分享:
分享到微信朋友圈
X
基础研究
基于个体特异性功能连接的阿尔茨海默病早期识别研究
王雪彤 董晓熹 李淑宇

Cite this article as: Wang XT, Dong XX, Li SY. Identification of Alzheimer's disease and mild cognitive impairment patients using individual-specific functional connectivity[J]. Chin J Magn Reson Imaging, 2022, 13(4): 56-61, 68.本文引用格式:王雪彤, 董晓熹, 李淑宇. 基于个体特异性功能连接的阿尔茨海默病早期识别研究[J]. 磁共振成像, 2022, 13(4): 56-61, 68. DOI:10.12015/issn.1674-8034.2022.04.010.


[摘要] 目的 基于静息态功能磁共振成像(resting state functional magnetic resonance imaging, rs-fMRI)探索个体特异性功能连接对阿尔茨海默病(Alzheimer's disease, AD)及轻度认知障碍(mild cognitive impairment,MCI)患者、稳定型轻度认知障碍(stable mild cognitive impairment,sMCI)及进展型轻度认知障碍(progress mild cognitive impairment,pMCI)患者分类的影响,提取有助于AD及MCI诊断的潜在神经影像学标志物。材料与方法 使用阿尔茨海默病神经影像学计划(Alzheimer's Disease Neuroimaging Initiative,ADNI)数据集,包含47名正常对照组(normal controls, NC),66名sMCI,24名pMCI和29名 AD患者。本文使用基于多任务学习的稀疏凸松弛交互结构优化(multi-task learning-based sparse convex alternating structure optimization,MTL-sCASO)方法提取个体特异性功能连接,并通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)进行特征选择,最后利用支持向量机(support vector machine, SVM)分类器完成AD/MCI/NC的三分类及sMCI/pMCI的二分类任务。此外,采用双样本t检验来计算分类过程中最具辨识力的功能连接的组间差异(P<0.05)。结果 相比于通过传统皮尔森相关构建的功能连接的分类结果(73.49%),基于个体特异性功能连接对AD/MCI/NC的三分类准确度达到了85.54%。此外,使用个体特异性功能连接对sMCI/pMC的分类性能(86.67%)要优于使用皮尔森相关得到的功能连接的分类性能(75.56%)。在分类过程中最具辨识力的功能连接,其连接强度在组间的差异有统计学意义。结论 采用蕴含更多个体特性的个体特异性连接可提高对AD及MCI识别准确度,个体特异性功能连接有望作为AD及MCI诊断的潜在神经影像学标志物。
[Abstract] Objective To explore the value of the individual-specific functional connectivity based on resting state functional magnetic resonance imaging (rs-fMRI) in the classification of Alzheimer's disease (AD) and mild cognitive impairment (MCI), and stable mild cognitive impairment (sMCI) and progress mild cognitive impairment (pMCI) patients.Materials and Methods We used ADNI dataset, which included 47 normal controls (NC), 66 sMCI, 24 pMCI, and 29 AD patients. The individual-specific functional connectivity was used as input to select features with least absolute shrinkage and selection operator (LASSO). And SVM was performed for AD/MCI/NC multiclassification and sMCI/pMCI classification. We extracted the most discriminative functional connectivities, the two-sample t-test (P<0.05) was used to compare the differences in the strength of the most discriminative functional connectivities between groups.Results Compared with the functional connectivity estimated by Pearson correlation (73.49%), the individual-specific functional connectivity estimated by multi-task learning-based sparse convex alternating structure optimization (MTL-sCASO) achieved 85.54% accuracy rate for AD/MCI/NC multiclassification. The individual-specific functional connectivity showed higher accuracy for identification sMCI and pMCI than the functional connectivity constructed by Pearson correlation (86.67% vs. 75.56%). The strength of the most discriminative connectivity were significantly different between groups.Conclusions The individual-specific connectivities is beneficial to the classification of AD and MCI, and the strength of functional connectivity could be used as a neuroimaging biomarker for the diagnosis of AD and MCI.
[关键词] 静息态功能磁共振成像;阿尔茨海默病;轻度认知障碍;多任务学习;个体特异性功能连接;早期诊断;影像学标志物
[Keywords] resting state functional magnetic resonance imaging;Alzheimer's disease;mild cognitive impairment;multi-task learning;individual-specific connectivity;early diagnosis;neuroimaging biomarker

王雪彤    董晓熹    李淑宇 *  

北京航空航天大学生物与医学工程学院,北京生物医学工程高精尖创新中心,北京 100191

李淑宇,E-mail:shuyuli@buaa.edu.cn

作者利益冲突声明:全体作者均声明无利益冲突。


基金项目: 国家自然科学基金 81972160
收稿日期:2021-11-11
接受日期:2022-03-29
中图分类号:R445.2  R749.16 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2022.04.010
本文引用格式:王雪彤, 董晓熹, 李淑宇. 基于个体特异性功能连接的阿尔茨海默病早期识别研究[J]. 磁共振成像, 2022, 13(4): 56-61, 68. DOI:10.12015/issn.1674-8034.2022.04.010

