文献速递神经MR

血管性认知障碍的MRI影像组学研究进展

Developments in MRI radiomics research for vascular cognitive impairment.
PubMed 文献 · Insights Imaging · 2025-07-01

本文综述血管性认知障碍(VCI)的分类、影像组学概念及MRI影像组学在VCI预测、诊断和鉴别诊断中的应用,指出MRI影像组学可早期预测和诊断VCI,并有助于区分VCI与阿尔茨海默病。

要点

  • MRI影像组学可从标准MRI图像中提取定量特征,用于VCI的早期预测、诊断及与阿尔茨海默病的鉴别。
  • 基于白质特征的逻辑回归模型在WMH患者中检测认知障碍的外部测试AUC为0.819。
  • 豆纹动脉临床与影像组学联合模型预测MCI的AUC在训练集为0.88、测试集为0.76,优于单一模型。

核心结论

  • MRI影像组学可早期预测VCI、诊断VCI,并区分VCI与阿尔茨海默病。
  • 影像组学模型结合临床特征可提高VCI相关认知障碍的预测和诊断性能。

研究设计与样本

  • 本文为综述,遵循PRISMA指南检索PubMed、Web of Science和Cochrane Library数据库,最终纳入7项原始研究。
  • 纳入文献为2015年1月1日至2024年12月31日以英文发表、涉及人类受试者的原始研究文章。
  • 检索关键词包括radiomics、artificial intelligence、machine learning、deep learning及vascular cognitive impairment、vascular dementia、post stroke dementia、subcortical ischemic vascular dementia、mixed dementia。

关键影像表现/征象

  • 基于白质特征的逻辑回归模型在WMH患者中检测认知障碍的外部测试数据集AUC为0.819。
  • 豆纹动脉临床与影像组学联合模型预测MCI的AUC在训练集为0.88[95%CI 0.78,0.97]、测试集为0.76[95%CI 0.6,0.93],优于单独影像组学模型和临床模型。
  • 基于T1和T2 FLAIR序列的影像组学特征预测淀粉样蛋白阳性,测试AUC为0.71–0.74、验证AUC为0.68–0.70。
  • T1与T2 FLAIR影像组学特征联合后测试AUC为0.75、验证AUC为0.72,与基线模型比较p<0.001。
  • 基线特征联合T1与T2 FLAIR影像组学模型测试AUC为0.79、验证AUC为0.76,显著优于基线模型(p<0.001)及T1+T2 FLAIR影像组学模型(p<0.001)。

诊断标准与关键数值

  • VCI按认知障碍严重程度和病理类型分为无痴呆的血管性认知障碍(VCIND)、血管性痴呆(VD)和混合性痴呆三个亚型。
  • VCIND指一个或多个认知域损害但不影响工具性日常生活活动能力(IADL)或日常生活活动能力(ADL),尚未达到痴呆标准。
  • VD指卒中或脑血管病引起的严重认知功能障碍综合征,一个或多个认知域显著损害并影响IADL或ADL。
  • 多模态CNN算法分割MRI图像的Dice系数为0.78±0.24、准确率为0.81±0.28、召回率为0.88±0.32,均显著高于全卷积网络和CNN算法(p<0.05)。

临床应用与阅片要点

  • MRI影像组学可基于标准MRI序列(T1WI、T2WI、FLAIR、DWI、DTI)提取定量特征,用于VCI的预测、诊断和鉴别诊断。
  • 手动分割由经验丰富的观察者执行时准确度高,被广泛视为参考标准;半自动分割需人工校正,自动分割方案和标准尚未统一。
  • 常用开源分割软件包括ITK-SNAP和3D Slicer,常用特征提取工具包括MATLAB、MaZda和pyradiomics。
  • 特征选择方法包括过滤法、嵌入法和包装法,常用分类算法包括支持向量机、相关向量机和随机森林等。
  • 模型泛化性和性能通常采用AUC和ROC进行外部验证或交叉验证评估。

