,并將其與臨床量表評分進行Pearson相關性分析。

構建支持向量機(support vector machine,SVM)分類器:將WD組和HC組中提取的前DMN(ante-rior-DMN,aDMN)和后DMN(posterior-DMN,pDMN)內每個體素的FC值作為特征,采用MATLAB平臺提供的MVPANI軟件包進行分析[12]。使用10折交叉驗證進行數據迭代,對特征進行標準化,再使用ICA對參數進行降維處理,得到WD組與對照組之間最優(yōu)的SVM模型并進行置換檢驗。再基于UWDRS評分將WD患者分為2組(二分類),即根據UWDRS評分將患者分為神經精神癥狀重度組(>10分)和輕度組(≤10分),同樣使用10折交叉驗證迭代算法對特征進行標準化,然后采用ReliefF算法進行每個體素的FC值的特征選擇,采用F分數值位于前百分之十的特征,得到高UWDRS評分組與低UWDRS評分組之間最優(yōu)的SVM模型并進行置換檢驗。

4.統(tǒng)計學分析

使用SPSS 27.0統(tǒng)計軟件包進行統(tǒng)計分析,以P<0.05為差異具有統(tǒng)計學意義。連續(xù)變量的組間比較采用獨立雙樣本t檢驗,分類變量的組間比較采用χ2檢驗。采用MVPANI軟件包對模型的效能進行ROC曲線分析,計算AUC、敏感度和特異度等指標,并對模型效能進行5000次置換檢驗。采用獨立雙樣本t檢驗對HC組與WD組之間的FC值進行組間比較,以Cohen′s d值表示功能連接的差異強度。提取有差異腦區(qū)的FC值,并與臨床指標(包括UWDRS-N評分、UWDRS-P評分和病程)進行Pearson相關性分析。以P<0.05為差異有統(tǒng)計學意義。

結 果

1.人口學資料的比較

WD組男53例、女32例,HC組男49例、女36例;WD組年齡(27.40±8.05)歲,對照組(25.83±5.5)歲;兩組之間性別構成和年齡的差異均無統(tǒng)計學意義(χ2=0.39,P>0.05;t=1.56,P>0.05)。

2.DMN的提取

ICA提取大腦DMN的成分(圖1),主要包括aDMN和pDMN,aDMN包括內側前額葉皮層、前扣帶回,pDMN包括后扣帶回、頂下小葉、楔前葉及雙側顳葉。

圖1 不同方位結構像上顯示基于ICA提取的DMN成分圖,包括前默認模式網絡(aDMN)和后默認模式網絡(pDMN),彩色條代表T值,反映的是功能連接差異的顯著性。 圖2 不同方位結構像上藍色區(qū)域為WD患者aDMN內功能連接變化腦區(qū),右側為小提琴圖,d值代表標準差差異效應大小,圓點代表中位數位置。 與HC組比較,患者組的左側內側前額葉(L_ MPFC)及前扣帶回(L_ACC)的FC值減低(雙樣本t檢驗,團塊水平FWE校正,P<0.05)。

3.靜息態(tài)DMN內功能連接的比較

在aDMN及pDMN內部,與對照組相比,WD患者表現出廣泛的功能連接減低(表1),主要包括aDMN內的L_ MPFC和L_ACC(圖2),pDMN內的 L_ANG、PCUN、L_IPG和L_PCC(圖3)。

表1 與HC組比較WD組DMN內FC發(fā)生變化的腦區(qū)

圖3 不同方位結構像上藍色區(qū)域為與HC組比較,WD患者pDMN網絡內功能連接變化腦區(qū),右側為小提琴圖,d值代表標準差差異效應大小,圓點代表中位數位置。 可以看出WD患者的楔前葉(PCUN)、左側角回(L_ANG)、頂下小葉(L_IPG)和后扣帶回(L_PCC)的FC值減低(團塊水平FWE校正,P<0.05)。