       阿尔茨海默病(Alzheimer's disease,AD)是最广泛的一种痴呆类型,为了减缓痴呆的进展,及时干预治疗至关重要,这就需要对AD及其前驱阶段,即轻度认知障碍(mild cognitive impairment,MCI)进行早期诊断。同时,从临床角度来看,如何在MCI阶段,将有进展为痴呆风险的进展型轻度认知障碍(progress mild cognitive impairment,pMCI)患者从稳定型轻度认知障碍(stable mild cognitive impairment,sMCI)中有效识别出来,对于MCI的早期干预具有重要临床价值。

       静息态功能磁共振成像(resting state functional magnetic resonance imaging,rs-fMRI)可以检测到AD及MCI患者功能活动及功能连接的改变[1, 2, 3]。近年来,基于功能神经成像对AD及MCI进行分类的研究已发表大量论文[4, 5, 6]。一项对AD相关文献进行系统回顾和荟萃分析的研究发现,AD疾病中出现静息态功能网络障碍,功能连接可以作为AD的影像学标志物[7]。研究发现将脑功能连接作为特征,有助于AD或AD前驱阶段的诊断,显示了良好的分类结果[8, 9]

       脑功能连接可以被认为是围绕着一个中心产生变异性的网络连接,中心由个体间的共同网络(个体相似效应)主导,变异性则是稳定的个体特征(个体特异效应)[10, 11]。基于多任务学习的稀疏凸松弛交互结构优化(multi-task learning-based sparse convex alternating structure optimization,MTL-sCASO)方法能分解出静息态功能连接中个体特异效应产生的个体特异性连接。个体特异性连接包含用于识别个体的特征信息,能提高个体识别的准确度,并能更好地对认知能力进行预测[12]。在AD及MCI中,不同个体可能在大脑不同的位置发生病变或在特定脑区有不同的病变程度,个体特异性特征更有助于疾病的识别[13]。同时,相比于正常对照组(normal controls,NC),AD及MCI呈现出认知水平的下降。蕴含更多个体特性且对认知能力预测性能更好的个体特异性连接,有望更准确地对AD及MCI进行识别。本研究旨在基于rs-fMRI数据,使用MTL-sCASO方法提取个体特异性功能连接,对AD、MCI及pMCI/sMCI进行分类并识别,发现有助于AD及AD前驱期诊断的潜在神经影像学标志物。

1 材料及方法

1.1 数据集及受试者

       使用阿尔茨海默病神经影像学计划(Alzheimer's Disease Neuroimaging Initiative,ADNI)数据库,该数据库可在网上公开获取(http://adni.loni.usc.edu/),研究对象的分组依据(AD,MCI和NC)由ADNI数据库报告定义。从ADNI数据库获取的受试者数据其本人或其授权人均签署了知情同意书,并经数据采集中心的伦理审查委员予以审批并通过。本研究中受试者数据选择的依据是:年龄在55到90岁之间,包含完整的结构MRI数据及rs-fMRI的基线数据。质量控制主要包括原始数据质量初筛和检查头动问题。数据初筛检查数据是否出现尾迹过大和信号缺失严重的问题,数据质量初筛后,删去2例(1例为MCI患者,1例为AD患者)失真严重的功能影像数据。计算头动参数,并排除最大头动距离大于1.5 mm和最大头动角度大于1.5°的受试者9例。共使用了166个受试者的基线数据,包括47名NC,66名sMCI,24名pMCI和29名AD患者。24名pMCI受试者最初在基线检查时被诊断为MCI,但在36个月的随访期内发现转化为AD。

       使用ADNI中的ADNI 2/GO数据库,数据采集的详细信息请参见以下网址(https://adni.loni.usc.edu/methods/documents/)。影像数据主要由Philips 3 T MRI 扫描采集,结构MRI扫描参数为:TR=2300 ms,TE=3 ms,扫面层数170,扫描矩阵256×256,层厚1.2 mm,翻转角为9°;rs-fMRI扫描参数为:TR=3000 ms,TE=30 ms,扫面层数48,扫描矩阵64×64,层厚3.3 mm,翻转角80°,140个时间点。