局限性

  • 自动分割的方案和标准尚未统一。
  • 临床通过神经影像评估血管性脑损伤严重程度往往不精确,血管病变负荷与认知功能之间的关系存在显著个体间差异。
  • 临床缺乏改善VCI患者状况的药物或手术干预措施。
全文中译12 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Insights Imaging. 2025 Jul 1;16:146. doi: 10.1186/s13244-025-02026-1

引言

血管性认知障碍(VCI)是第二常见的痴呆类型,仅次于阿尔茨海默病(AD)[1]。它涵盖了一系列与血管系统病理改变所致的认知下降相关的疾病。该病通常经历三个临床阶段,从主观认知下降开始,进展为轻度认知障碍(MCI),最终演变为痴呆[2]。全球范围内,由于出生率下降和预期寿命延长,几乎所有国家60岁及以上人口比例都在快速增加。根据联合国2019年统计数据,全球65岁及以上人口超过7.03亿,占世界总人口的9%。预计这一比例将从2022年的10%上升至2050年的16%,约代表15亿老年人[3]。60岁及以上人群中,三分之二由于高血压等卒中危险因素,面临显著增加的VCI发病风险[4]。2018年世界阿尔茨海默病报告指出,全球有2000万人患有血管疾病所致的痴呆。特别是在心血管疾病未得到充分控制的中低收入国家,患者数量预计在未来几十年将继续显著上升。痴呆患者数量的不断攀升已在全球范围内造成巨大成本,而随着各国医疗水平的提高,痴呆相关支出在未来数年极有可能继续增加[5]。此外,VCI显著增加患者发生抑郁和生活质量下降的可能性[6]。在当前情况下,通过神经影像学对血管性脑损伤严重程度的临床评估往往不精确,且血管病变负荷与认知功能之间的关系表现出显著的个体间差异[7]。此外,临床环境中缺乏可改善VCI患者病情的药物或手术干预措施。VCI预防的主要方法涉及管理血管危险因素或高血压和糖尿病等已知易致VCI的疾病[2]。因此,迫切需要找到一种能够有效诊断和预测VCI发病的方法。这种方法对于提高脑血管疾病患者的生活质量和减轻VCI相关成本对国家造成的财政压力至关重要。目前,磁共振成像(MRI)常规用于脑血管疾病相关研究;然而,它在促进VCI早期诊断和预测患者痴呆进展方面尚存不足。新兴的影像组学领域通过从标准MRI图像中定量提取多种影像特征,为这一挑战提供了新的解决方案。通过特征选择后构建模型的过程,影像组学提供了一种更精确的预测、诊断和鉴别疾病的手段,从而为解决该问题开辟了新途径。历史上,影像组学主要应用于肿瘤病理学研究[8]。然而近年来,其应用已扩展至涵盖VCI的预测、诊断和鉴别。鉴于此,本文旨在全面综述VCI的分类、影像组学的概念框架、基于MRI的影像组学在VCI背景下的应用以及影像组学固有的局限性。

VCI的分类

VCI主要由影响脑血管系统的危险因素引起,如高脂血症、高血压和糖尿病,这些因素容易诱发脑血管疾病,导致个体出现认知障碍。根据认知障碍的严重程度和病理类型,VCI可分为三种亚型:非痴呆型血管性认知障碍(VCIND)、血管性痴呆(VD)和混合性痴呆[9]。通过对VCI进行分类,医生可以更准确地制定个性化治疗方案并评估不同亚组患者的预后。其中,VCIND是一种以认知障碍为特征的病症,指一个或多个认知域的损害,但不影响工具性日常生活活动能力(IADL)或日常生活活动能力(ADL)。这种认知障碍由脑内血管损伤引起,但尚未达到痴呆的诊断标准[10]。与VD相比,VCIND是VCI的较轻形式[11]。尽管VCIND尚未达到痴呆的诊断标准,但VCIND个体未来发展为痴呆的风险较高[12]。VD是指由卒中或脑血管疾病引起的严重认知功能障碍综合征[13],其特征为一个或多个认知域的显著损害,影响IADL或ADL。它是仅次于AD的第二大痴呆病因,占亚洲痴呆病例的30%[14]。主要表现包括记忆力、计算能力、语言、注意力和执行功能的下降[15]。VD的病因是多因素的,导致神经血管损伤,进而引起认知功能障碍。其主要致病因素包括氧化应激、神经炎症反应、血脑屏障破坏和神经毒性[16]。混合性痴呆通常表现为多种基础病理并存,最常见的形式是AD和VD的组合。过去,确诊方法是尸检[17]。此外,中国学者通过统计发现,卒中患者中认知障碍的发生率为80.97%,VCIND为48.91%,VD为32.05%[18]。因此,VCI的预防和治疗极为紧迫。因此,临床需要一种能够简单准确地预测、诊断和鉴别VCI的方法。影像组学的出现提供了这样一种方法。它允许在患者发生血管疾病后对其进行影像组学分析,预测和诊断其是否会患有VCI。

