基于机器学习的结构MRI分析：预测轻度认知障碍向阿尔茨海默病的转化

创作时间:

作者:

@小白创作中心

基于机器学习的结构MRI分析：预测轻度认知障碍向阿尔茨海默病的转化

引用

CSDN

https://m.blog.csdn.net/u011661076/article/details/145932924

阿尔茨海默病是一种致残性神经退行性疾病，目前尚无有效的治疗方法。预测阿尔茨海默病的诊断对患者的预后至关重要，但目前的阿尔茨海默病生物标志物检测方法具有侵入性、耗时且昂贵。因此，开发基于MRI的计算方法用于阿尔茨海默病的早期诊断，对于缩小预测认知衰退的表型指标范围具有重要意义。

遗忘型轻度认知障碍(aMCI)与阿尔茨海默病(AD)的较高风险相关，本研究旨在应用不同的机器学习算法，识别基于MRI的量化规则，以预测aMCI向阿尔茨海默病的可能转化。在基线时，收集了104名aMCI患者的T1加权脑图像，并处理获得146个脑灰质区域[感兴趣区域(ROIs)]的体积测量值。一年后，根据认知表现将患者分为转化组(aMCI-c=32)和非转化组(即临床和神经心理稳定者，aMCI-s=72)。采用随机森林(RF)进行特征选择，并将识别出的7个ROIs体积数据用于支持向量机(SVM)和决策树(DT)分类算法。SVM和DT在区分aMCI-c和aMCI-s方面的平均准确率均达到86%。DT发现右侧内嗅皮层(EC-r)的关键阈值体积是区分aMCI-c/aMCI-s的首要特征。几乎所有aMCI-c患者的EC-r体积＜1286mm3，而超过一半的aMCI-s患者的EC-r体积高于该阈值。其他用于区分aMCI-c/aMCI-s的关键区域包括左侧外枕叶(LOC-l)、颞中回和颞极。本研究进一步证实了先前的研究证据，表明EC-r和LOC-l的形态测量最能预测aMCI向阿尔茨海默病的转化。在将本研究结果视为广泛适用的预测框架之前，还需要进一步的研究。总的来说，在这项研究中，通过MRI获得的特定脑区体积阈值可以作为早期识别阿尔茨海默病的依据，从而推动MRI作为一种有用的非侵入性痴呆预后工具的应用。

研究背景

阿尔茨海默病(AD)是一种致残性神经退行性疾病，也是全球最常见的痴呆类型。尽管经过数十年的科学研究，阿尔茨海默病仍然缺乏有效的治疗方法，而早期检测对于患者的临床管理和个性化治疗至关重要。事实上，阿尔茨海默病的及时诊断和准确预后可能促使或鼓励在临床前阶段采取更精细的生活方式调整、神经认知增强和非药物干预措施，以减缓认知衰退。轻度认知障碍(MCI)是介于正常衰老与阿尔茨海默病之间的中间阶段，其特征是个体相对于其年龄和教育水平出现异常的认知衰退，但日常活动功能相对保留。在MCI中，尤其是遗忘型亚型(aMCI)中，检测阿尔茨海默病的生物标志物非常重要，因为aMCI的年转化率为8%至15%，五年内转化率约为50%。然而，尽管有研究表明，通过建模与阿尔茨海默病病理相关的血浆生物标志物组合可以实现对疾病发生的精确预测，但目前MCI中阿尔茨海默病生物标志物的识别具有侵入性、耗时且昂贵，限制了其在大规模筛查和初级保健环境中的应用。

MRI是一种非侵入性的工具，具有安全、快速且相对经济的特点。由于阿尔茨海默病的脑部变化甚至在临床症状出现之前就已发生，因此可以在MCI中使用MRI技术获取脑部形态特征，并研究疾病进展的结构生物标志物。具体而言，已有研究表明，颞叶皮层(尤其是海马区)的结构变化可能是阿尔茨海默病患者神经退行性损伤和疾病进展的潜在指标。

研究方法

在IRCCS圣卢西亚基金会记忆门诊服务中，本研究最初评估了130例报告认知能力下降的aMCI患者。为了将这些变化视为诊断证据，必须由可靠的照护者(定义为每周与患者联系并至少有一次亲自探访的人)确认。在基线时，所有参与者均使用临床痴呆评定量表(CDR)和日常生活能力量表(IADL)、智力衰退成套测验(MDB)以及其他标准化认知测试进行评估。具体而言，患者接受了以下测试：一般认知功能[简易精神状态检查(MMSE)]和不同认知领域的测试，包括：(i)言语记忆(MDB Rey 15词即时回忆和延迟回忆)；(ii)逻辑推理(MDB Raven渐进矩阵47)；(iii)语言(MDB语义和语音词语流畅性以及MDB句子构建)；(iv)简单构建性实践(MDB复制图画和MDB带地标的复制图画)；(v)长期视觉记忆(Rey-Osterrieth图延迟回忆)；(vi)复杂构建性实践(Rey-Osterrieth图形复制)以及(vii)执行能力，即注意转换和控制(连线测试A-B和Stroop测试)。此外，还收集了患者关于认知衰退起始年龄、病程以及高血压、高胆固醇血症和糖尿病等与衰老相关疾病的治疗信息。