1.2 数据处理

       使用DPARSF 5.2工具包(http://www.rfmri.org/DPARSF)中的标准流程对所有rs-fMRI数据进行图像预处理,包括删除前十个时间点数据,时间层校正,头动校正,去除头皮,将T1像配准到功能像,将图像分割为灰质、白质和脑脊液三部分,配准到MNI空间,回归掉噪声协变量(包括白质、脑脊液等噪声信号),去除线性漂移。血氧水平依赖(blood oxygen level-dependent,BOLD)信号经过带通滤波(0.01≤f≤0.1 Hz)去除噪声。

       基于脑区功能划分的Power图谱,我们将大脑划分为264个脑区[感兴趣区域(region of interest,ROI)],该图谱被证明能够确保脑区节点的功能意义并且减少其余功能脑区信号的干扰[14]。提取每个ROI中心坐标为球心,半径为5 mm的小球内所有体素的平均时间序列,视为该脑区的时间序列。

       基于rs-fMRI数据,使用皮尔森相关计算每两个脑区间时间序列的相关系数,构成连接矩阵。同时,本研究通过MTL-sCASO方法提取个体特异性连接,详细方法参见文献[12]。图1为估计个体特异性连接的示意图,将所有受试者的时间序列放入MTL-sCASO估计模型中。该估计模型可以理解为使用其他脑区的时间序列对某个脑区的时间序列进行拟合,拟合的参数即脑区间的功能连接。每个受试者的拟合过程视为一个任务,进行多任务的协同学习。所以,本研究可以在估计功能连接的过程中将其分解为两部分:个体相似性连接蕴含所有受试者一致的功能连接(相似性效应),个体特异性连接主要代表稳定的个体特性(特异性效应)。两者相加即组成了每个个体整体的功能连接。MTL-sCASO方法的估计功能连接的模型由下述三项组成:偏相关估计、结构优化和稀疏正则化,该模型的目标函数如下式所示:

       θp,Up,Wp可以通过Mp构建,θpT是(M-1)×K矩阵,且列向量是标准正交向量,即θpθpT=I。其中M是脑区总数,N是样本总数。同时,upn∈R(M-1)×1表达了第n个样本第p个脑区和其他所有脑区的个体特异性连接。θpT的每个列向量表达了第p个脑区和其他所有脑区的个体相似性连接,vpn∈RK×1表达了第n个样本对相似性连接的权重。K为相似性空间θp的维数,也就是相似性成分的个数。正则化系数ρ1控制功能网络的相关程度,ρ2控制模型的复杂程度并防止模型过拟合,L1正则化项ρ3Wp1是用来控制脑功能网络的稀疏程度,提取个体特异性连接时使用的具体参数和目标函数优化过程可见文献[12]。

图1  估计个体特异性功能连接示意图。
Fig. 1  Illustration of estimating individual-specific functional connectivity.

1.3 AD及MCI患者的识别

       在获得通过传统皮尔森相关方法计算的网络连接和通过MTL-sCASO估计的个体特异性连接后,本研究将每个个体的功能连接进行Z值归一化,取连接强度的绝对值作为特征。在每一个分类任务之前,使用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)方法筛选特征,使用10折交叉验证计算不同参数λ(该参数控制选择特征的稀疏程度)下验证集对类别拟合的均方差(mean squared error,MSE),采用均方差最小的λ来选择和类别相关的特征子集以简化后续分类模型,消除冗余特征,减少过拟合并增加泛化性。

       在AD/MCI/NC的三分类任务中,本研究使用一对多分类方式,针对AD/MCI/NC的每一个类别训练一个二类分类器,将AD/MCI/NC的一类设为正类,其他所有类别设为负类。最后的多分类结果为分类概率最大的类。在每一个二类分类器中,使用10折交叉验证,将样本随机的分为10折并保证每一折类别分布近似,选出其中9折作为训练集,余下的1折作为测试集,重复10次。将筛选后的特征输入到训练集中,训练支持向量机(support vector machine,SVM)分类器,将分类器应用到测试集并计算分类准确度。

       对于pMCI/sMCI的分类,跟上述二类分类器相同,同样使用10折交叉验证,并将pMCI设为正类。并计算分类的F1-分数值和受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)值。

1.4 分类标志物的展示

       在分类的过程中,使用线性SVM分类器,每个特征(每个功能连接强度)存在分类权重,该权重越大,对分类的贡献越大。对于每个特征而言,计算所有分类器平均的分类权重。对于AD/MCI/NC的多分类任务,计算所有二分类器分类权重的均值。选取分类权重最大的前10个特征,代表了10个有助于分类的功能连接,使用BrainNet软件(http://www.nitrc.org/projects/bnv/)[15]对其进行显示。并计算不同组功能连接强度的均值,使用双样本t检验比较功能连接强度的组间差异,P<0.05认为差异有统计学意义(FDR校正)。

2 结果

2.1 人口统计学

       如表1所示,通过单因素方差分析,AD、pMCI、sMCI及NC各组在年龄及受教育年限差异无统计学意义(P>0.05)。通过卡方检验,AD、pMCI、sMCI及NC各组的性别差异无统计学意义(P>0.05)。