MRI影像组学的概念

Lambin于2012年首次提出影像组学的概念[19]。影像组学是从医学图像(如CT和MRI图像)中高通量提取定量影像特征,并将这些数据应用于临床决策支持系统,以提高某些疾病诊断、预测和预后的准确性[20]。它已在多种疾病中得到验证,包括肺癌[21]、鼻咽癌[22]、乳腺癌[23]、结直肠癌[24]、克罗恩病和肠纤维化[25]等。MRI影像组学(图1)是影像组学的一个分支,包括MRI图像采集、图像分割、特征提取、特征选择和模型构建[26]。

图1 影像组学流程图。A MRI图像采集是指获取标准MRI图像数据,这是影像组学的基础。这些数据主要来自医疗机构或公共数据集。B 图像分割是将图像分割为具有生物学意义的特定脑区或提取感兴趣区的过程。C 特征提取是从分割后的图像中识别有助于疾病诊断和分析的定量特征。D 为避免过拟合和提高准确性,建模前有必要从大量提取的特征中选择与疾病状态最相关的特征。E 影像组学的最终目标是建立用于诊断、分类和预测的模型 查看原图 ↗

图像采集与分割

图像采集是影像组学分析的基础,通常通过当地医疗机构[27]或区域图像归档与通信系统获取标准化的MRI图像数据。随后对MRI图像应用一系列预处理步骤,如直方图均衡化和图像配准方法[28]。当前认知障碍研究中常用的序列包括T1WI、T2WI、FLAIR、DWI和DTI序列[29]。图像分割是将图像划分为具有生物学意义的感兴趣区(ROI)的过程。一般涉及三种方法:手动分割、半自动分割和自动分割[30]。手动分割准确性高,由经验丰富的观察者执行时被广泛视为参考标准[31]。近年来,随着计算机技术的快速发展,半自动分割和自动分割也取得了显著进展[32]。半自动分割可以大大减少人工分割工作量,但仍需要手动校正和准确性验证。自动分割可以消除人为主观性造成的误差,显著提高效率和可重复性,并且有许多可用于分割的开源软件。然而,自动分割的方案和标准尚未统一。目前,常用的开源软件包括ITK-SNAP[33]和3D Slicer[34]等。

图像特征提取与特征选择

图像特征提取是图像分割之后的下一步,也是影像组学的核心步骤,其涉及从分割图像中识别有助于疾病诊断和分析的可量化特征。目前影像组学中常用的特征提取工具包括MATLAB[35]、MaZda[36]和pyradiomics[37]等。特征提取后,通常会获得大量特征。为避免因高复杂度导致的“维数灾难”,需要进行特征选择和降维。这可以消除无关和干扰特征,从而增强影像组学模型的可解释性和泛化性,并降低计算复杂度和过拟合风险。特征选择方法包括以下三种类型:过滤法、嵌入法和包装法。过滤法根据相关性或特定特征对特征进行排序,然后设定阈值或选择排名靠前的特征。嵌入法通过训练模型直接选择特征,该模型为每个特征分配权重系数,并利用这些系数挑选最优特征。包装法通过模型性能评估特征(子集)质量,迭代保留或移除特征[38]。常用的分类算法(图2)包括支持向量机(SVM)、相关向量机、随机森林(RF)等。