4.組間差異腦區(qū)的FC值臨床資料的相關性

對于WD組與HC組之間FC值的組間差異有統(tǒng)計學意義的腦區(qū),提取這些腦區(qū)的FC值與臨床量表評分進行相關性分析,結果詳見圖4～5。aDMN內L_MPFC、L_PCC的FC值與UWDRS-N評分呈負相關(r=-0.27,P<0.05;r=-0.27,P<0.05),與UWDRS-P評分呈負相關(r=-0.35,P<0.01;r=-0.32,P<0.05)。pDMN內PCUN的FC值與UWDRS-N評分呈負相關(r=-0.27,P<0.05),L_IPG的FC值與UWDRS-P評分呈負相關(r=-0.25,P<0.05)。

圖4 WD患者aDMN內異常腦區(qū)的FC值與UWDRS量表評分的相關性分析點線圖。a)L_MPFC的FC值與UWDRS-N呈評分負相關(r=-0.27,P<0.05);b) L_MPFC的FC值與UWDRS-P評分呈負相關(r=-0.35,P<0.01);c)L_ACC的FC值與UWDRS-N評分呈負相關(r=-0.27,P<0.05);d)L_ACC的FC值與UWDRS-P評分呈負相關(r=-0.32,P<0.05)。 圖5 pDMN內異常腦區(qū)的FC值與UWDRS量表評分的相關性。a)PCUN的FC值與UWDRS-N評分呈負相關(r=-0.27,P<0.05);b)L_IPG的FC值與UWDRS-P評分呈負相關(r=-0.25,P<0.05)。

各組間差異腦區(qū)的FC值與患者病程之間均無顯著相關性(P>0.05)。

5.SVM分類器的構建

使用10折交叉驗證進行數據迭代,將DMN內每個體素的FC值作為特征,然后采用主成分分析(Prin-cipal Component Analysis,PCA)方法進行降維或采用ReliefF算法進行特征選擇后,訓練出最優(yōu)SVM模型。在WD組與HC組之間,以aDMN和pDMN內體素的FC值作為特征,通過訓練得到最優(yōu)模型 ,其鑒別WD與HC的符合率為80.23%,AUC為0.865(圖6a);經過5000次置換檢驗后,得到P<0.0002(圖6b)。在高與低UWDRS評分組之間,同樣以aDMN和pDMN的FC值作為特征,訓練得到最優(yōu)SVM模型,其鑒別高與低UWDRS評分組的符合率為70.89%,AUC為0.723(圖7a);經過5000次置換檢驗后,P=0.0094(圖7b)。

圖6 aDMN和pDMN內FC值鑒別WD和HC的診斷效能分析。a)ROC曲線,AUC=0.86;b)條形圖顯示對FC的分類準確率進行5000次置換檢驗的結果,圖中紅色線條代表真實的分類準確率,進行5000次置換檢驗的分類準確率均小于真實準確率,得到的P<0.0002,提示其鑒別效能有統(tǒng)計學意義。 圖7 aDMN和pDMN內FC值對高、低UWDRS評分的鑒別診斷效能分析。a)ROC曲線,AUC=0.72;b)條形圖顯示對FC的分類準確率進行5000次置換檢驗的結果,圖中紅色線條代表真實的分類準確率,進行5000次置換檢驗的分類準確率均小于真實準確率,得到的P=0.0094,提示其鑒別效能有統(tǒng)計學意義。

討 論

既往的研究結果表明WD患者的大腦在功能和微觀結構上發(fā)生了一定程度的變化[7,13]。在本研究中,我們基于rs-fMRI和ICA來研究WD患者大腦DMN內功能連接的變化,并與臨床UWDRS量表評分進行相關性分析,結果顯示:與對照組比較,WD患者DMN內表現出廣泛的連接性減低,包括aDMN內的L_ MPFC和L_ACC,以及pDMN內的L_ANG、PCUN、L_IPG和L_PCC;而且,aDMN內的L_MPFC、L_PCC的FC值和pDMN內PCUN的FC值均與UWDRS-N評分呈負相關(P<0.05),aDMN內的L_MPFC、L_PCC和pDMN內的L_IPG的FC值均與UWDRS-P評分呈負相關(P<0.05)。