表1  人口统计学信息(x¯±s)
Tab. 1  Demographic information of the subjects (x¯±s)

2.2 分类准确度

       AD、MCI及NC的分类结果如表2所示。皮尔森相关方法得到的功能连接作为特征,AD、MCI和NC与其他组的二分类准确度分别为78.92%、65.66%和86.74%,三分类准确度为73.49%。个体特异性连接作为特征要高于皮尔森相关方法的准确度,其中AD、MCI和NC与其他组的二分类准确度分别为89.16%、72.29%和89.16%,三分类准确度为85.54%。

       sMCI和pMCI的分类结果如表3所示。使用个体特异性连接的分类性能(准确度=86.67%,F1-分数=0.7273,AUC=0.9400)要优于使用皮尔森相关方法的分类性能(准确度=75.56%,F1-分数=0.3529,AUC=0.7847)。

表2  AD/MCI/NC分类准确度
Tab. 2  Classification accuracy of AD/MCI/NC
表3  sMCI/pMCI分类性能
Tab. 3  Classification performance of sMCI/pMCI

2.3 分类标志物

       使用个体特异性连接作为特征,对于AD/MCI/NC的三分类任务,选取的对分类贡献最大的连接如图2所示。对于这些区分性最强的功能连接,比较平均连接强度的组间差异的结果如图3所示。相比于AD患者及正常对照组,MCI患者功能连接强度异常且差异有统计学意义的功能连接包括:右侧内侧颞叶-左侧颞上回、左侧额极-左侧颞中回颞枕部、右侧顶岛盖-后扣带回、初级味觉皮层-左侧颞中回。相比于正常对照组,MCI及AD患者功能连接异常且差异有统计学意义的功能连接包括:左侧梭状回后部-左侧额眶回、听觉皮层-右侧舌回、初级体感皮层-初级运动皮层、右侧后扣带回-右侧丘脑、初级运动皮层-内侧额叶。对于左侧颞极-右侧额极之间的功能连接,MCI患者的连接强度显著地低于正常对照组的连接强度,而AD患者的连接强度又显著地低于MCI患者的连接强度。

       使用个体特异性连接作为特征,对于sMCI/pMCI的分类任务,提取到的对分类贡献最大的连接如图4所示。对于这些区分性最强的功能连接,比较平均连接强度的组间差异的结果如图5所示。在统计学上,pMCI患者功能连接强度显著地高于sMCI患者的功能连接包括:右侧辅助运动皮层-左侧额极、左侧额上回-右侧梭状回、右侧辅助运动皮层-右侧额极、左侧前扣带回-右侧缘上回后部、初级运动皮层-初级味觉皮层、左侧海马旁回-左侧枕外侧下部、左侧枕外侧下部-右侧额中回。pMCI患者左侧顶岛盖-左侧枕极之间的功能连接强度低于sMCI且差异有统计学意义。