图2 特征选择分类算法 查看原图 ↗

模型构建

对图像进行特征选择后,可根据研究需要选择多种建模方法,如预测、总结、分类等,包括SVM、RF、卷积神经网络(CNN)[39]等。模型的泛化性和性能通常使用曲线下面积(AUC)和受试者工作特征(ROC)等方法进行外部验证或交叉验证评估[40],并通过临床分析验证模型参数的正确性。

MRI影像组学在VCI中的应用

MRI中的影像组学从标准MRI图像中提取各种图像特征,并通过特征选择和模型构建提高疾病预测、诊断和鉴别诊断的准确性[41]。它正逐渐应用于各种认知障碍疾病[42],包括VCI(图3)。

本研究遵循PRISMA指南,在PubMed、Web of Science和Cochrane Library数据库中进行了全面检索,重点关注与影像组学在VCI中应用相关的文章。使用了以下关键词:“radiomics”、“artificial intelligence”、“machine learning”、“deep learning”以及“vascular cognitive impairment”、“vascular dementia”、“post stroke dementia”、“subcortical ischemic vascular dementia”、“mixed dementia”。为每个数据库构建了特定的检索式以确保全面检索。

我们的分析纳入了涉及人类受试者的原创研究文章,这些文章以英文撰写并发表于2015年1月1日至2024年12月31日期间。初步检索后,根据重复条目与影像组学和VCI的相关性对其合格性进行筛选和评估。此阶段包括仔细审查标题和摘要,随后对所选文章进行全文筛选。基于PRISMA方法,研究纳入的详细过程可总结为以下流程图(图4)。因此,在三个数据库中进行了初步检索,共获得812项研究,其中去除重复后筛选了303项研究。通过摘要和标题筛选452项研究后,检索获得57项,排除50项。最终共7项研究纳入综述。

图3 VCI的MRI影像组学流程图 查看原图 ↗
图4 基于PRISMA方法的研究纳入过程 查看原图 ↗

MRI影像组学在VCI预测中的应用

传统MRI检查难以预测VCI的进展。因此,一些学者开始利用MRI影像组学来研究VCI的预测。一项前瞻性筛查研究表明,七种病理类型,包括大梗死、腔隙性梗死、微梗死、髓鞘丢失、小血管病、脑淀粉样血管病(CAA)和血管周围间隙扩大,可以预测认知障碍[43]。Shahram Oveisgharan等[17]分析了2021年5月至2022年7月间1767名受试者的尸检数据,得出结论:纯VCI,即由病理性脑血管改变引起的认知障碍,在这些受试者中并不少见,其中白质梗死是导致认知下降或损害的主要脑血管病理。脑小血管病是VCI的主要原因[44]。小血管病或慢性脑缺血引起的灌注不足可导致白质病变[45],而白质病变与认知下降和痴呆相关[44]。Feng等[46]利用影像组学和深度学习开发了一个用于检测白质高信号(WMH)患者认知障碍的模型(图5)。他们将来自医院1的79例WMH患者随机分为62例的训练集和17例的测试集,并额外纳入来自医院2的29例患者作为独立测试集。他们使用VB.NET对WMH进行自动识别和分割,并从核团、皮层和白质中提取影像组学特征。在训练集上训练了四种机器学习分类器,并在测试集上进行验证以检测认知障碍。他们评估并比较了模型的性能,并对认知障碍与核团、皮层和白质变化之间的因果关系进行了分析。他们发现,基于白质特征构建的逻辑回归(LR)模型在这些模型中表现出最高的性能,在外部测试数据集中的AUC为0.819。分析表明,核团、皮层、白质的变化以及年龄和教育水平是认知障碍的致病因素。因此,基于白质特征和影像组学的LR模型在检测WMH患者认知障碍方面具有较高的准确性。该研究结合了深度学习和影像组学,利用多中心数据和因果分析来证明皮层、白质和核团变化与认知障碍之间的潜在因果关系。它为早期诊断提供了一种有效工具,并为未来相关研究提供了重要参考和基础。