具体的纳入标准如下：(i)年龄在55至90岁之间，(ii)视力和听力足以完成测试程序，(iii)遵守评估程序，以及(iv)符合Petersen指南和2003年MCI关键研讨会提出的以下临床标准的aMCI(单领域或多领域)诊断证据：(i)与年龄相关的记忆功能异常，(ii)日常生活自主性保留(≥5分)，(iii)无痴呆(MMSE评分＞20，CDR≤0.5)，以及(iv)适合进行MRI检查。

排除标准如下：(i)重大疾病，(ii)原发性精神或神经系统疾病共病，(iii)酒精或药物滥用史，以及(iv)MRI显示局灶性实质异常或肿瘤。

一年后，每位患者在随访中接受评估，并采用相同的诊断程序以确认基线aMCI诊断或根据临床标准证实aMCI向阿尔茨海默病的转化状态。根据美国国立精神病、语言交流障碍和卒中研究所/阿尔茨海默病及相关疾病协会(NINCDS-ADRDA)标准，对CDR评分＞0.5且MMSE评分≤20或在两个或更多领域(包括记忆)的神经心理表现低于参考人群外部公差限的患者，被诊断为可能患有阿尔茨海默病。

根据患者在1年随访临床评估中是否符合可能的阿尔茨海默病标准，将其分别标记为aMCI-c或aMCI-s。选择1年的间隔是因为这段时间足够长，能够捕捉到缓慢且逐渐发展的结构变化，同时也适用于预后目的。

在初始样本中，有26名患者因在1年随访前退出(n=18)、有严重的MRI运动伪影(n=5)或严重的白质病变证据(n=3)而被排除在研究之外。最终样本包括104名aMCI患者，其中32名为aMCI-c，72名为aMCI-s。本研究已获得当地伦理委员会的批准。在说明研究性质和目的后，患者及其知情人均签署了书面知情同意书。

研究结果

在基线人口统计学(年龄、性别和教育水平)和临床特征(认知衰退起始年龄、病程、药物治疗和IADL评分)方面，aMCI-c和aMCI-s组之间未发现显著差异，但CDR评分除外(表1)。在随访评估中，两组在CDR和IADL评分以及认知表现(MMSE评分和受损领域数量)方面存在显著差异。

表1.aMCI-c组和aMCI-s组的人口统计学信息和临床特征。

特征选择
在最终数据库的104个ROIs中，特征选择程序选出了7个ROIs，分别为左侧海马裂(在15个模型中有8个模型将其作为判别特征—8/15)、左侧外枕叶(9/15)、左侧颞中回(9/15)、右侧和左侧颞极(分别为9/15和12/15)以及右侧和左侧内嗅皮层(分别为14/15和15/15；图2)。

支持向量机模型
通过Grid Search进行的超参数调优显示，SVM通过结合C=1000、degree=3、gamma=0.03和kernel=多项式时，在10折交叉验证数据集划分中取得了最佳结果。使用这些参数和选定的7个ROIs，SVM模型对aMCI-c和aMCI-s的分类在训练数据集上的总准确率为90%，在测试数据集上的总准确率为86%，表明过拟合风险较低。模型对aMCI-s的精度为93%，对aMCI-c的精度为71%；对aMCI-s的召回率为87%，对aMCI-c的召回率为83%。因此，f1分数(即真阳性与总预测阳性的比率与正确预测阳性占所有实际阳性的比例之间的调和平均值，用于平衡精度和召回率)对aMCI-s为90%，对aMCI-c为77%。计算得出的ROC-AUC为85%，而交叉验证的ROC-AUC为80%。最后，k折交叉验证程序显示平均分层交叉验证准确率为78%(图2)。

决策树模型
决策树(DT)模型的准确率、敏感性和特异性与SVM模型几乎相同。具体而言，该模型对aMCI-c和aMCI-s的分类在训练数据集上的总准确率为81%，在测试数据集上的总准确率为86%，表明过拟合风险较低。模型对aMCI-s分类的精度为93%，对aMCI-c分类的精度为71%；对aMCI-s的召回率为87%，对aMCI-c的召回率为83%。因此，f1分数在aMCI-s中为90%，在aMCI-c中为77%。计算得到的ROC-AUC为85%，而交叉验证的ROC-AUC为69%。最后，k折交叉验证程序显示平均分层交叉验证准确率为79%。

右侧内嗅皮层(EC-r)的体积是首个能够对aMCI-c或aMCI-s患者进行二分类的特征，因为几乎所有aMCI-c患者(26例中有25例)的EC-r体积低于阈值1286mm3(见图3)。考虑到训练数据集中包含的83例患者，模型未能识别出能够完美分类两组的特定规则，以形成一个仅包含26例aMCI-c患者的类别和一个仅包含57例aMCI-s患者的类别(即两个完全同质的类别，类别熵=0)。事实上，aMCI-c患者的最同质分类包括6例患者，这些患者的EC-r体积低于阈值，且左侧外枕叶皮层(LOC-l)体积小于阈值8350 mm³。其余未根据EC-r和LOC-l分类的aMCI-c患者，则通过左侧颞极和左侧颞中回萎缩的阈值进行分类，但类别熵较高。

约一半的aMCI-s患者的EC-r体积高于1286mm3且LOC-l＞6210mm3，这代表了最同质的aMCI-s组(类别熵=0)，包含57例患者中的29例。大多数不符合EC-r体积大于1286mm3标准的aMCI-s患者还显示出左侧颞极体积较小，这可能表明EC-r萎缩在该aMCI-s亚组中更为广泛，因此还涉及其他皮层区域。