图2  AD/MCI/NC多分类中区分性最强的特征(功能连接)。黄线表示在MCI患者中出现异常的功能连接(相比于NC/AD),绿线表示在MCI/AD患者中出现异常的功能连接(相比于NC),蓝线表示在三组中任意两组中均出现显著差异的功能连接。注:AD:阿尔茨海默病;MCI:轻度认知障碍;NC:正常对照组;.L/.R分别代表脑左侧及右侧;MTC:内侧颞叶;ITg:颞上回;FP:额极;toMTg:颞中回颞枕部;POC:顶岛盖;PCg:后扣带回;PGC:初级味觉皮层;MTg:颞中回;pFFg:梭状回后部;OFC:额眶回;AudC:听觉皮层;Ling:舌回;S1:初级体感皮层;M1:初级运动皮层;THA:丘脑;MFC:内侧额叶;TP:颞极;FP:额极。
Fig. 2  The most discriminative features (functional connections) for AD/MCI/NC multiclassification. The yellow line represents functional connectivity that is abnormal in MCI patients (compared to NC/AD). The green line shows functional connectivity that is abnormal in MCI/AD patients (compared to NC). There are significant differences of functional connecitivty (bule line) between either pair of groups. Note: AD: Alzheimer's disease; MCI: mild cognitive impairment;NC: normal controls; .L/.R represents the left brain and the right brain, respectively; MTC: medial temporal cortex; ITg: inferior temporal gyrus; FP: frontal pole; toMTg: emporooccipital middle temporal gyrus; POC: parietal operculum cortex; PCg: posterior cingulate gyrus; PGC: primary gustatory cortex; MTg: middle temporal gyrus; pFFg: posterior fusiform gyrus; OFC: orbital frontal cortex; AudC: auditory cortex; Ling: lingual gyrus; S1: primary somatosensory cortex; M1: primary motor cortex; THA: thalamus; MFC: medial frontal cortex; TP: temporal pole; FP: frontal pole.
图3  AD/MCI/NC多分类中区分性最强的功能连接强度的组间均值比较。注:*:双样本t检验P<0.05 (FDR校正);AD:阿尔茨海默病;MCI:轻度认知障碍;NC:正常对照组;.L/.R分别代表脑左侧及右侧;MTC:内侧颞叶;ITg:颞上回;FP:额极;toMTg:颞中回颞枕部;POC:顶岛盖;PCg:后扣带回;PGC:初级味觉皮层;MTg:颞中回;pFFg:梭状回后部;OFC:额眶回;AudC:听觉皮层;Ling:舌回;S1:初级体感皮层;M1:初级运动皮层;THA:丘脑;MFC:内侧额叶;TP:颞极;FP:额极。
Fig. 3  The differences of mean weights of most discriminative functional connections for AD/MCI/NC multiclassification across groups. Note: *: P<0.05 (FDR corrected) with two sample t test; AD: Alzheimer's disease; MCI: mild cognitive impairment;NC: normal controls; .L/.R represents the left brain and the right brain, respectively; MTC: medial temporal cortex; ITg: inferior temporal gyrus; FP: frontal pole; toMTg: emporooccipital middle temporal gyrus; POC: parietal operculum cortex; PCg: posterior cingulate gyrus; PGC: primary gustatory cortex; MTg: middle temporal gyrus; pFFg: posterior fusiform gyrus; OFC: orbital frontal cortex; AudC: auditory cortex; Ling: lingual gyrus; S1: primary somatosensory cortex; M1: primary motor cortex; THA: thalamus; MFC: medial frontal cortex; TP: temporal pole; FP: frontal pole.
图4  sMCI/pMCI分类中区分性最强的特征(功能连接)。注:sMCI:稳定型轻度认知障碍;pMCI:进展型轻度认知障碍;.L/.R分别代表脑左侧及右侧;SMC:辅助运动皮层;FP:额极;PO:顶岛盖;OP:枕极;SFg:额上回;FFg:梭状回;ACC:前扣带回;pSMg:缘上回后部;M1:初级运动皮层;PGC:初级味觉皮层;PHC:海马旁回;iLOC:枕外侧下部;MFG:额中回。
Fig. 4  The most discriminative features (functional connections) for sMCI/pMC Imulticlassification. Note: pMCI: progress mild cognitive impairment; sMCI: stable mild cognitive impairment; .L/.R represents the left brain and the right brain, respectively; SMC: supplementary motor cortex; FP: frontal pole; PO: parietal operculum cortex; OP: occipital pole; SFg: superior frontal gyrus; FFg: fusiform gyrus; ACC: anterior cingulate gyrus; pSMg: posterior supramarginal gyrus; M1: primary motor cortex; PGC: primary gustatory cortex; PHC: parahippocampal gyrus; iLOC: inferior lateral occipital cortex; MFG: middle frontal gyrus.
图5  sMCI/pMCI分类中区分性最强的功能连接强度的组间均值比较。注:*:双样本t检验P<0.05 (FDR校正);sMCI:稳定型轻度认知障碍;pMCI:进展型轻度认知障碍;.L/.R分别代表脑左侧及右侧;SMC:辅助运动皮层;FP:额极;PO:顶岛盖;OP:枕极;SFg:额上回;FFg:梭状回;ACC:前扣带回;pSMg:缘上回后部;M1:初级运动皮层;PHC:海马旁回;iLOC:枕外侧下部;MFG:额中回。
Fig. 5  The differences of mean weights of most discriminative functional connections for sMCI/pMCI classification between groups. Note: *: P<0.05 (FDR corrected) with two sample t test; pMCI: progress mild cognitive impairment; sMCI: stable mild cognitive impairment; .L/.R represents the left brain and the right brain, respectively; SMC: supplementary motor cortex; FP: frontal pole; PO: parietal operculum cortex; OP: occipital pole; SFg: superior frontal gyrus; FFg: fusiform gyrus; ACC: anterior cingulate gyrus; pSMg: posterior supramarginal gyrus; M1: primary motor cortex; PHC: parahippocampal gyrus; iLOC: inferior lateral occipital cortex; MFG: middle frontal gyrus.