一些学者也直接使用动脉的影像组学分析来预测VCI的发生发展。研究表明,豆纹动脉(LSA)长度减少会增加基底节区腔隙性梗死数量增多的可能性[47]。Zhou等[48]利用影像组学和临床特征研究了LSA与认知障碍之间的相关性。他们回顾性纳入了102例平均年龄为62.5 ± 10.3岁的患者,分为58例MCI和44例中重度认知障碍(MSCI)。对这102例患者的MRI图像进行Z-score归一化预处理,并手动勾画ROI。使用PyRadiomics提取影像组学特征。采用最小绝对收缩和选择算子(LASSO)、最大相关最小冗余以及单变量分析等方法进行特征选择。使用多变量LR模型进行构建,并使用校准曲线(CC)、ROC和决策曲线分析(DCA)对模型进行评估。在由71例患者(包括44例MCI患者)组成的训练数据集和由31例患者(包括17例MCI患者)组成的测试数据集中,联合模型在训练集中的AUC为0.88 [95% CI 0.78, 0.97],在测试集中的AUC为0.76 [95% CI 0.6, 0.93],优于单独的影像组学模型和临床模型。DCA结果表明,与影像组学模型和临床模型相比,联合模型具有最高的净获益。该研究表明,整合LSA临床和影像组学特征的联合模型能够有效预测MCI,LSA血管参数可作为认知障碍的影像生物标志物。这凸显了影像组学技术在VCI研究中的潜力,并为未来相关研究提供了重要参考和基础。

一些学者还通过对淀粉样蛋白的影像组学研究间接探讨了血管性认知障碍(VCI)。这是因为β-淀粉样蛋白(Aβ)存在于血管壁内,并且在大多数情况下表现为淀粉样斑块。这种病理改变被称为脑淀粉样血管病(CAA)[49]。预测淀粉样蛋白阳性可用于检测CAA,从而预测VCI。Kim等[50]使用结构MRI和影像组学方法来预测淀粉样蛋白阳性。他们从440例轻度认知障碍(MCI)患者的MRI图像中提取了由纹理特征和直方图组成的影像组学特征,这些图像包括T1、T2 FLAIR和DTI序列。这些影像组学特征可单独使用,或与基线非影像学预测因子(如ApoE基因型、年龄和性别)联合使用来预测淀粉样蛋白阳性,特征选择和预测采用正则化回归方法进行。基线非影像学模型的性能处于中等水平(AUC = 0.71)。基于单个MRI序列(T1和T2 FLAIR)的影像组学模型也能较好地预测淀粉样蛋白阳性,测试AUC为0.71–0.74,验证AUC为0.68–0.70。当T1和T2 FLAIR影像组学特征联合时,测试AUC为0.75,验证AUC为0.72,与基线模型相比p < 0.001。当基线特征与T1和T2 FLAIR影像组学模型联合时,测试AUC为0.79,验证AUC为0.76,表现出最佳性能,显著优于基线模型(p < 0.001)和T1 + T2 FLAIR影像组学模型(p < 0.001)。该研究得出结论,影像组学特征对淀粉样蛋白阳性具有预测价值,并且当与其他预测功能联合时可增强预测性能,从而能够预测VCI。该研究表明,T1和T2 FLAIR序列的影像组学特征与临床变量的联合模型在预测MCI患者淀粉样蛋白阳性方面具有最佳潜在价值。该方法可降低临床试验中的筛选失败率并节省资源。

从上述研究可以看出,影像组学可用于分析由小血管疾病或脑缺血引起的白质改变,这些改变与认知功能下降相关,从而间接预测VCI。此外,影像组学结合大动脉粥样硬化性卒中(LSA)的临床特征可用于预测MCI,从而实现血管性MCI的快速诊断并促进及时治疗。此外,MRI影像组学可用于分析血管内淀粉样斑块沉积,有助于评估CAA并预测VCI的进展以实现早期发现。因此,研究人员可以利用影像组学通过多种影响因素直接或间接地预测VCI。