據文獻報道,DMN在認知控制中起著核心作用[14],其在網絡間的動態(tài)整合是高效認知操作和適應性行為的基礎[15]。DMN作為人腦中與意識維持有關的基線狀態(tài)的重要結構,與初級感知和高級認知處理的整合有關[16-17]。在本研究中,WD患者的DMN內出現了FC的改變。與HC組相比,WD患者的L_MPFC、L_ACC和PCUN的FC值減小;此外,L_MPFC、L_ACC和PCUN的FC值降低且其與UWDRS-N評分呈負相關,L_MPFC、PCUN的FC值降低且其與UWDRS-P評分呈負相關。這表明,DMN中腦組織的FC值降低可能導致WD患者出現神經和精神系統(tǒng)的相關癥狀。本研究結果與Han等[8]的研究結果基本一致, Han等[8]報道WD患者與正常對照組相比,DMN的FC發(fā)生了改變,局部和整體網絡效率降低。作為DMN的一個關鍵節(jié)點,MPFC被認為是額葉中最高的聯想設施之一,參與認知策略和自動傳記檢索,可以根據當前目標和未來計劃協(xié)調心理過程和行動[18],MPFC不僅參與大腦對內外環(huán)境的整合,對價值判斷和事件決策等發(fā)揮至關重要的作用。另外,一些研究已經證明了PCUN的貢獻,它是一個參與高度綜合認知任務的聯想皮層[19],PCUN在情景記憶和自傳體記憶等多種認知活動中發(fā)揮重要作用,是DMN中的重要節(jié)點。對WD患者的神經心理學損害的研究結果表明,WD患者的認知領域存在廣泛的明顯缺陷[20-21],而本研究中招募的患者在執(zhí)行功能方面也有明顯損害。因此,DMN網絡的內的連接中斷,導致高階認知過程的失敗,這可能是WD患者認知相關障礙的一種神經病理學基礎。

近年來,機器學習方法已經較廣泛地應用于解碼隱藏在腦成像數據中的潛在規(guī)律,對認知功能障礙相關疾病的診斷和病情轉歸的預測等方面具有較大的優(yōu)勢[22-23]。目前應用較多的方法包括聚類算法、K近鄰、隨機森林和支持向量機(SVM)。SVM是一種對數據進行二分類的監(jiān)督學習分類器,其邊界就是距離兩樣本之間最大間隔的超平面,在處理高危多元特征中具有明顯優(yōu)勢,被廣泛應用于基于腦影像特征的分類問題[24-25]。在本研究中,我們將aDMN和pDMN內每個體素的FC值作為特征構建鑒別WD組與HC組的分類器,該分類模型的診斷符合率為80.23%,AUC為0.865,顯示出在預測WD方面具有良好的效能。而WD是一種伴隨終身且為數不多的可治療的遺傳性疾病[26],因此,對疾病轉歸趨勢的預測,可為臨床干預治療提供堅實的理論基礎。本研究中,根據UWDRS評分將WD患者分為神經精神癥狀較重組和較輕組,并基于前述的方法構建2組的分類器,其診斷符合率為70.89%,AUC為0.723,并對該分類器采用5000次置換檢驗進行校正后,其鑒別效能均具有統(tǒng)計學意義(P<0.01)。據本研究團隊查閱文獻,截至完稿,本研究是國內外首次在WD患者中利用靜息態(tài)fMRI技術提取腦功能網絡的FC值來構建分類模型。

本研究存在一定的局限性:WD是一種較罕見遺傳性疾病,樣本的搜集難度較大,雖然本研究的樣本量不少,但是就機器學習而言,樣本量仍然不夠大,增加樣本量以及增加外部數據集進行驗證可進一步提高模型的診斷效能,進一步驗證本研究結果的魯棒性;其次,本研究中僅分析了DMN的特征,未分析其它功能網絡的特征,訓練模型的特征相對有限,在后續(xù)研究中,需納入多維特征,如整個大腦區(qū)域腦圖譜的功能及結構相關特征值,以提高模型的預測效能;最后,本研究中未考慮治療因素,不同療程及不同療效的患者大腦靜息狀態(tài)下腦功能網絡是否存在差異等,還需要進一步深入研究。

綜上所述,WD患者的默認模式網絡中存在廣泛的功能連接減低,并可能是導致患者神經精神癥狀(如高階認知障礙)的潛在神經病理機制。SVM分類器可提高DMN的特征在鑒別WD疾病及預測病情轉歸中的效能。