3 讨论

       本文使用个体特异性功能连接实现了AD/MCI/NC的三分类及sMCI/pMCI的二分类任务。相比于传统的基于皮尔森相关方法构建的功能连接,使用基于MTL-sCASO方法得到的个体特异性连接可以达到更好的分类性能。此外,本研究发现最具辨识度的功能连接强度的组间差异显著。本研究证明,蕴含更多个体特性的个体特异性连接,能更准确地对AD及MCI进行识别,表明个体特异性功能连接对神经退行性疾病(AD及MCI)导致的病变更敏感。个体特异性功能连接异常的研究能加深对MCI及AD的病理机制的理解,同时,sMCI/pMCI个体特异性连接的差异研究能帮助我们更好地理解MCI进展为AD的病理基础。

3.1 对疾病敏感的个体特异性功能连接

       本研究表明蕴含更多个体特性的个体特异性连接能更准确地对AD及MCI进行识别。AD病理过程会因为年龄、性别以及基因等因素存在个体差异,所以不同个体的病变位置和病变程度也不尽相同。在基于结构MRI预测神经心理学量表得分的过程中,特异地选择个体对痴呆敏感的大脑位置能提高预测准确度[13],因此,提取个体特异性特征可能会有助于预测痴呆的进展。同时,在早期MCI的识别任务中,考虑由不同症状或异常程度引起的神经活动的个体特性也能有效地提高识别准确度[16]。有研究通过识别个体特异的认知损伤模式来设计用于定期随访的个性化认知测试,以适应不同痴呆类型的认知测试情况[17]。已有研究发现,功能连接的个体特异模式能更好地对多种认知能力进行预测[18],并能更好地预测AD临床前期的情景记忆[19],这表明个体特异性功能连接可能对AD及MCI病变更敏感,并提高了对AD及MCI识别准确度。综上所述,个体特异性功能连接为AD及MCI的病理研究提供了新的研究视角和方法,有潜力成为AD和MCI敏感的神经影像学标志物。

3.2 MCI及AD患者个体特异性连接的异常

       相比于NC和AD患者,MCI患者个体特异性功能连接的异常表明,在MCI阶段对应脑区间出现功能异常,而在AD阶段功能异常消失。这种异常主要集中在颞叶、前额叶、后扣带回及顶下小叶。在AD病理进展早期,部分神经元的轻微损伤会引起大脑部分区域功能活动异常增强,这可能反映了一种功能代偿机制[20]。而随着AD病理进展到中晚期,严重的神经元损伤以及物理连接缺失会导致功能活动持续减弱。中颞叶功能紊乱是MCI中首先出现的神经病变,它可以在后扣带回和前额叶皮层开始一系列异常的功能变化[21],而这种功能代偿可能随着痴呆的进展逐渐消失。顶下小叶是具有情景记忆、语义处理和空间认知功能的脑区,以往的研究同样发现MCI患者顶下小叶过度活跃而AD患者过度活跃消失的情况[22]。与NC受试者相比,在MCI受试者中发现的颞顶区域的超连接可能是记忆网络效率低下的一种补偿机制。以往的研究也发现,相比于NC,MCI患者的前额叶和颞顶叶连接增强[23],而当疾病进展为AD时该部分连接减弱了。

       相比于NC,MCI和AD患者显著降低的功能连接表明,在MCI阶段就出现了功能失连接,并且在AD阶段功能失连接保持或加剧。失连接主要出现在梭状回、内侧前额叶、内侧颞叶及后扣带回中,这些脑区是默认模式网络(default mode network,DMN)重要的组成部分。DMN区域最易受到AD病理的攻击[24],其内部的失连接可以作为AD早期诊断的潜在影像学标志物[25]。同时,本研究还发现初级体感皮层和初级运动皮层的失连接,这暗示着MCI和AD阶段受试者对体感信息的回应减弱。而AD阶段失连接的加剧出现在额极和颞极之间,该连接的衰减程度可以帮助判断痴呆的严重程度。

3.3 sMCI/pMCI个体特异性连接的差异

       与sMCI相比,pMCI患者功能连接的异常集中在梭状回、缘上回、海马旁回以及枕外侧。这与之前有关pMCI静息态脑功能连接异常的结果一致[26]。梭状回、海马旁回与海马体存在密切的解剖连接,同时也是内侧颞叶的一部分。位于内侧颞叶区域的海马体是AD病理攻击的主要结构,AD病理会导致内侧颞叶区域出现大量的神经纤维缠结继而引起大量神经元坏死出现萎缩持续加重,因此病变严重的pMCI患者内侧颞叶区的功能异常显著[27]。缘上回是DMN的关键组成部分,之前的许多研究表明缘上回的病变与AD密切相关[28]。枕外侧与视觉相关,枕外侧的功能异常将会导致视觉障碍,视觉障碍会影响患者的认知从而增加患痴呆的风险[29]。此外,pMCI患者中出现辅助运动皮层和额极之间的功能连接异常,额极位于额下后部,是运动性语言中枢,其与辅助运动皮层的功能连接异常表明语言有关的肌肉共济失调,从而出现语言功能受损,语言有关功能连接的增加是早期痴呆标志[30]。综上所述,本文得到的sMCI与pMCI个体特异性连接异常与之前的功能网络研究相一致,说明个体特异性连接能够良好地识别AD病理导致的功能连接异常,有望成为检测AD疾病进展的有效影像学标志物。