图5 Feng等的研究流程 查看原图 ↗

MRI影像组学在VCI诊断中的应用

MRI放射组学在VCI中的应用不仅包括VCI的预测,还包括VCI诊断的研究。传统上,VCI的诊断依赖于临床和神经心理学评估,以及神经影像学评估和分析[51]。在放射组学领域,Xue等[52]探讨了基于放射组学和深度学习算法的MRI图像特征对脑血管疾病患者的影响。他们选取80例急性脑血管疾病患者作为研究对象,根据是否存在VCI分为VCI组34例和非VCI组46例。他们提出了一种基于CNN的新型多模态CNN图像分割算法,并将其应用于VCI患者MRI图像的分割。分割结果与全卷积网络和CNN算法的结果进行了比较。多模态CNN算法的Dice系数为0.78 ± 0.24,准确率为0.81 ± 0.28,召回率为0.88 ± 0.32,均显著高于其他两种算法(p < 0.05)。在神经系统评估中,VCI组的TMT-a和TMT-b评分分别为221.7和385.9,显著高于非VCI组(p < 0.05)。VCI患者的MMSE和MoCA评分分别为15.4和14.6 ± 5.31,显著低于非VCI组(p < 0.05)。该研究表明,VCI组神经功能相关纤维的FA和MD值与非VCI组存在显著差异(p < 0.05)。该研究证明,多模态CNN算法的引入显著提高了MRI图像分割的精确度和VCI的诊断率。因此,基于放射组学和深度学习的多模态CNN算法可应用于VCI患者的神经评估和疾病诊断,反映患者的神经损伤程度。

研究表明,皮质下血管性轻度认知障碍(svMCI)和皮质下血管性痴呆(SVaD)患者均表现为灰质(GM)体积减少,且两者之间可能存在等级关系。svMCI和SVaD患者脑灰质体积的减少与认知功能缺损相关[53]。然而,大多数研究仅分析了脑结构的变化,而忽略了微结构的变化。因此,近期研究中也可见学者利用MRI基底节区的影像组学来诊断和评估VCI。因此,Liu等[54]采用最小绝对收缩等六种方法,对每个受试者位于大脑皮质、双侧丘脑、苍白球、尾状核、杏仁核、伏隔核、壳核和海马区的148个区域中自动计算的7106个定量特征进行冗余缩减。他们采用支持向量机SVM、RF和LR三种监督机器学习方法,使用五折交叉验证训练诊断模型,随后使用十折交叉验证评估每个模型的泛化性能。他们对无痴呆的皮质下缺血性血管性认知障碍(SIVCIND)患者的特征与神经心理学评分进行相关性分析,从双侧伏隔核、右侧海马、右侧杏仁核、左侧丘脑、左侧壳核和左侧尾状核中识别出13个纳入最优子集的特征。在三种模型中,RF获得最佳诊断性能,AUC为0.990,准确率为0.948。该研究表明,高分辨率T1加权MRI与影像组学结合机器学习技术可准确、自动地诊断SIVCIND,最佳影像组学特征主要位于右侧杏仁核、左侧丘脑、左侧尾状核和左侧壳核。这些影像组学特征也可作为SIVCIND的新生物标志物。

基于Xue和Liu团队的研究,可以看出影像组学和深度学习方法可用于VCI患者的神经学评估和疾病诊断。这使临床医生能够更好地诊断和分期VCI患者。此外,主要位于右侧杏仁核、左侧丘脑、左侧尾状核和左侧壳核的影像组学特征可用于影像组学分析,以更准确地诊断SIVCIND,从而实现提供靶向和精细化治疗的目标。因此,研究人员可以利用影像组学方法更快速、便捷地诊断VCI。