3.4 局限性

       本研究在实现NC/MCI/AD的多分类任务和sMCI/pMCI的分类任务时样本的总量为166例和90例。样本总量不够充足,尤其是pMCI受试者仅有24例,这将影响分类结果,并会产生一定程度的过拟合。虽然本研究使用特征选择以减少过拟合的影响,但受样本量和交叉验证本身的限制过拟合仍会存在。未来希望通过收集多中心临床rs-fMRI数据来增加样本量,同时使用独立的测试集进行测试来减少过拟合的影响。

       综上所述,采用蕴含更多个体特性的个体特异性连接可提高对AD及MCI识别准确度,个体特异性功能连接有望作为AD及MCI诊断的潜在影像学标志物。

[1]
Chand GB, Wu J, Hajjar I, et al. Interactions of the Salience Network and Its Subsystems with the Default-Mode and the Central-Executive Networks in Normal Aging and Mild Cognitive Impairment[J]. Brain Connect, 2017, 7(7): 401-412. DOI: 10.1089/brain.2017.0509.
[2]
Mao Y, Liao Z, Liu X, et al. Disrupted balance of long and short-range functional connectivity density in Alzheimer's disease (AD) and mild cognitive impairment (MCI) patients: a resting-state fMRI study[J]. Ann Transl Med, 2021, 9(1): 65. DOI: 10.21037/atm-20-7019.
[3]
Ibrahim B, Suppiah S, Ibrahim N, et al. Diagnostic power of resting-state fMRI for detection of network connectivity in Alzheimer's disease and mild cognitive impairment: A systematic review[J]. Human brain mapping, 2021, 42(9): 2941-2968. DOI: 10.1002/hbm.25369.
[4]
Rathore S, Habes M, Iftikhar MA, et al. A review on neuroimaging-based classification studies and associated feature extraction methods for Alzheimer's disease and its prodromal stages[J]. Neuroimage, 2017, 155: 530-548. DOI: 10.1016/j.neuroimage.2017.03.057.
[5]
Oh K, Chung YC, Kim KW, et al. Classification and Visualization of Alzheimer's Disease using Volumetric Convolutional Neural Network and Transfer Learning[J]. Sci Rep, 2019, 9(1): 18150. DOI: 10.1038/s41598-019-54548-6.
[6]
Hojjati SH, Ebrahimzadeh A, Khazaee A, et al. Predicting conversion from MCI to AD using resting-state fMRI, graph theoretical approach and SVM[J]. J Neurosci Methods, 2017, 282: 69-80. DOI: 10.1016/j.jneumeth.2017.03.006.
[7]
Badhwar A, Tam A, Dansereau C, et al. Resting-state network dysfunction in Alzheimer's disease: A systematic review and meta-analysis[J]. Alzheimer's & Dementia: Diagnosis, Assessment & Disease Monitoring, 2017, 8(1): 73-85. DOI: 10.1016/j.dadm.2017.03.007.
[8]
Yu R, Zhang H, An L, et al. Connectivity strength-weighted sparse group representation-based brain network construction for MCI classification[J]. Hum Brain Mapp, 2017, 38(5): 2370-2383. DOI: 10.1002/hbm.23524.
[9]
Meszlényi RJ, Buza K, Vidnyánszky Z. Resting State fMRI Functional Connectivity-Based Classification Using a Convolutional Neural Network Architecture[J]. Front Neuroinform, 2017, 11: 61. DOI: 10.3389/fninf.2017.00061.
[10]
Gratton C, Laumann TO, Gordon EM, et al. Evidence for two independent factors that modify brain networks to meet task goals[J]. Cell reports, 2016, 17(5): 1276-1288.
[11]
Gratton C, Laumann TO, Nielsen AN, et al. Functional Brain Networks Are Dominated by Stable Group and Individual Factors, Not Cognitive or Daily Variation[J]. Neuron, 2018, 98(2): 439-452. DOI: 10.1016/j.neuron.2018.03.035.
[12]
Wang X, Li Q, Zhao Y, et al. Decomposition of individual-specific and individual-shared components from resting-state functional connectivity using a multi-task machine learning method[J]. Neuroimage, 2021, 238: 118252. DOI: 10.1016/j.neuroimage.2021.118252.
[13]
Lian C, Liu M, Wang L, et al. Multi-Task Weakly-Supervised Attention Network for Dementia Status Estimation With Structural MRI[J]. IEEE Transactions on Neural Networks and Learning Systems, 2021: 1-13. DOI: 10.1109/TNNLS.2021.3055772.
[14]
Power JD, Cohen AL, Nelson SM, et al. Functional network organization of the human brain[J]. Neuron, 2011, 72(4): 665-678. DOI: 10.1016/j.neuron.2011.09.006.
[15]
Xia M, Wang J, He Y. BrainNet Viewer: a network visualization tool for human brain connectomics[J]. PLoS One, 2013, 8(7): e68910. DOI: 10.1371/journal.pone.0068910.
[16]
Lee J, Ko W, Kang E, et al. A unified framework for personalized regions selection and functional relation modeling for early MCI identification[J]. NeuroImage, 2021, 236: 118048. DOI: 10.1016/j.neuroimage.2021.118048.
[17]
Anusha AS, Ranjan U, Sharma M, et al. Identification of Patterns of Cognitive Impairment for Early Detection of Dementia[C]. 2020 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), 2020: 5498-5501.
[18]
Kong R, Yang Q, Gordon E, et al. Individual-Specific Areal-Level Parcellations Improve Functional Connectivity Prediction of Behavior[J]. Cerebral Cortex, 2021, 31(10): 4477-4500. DOI: 10.1093/cercor/bhab101.
[19]
Fountain-Zaragoza S, Heshung L, Jensen JH, et al. Predicting memory in preclinical AD from resting-state functional connectivity[J]. Alzheimer's & Dementia, 2021, 17(S4): e055627. DOI: 10.1002/alz.055627.
[20]
Cai S, Chong T, Peng Y, et al. Altered functional brain networks in amnestic mild cognitive impairment: a resting-state fMRI study[J]. Brain Imaging and Behavior, 2017, 11(3): 619-631. DOI: 10.1007/s11682-016-9539-0.
[21]
Liu L, Jiang H, Wang D, et al. A study of regional homogeneity of resting-state Functional Magnetic Resonance Imaging in mild cognitive impairment[J]. Behavioural Brain Research, 2021, 402: 113103. DOI: 10.1016/j.bbr.2020.113103.
[22]
Tang F, Zhu D, Ma W, et al. Differences Changes in Cerebellar Functional Connectivity Between Mild Cognitive Impairment and Alzheimer's Disease: A Seed-Based Approach[J]. Frontiers in Neurology, 2021, 12.
[23]
Delli Pizzi S, Punzi M, Sensi SL. Functional signature of conversion of patients with mild cognitive impairment[J]. Neurobiol Aging, 2019, 74: 21-37. DOI: 10.1016/j.neurobiolaging.2018.10.004.
[24]
Dillen KNH, Jacobs HIL, Kukolja J, et al. Functional Disintegration of the Default Mode Network in Prodromal Alzheimer's Disease[J]. J Alzheimers Dis, 2017, 59(1): 169-187. DOI: 10.3233/jad-161120.
[25]
Jin D, Wang P, Zalesky A, et al. Grab-AD: Generalizability and reproducibility of altered brain activity and diagnostic classification in Alzheimer's Disease[J]. Human Brain Mapping, 2020, 41(12): 3379-3391. DOI: 10.1002/hbm.25023.
[26]
Li Y, Wang X, Li Y, et al. Abnormal Resting-State Functional Connectivity Strength in Mild Cognitive Impairment and Its Conversion to Alzheimer's Disease[J]. Neural Plast, 2016, 2016: 4680972. DOI: 10.1155/2016/4680972.
[27]
Zhang T, Liao Q, Zhang D, et al. Predicting MCI to AD Conversation Using Integrated sMRI and rs-fMRI: Machine Learning and Graph Theory Approach[J]. Frontiers in Aging Neuroscience, 2021, 13.
[28]
Yamashita KI, Taniwaki Y, Utsunomiya H, et al. Cerebral blood flow reduction associated with orientation for time in amnesic mild cognitive impairment and Alzheimer disease patients[J]. J Neuroimaging, 2014, 24(6): 590-594. DOI: 10.1111/jon.12096.
[29]
Naël V, Pérès K, Dartigues JF, et al. Vision loss and 12-year risk of dementia in older adults: the 3C cohort study[J]. Eur J Epidemiol, 2019, 34(2): 141-152. DOI: 10.1007/s10654-018-00478-y.
[30]
Pistono A, Senoussi M, Guerrier L, et al. Language network connectivity increases in early Alzheimer's disease[J]. Journal of Alzheimer's Disease, 2021, 82(1): 447-460.

上一篇 增强MR组学联合临床因素预测肝细胞癌根治性切除术后早期复发的价值研究
下一篇 基于低频振幅和局部一致性的视神经脊髓炎谱系疾病认知功能障碍的静息态脑功能成像研究
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2