MRI影像组学在VCI与AD鉴别诊断中的应用

除了在VCI的预测和诊断中的应用外,MRI影像组学还用于VD和AD的鉴别诊断。由于VD和AD的痴呆临床特征相似,当患者同时具有血管疾病和痴呆症状时,很难区分病因。一些学者使用视网膜生物标志物对VD和AD进行早期诊断和预后评估[55],而另一些学者则采用简易记忆和执行功能测试作为认知筛查工具来检测和区分VD和AD[56]。此外,影像组学已被用于VD和AD的鉴别诊断。Zheng等[57]通过影像组学和机器学习探讨了结构MRI的多参数特征是否可用于VD和AD的鉴别诊断。他们选取了58例AD患者和35例VD患者,使用AccuBrain工具自动分割脑组织,从不同脑区提取多参数体积测量值。他们共处理了62个结构MRI生物标志物,并筛选出VD和AD之间存在显著差异的特征以降低维度。他们进一步使用最小绝对收缩和LASSO构建特征集,然后将其输入SVM。为公平评估模型性能,他们还比较了不同的机器学习算法,以确定哪种算法在VD和AD的鉴别诊断中表现最佳,并使用ROC衍生的定量指标评估分类模型的诊断性能。实验结果显示,采用径向基函数的SVM在VD和AD的鉴别诊断中取得了良好结果,灵敏度为82.65%,特异度为87.17%,准确度为84.35%(AUC = 0.861,95% CI = 0.820-0.902)。该研究利用影像组学和机器学习分析患者的脑MRI图像,提取多参数体积特征,并使用SVM构建和评估诊断模型,实现了VD和AD的有效区分,为痴呆亚型的诊断提供了新方法。在临床实践中,当临床医生遇到同时具有血管疾病和痴呆症状的患者时,影像组学的应用可以安全有效地鉴别痴呆是由VD还是AD引起,从而确保精准的治疗方案并改善患者预后。

MRI影像组学的局限性

MRI影像组学在诊断、预测VCI以及将其与AD区分方面已显示出良好前景,但仍存在若干挑战。首先,许多MRI影像组学研究为回顾性研究且样本量较小,由于提取的特征数量超过患者数量,往往导致假阳性结果率较高。其次,一些研究仅关注单一成像序列,可能忽略了其他序列的有价值贡献。第三,影像组学尚未在临床实践中广泛采用,需要进一步验证和优化。此外,影像组学的预测价值受限于大多数研究中随访时间不足。最后,该领域面临既具备医学又具备计算机科学专业知识的跨学科人才短缺问题,这阻碍了影像组学研究的进展。解决这些问题对于推进MRI影像组学的临床应用和可靠性至关重要。

尽管磁共振成像(MRI)影像组学仍存在一些问题,但作为一种先进的定量分析方法,影像组学在疾病预测和诊断研究方面具有巨大潜力。未来,影像组学应变得更加标准化、稳定和科学。近年来,随着医工交叉和大数据的快速发展,MRI影像组学将持续进步。

未来展望

随着影像学的发展,尤其是MRI的出现,神经系统的无创检查得到进一步推进。在医工交叉快速发展的背景下,MRI影像组学通过整合多种影像数据进行准确分析,逐渐在神经系统疾病中发挥作用,从而降低活检或开颅手术相关的风险和费用[58]。此外,MRI影像组学的出现为血管性认知障碍(VCI)的研究带来了突破性进展。传统MRI检查无法精确预测或诊断VCI,也无法清晰区分血管性痴呆(VD)与阿尔茨海默病(AD)。然而,随着MRI影像组学的发展,许多学者已利用影像组学方法实现了这些目标。尽管VCI研究面临病因异质性、特征、影像生物标志物和复杂病理过程等挑战,但MRI影像组学在VCI研究中的应用使得从多个方面分析神经系统功能和组织结构成为可能。这通过获取丰富的MRI图像信息并将其作为诊断证据提供给临床医生,促进了VCI的早期筛查,从而降低患者的VCI风险并为改善预后提供更多参考。未来,借助精确的自动分割技术[59]、更大的样本量[60]、多序列研究[61, 62]、延长的随访期[63]以及相关人才数量的增加[64],MRI影像组学结合临床因素将能够为VCI的预测、诊断和鉴别提供更准确的信息,并将成功应用于临床实践。

引用

  1. Chen X, Luo X, Chen L, et al. Developments in MRI radiomics research for vascular cognitive impairment. Insights Imaging. 2025. PMID: 40593438. doi:10.1186/s13244-025-02026-1
  2. 全文:PMC12214101(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC12214101/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。