文献速递神经MR

多参数计算机辅助鉴别诊断阿尔茨海默病与额颞叶痴呆:结构MRI与先进MRI的应用

Multiparametric computer-aided differential diagnosis of Alzheimer's disease and frontotemporal dementia using structural and advanced MRI.
PubMed 文献 · Eur Radiol · 2016-12-16

本回顾性研究纳入24例早发型阿尔茨海默病、33例早发型额颞叶痴呆患者和34例认知正常对照,采用支持向量机基于结构MRI、动脉自旋标记和弥散张量成像的体素特征进行分类。联合ASL和DTI与结构MRI对AD与FTD的鉴别诊断AUC为84%,高于单用结构MRI的72%(p=0.05),多分类AUC为90%。作者认为ASL和DTI是有前景的补充,可能改善单个体水平的计算机辅助鉴别诊断。

要点

  • 联合ASL和DTI与结构MRI鉴别AD与FTD的AUC为84%,单用结构MRI为72%(p=0.05)。
  • ASL和DTI单独使用的分类性能未超过结构MRI。
  • ASL和DTI贡献显著体素的脑区与结构MRI不同,提示信息互补。

核心结论

  • ASL和DTI联合结构MRI可提高早发型AD与FTD的鉴别诊断性能(AUC 84% vs 72%,p=0.05),但改善仅为临界显著。
  • ASL和DTI单独分类性能与结构MRI相似或略高,联合后对AD-CN和FTD-CN分类未见额外价值。
  • 不同MRI方法分类所依据的脑区不同,提示ASL和DTI提供互补信息,可能改善单个体水平的计算机辅助鉴别诊断。

研究设计与样本

  • 回顾性研究,纳入24例早发型AD、33例早发型FTD患者和34例认知正常对照,共91例完成分析(原纳入87例签署知情同意,4例因回顾性研究豁免知情同意;另排除4例ASL数据质量差者)。
  • 采用3T MRI、8通道头线圈、两台相同扫描仪(Discovery MR750; GE Healthcare),序列包括T1w、ASL和DTI。
  • 参考标准为多学科团队根据临床标准共识建立的AD或FTD诊断;对照组无记忆主诉、无神经或精神疾病史、无MRI禁忌证。
  • 分类基于体素特征图,使用线性支持向量机(SVM),采用四折交叉验证、50次迭代计算平均AUC和准确率。

关键影像表现/征象

  • VBM-GM的SVM显著性图显示海马旁区域对分类影响较大,左侧半球显著体素多于右侧;AD-FTD鉴别主要涉及前颞叶。
  • CBF的显著体素在AD-CN中主要位于顶叶、楔前叶、后扣带回、后颞叶和岛叶;FTD-CN中主要位于后扣带回、额上回、直回、舌回和壳核。
  • FA的显著体素在AD-CN中位于胼胝体、苍白球和壳核周围以及视觉和运动传导束;FTD-CN中主要位于前颞叶、额叶白质、胼胝体和语言相关传导束(钩束、上纵束)。
  • AD-FTD鉴别中FA显著体素较少,仅钩束有一簇显著体素。

诊断标准与关键数值

  • AD-CN分类AUC:VBM-GM 92%、VBM-WM 87%、VBM-Brain 94%、CBF 89%、FA 89%、GM组合95%、WM组合91%、全组合98%。
  • FTD-CN分类AUC:VBM-GM 95%、VBM-WM 96%、VBM-Brain 95%、CBF 87%、FA 91%、GM组合93%、WM组合95%、全组合96%。
  • AD-FTD分类AUC:VBM-GM 78%、VBM-WM 76%、VBM-Brain 72%、CBF 81%、FA 80%、GM组合84%、WM组合81%、全组合84%。
  • 多分类AD-FTD-CN的AUC:VBM-GM 85%、VBM-WM 83%、VBM-Brain 84%、CBF 82%、FA 83%、GM组合87%、WM组合85%、全组合90%;全组合AUC 90% vs VBM-Brain 84%(p=0.03),准确率75% vs 70%(p=0.05)。

临床应用与阅片要点

  • 作者认为ASL和DTI是有前景的补充技术,联合结构MRI可能改善早发型AD和FTD的计算机辅助鉴别诊断。
  • 原文未据此给出具体的阅片或报告推荐。

局限性

  • 诊断基于临床标准而非死后组织病理学检查,尽管通常经随访确认,仍可能部分患者被误诊。
  • 数据集规模有限(24例AD、33例FTD、34例对照),虽与其他研究相当。
  • 为达到上述组样本量,未限于年轻发病痴呆,纳入了5例AD和6例FTD年龄超过70岁的患者。
  • 将不同FTD亚组(bvFTD、SD、PNFA)合并,可能影响分类结果和参与分类的脑区。
  • 数据规模有限,无法在独立验证集上验证,而是采用交叉验证。
全文中译10 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:Eur Radiol. 2016 Dec 16;27(8):3372–82. doi: 10.1007/s00330-016-4691-x

引言

阿尔茨海默病(AD)和额颞叶痴呆(FTD)是导致痴呆的主要疾病,尤其是在较年轻的患者中(年龄<65岁)[1]。在疾病早期建立准确的诊断可能很困难。尽管这些疾病之间的临床症状不同,但早期症状可能不明确且可能重叠[2, 3]。当前的临床标准需要对神经影像进行定性检查,无法准确区分AD与FTD[4]。然而,AD和FTD的早期准确鉴别诊断非常重要,主要因为它使患者能够获得支持性治疗[5, 6]。此外,早期诊断有助于理解疾病过程和开发新治疗的新研究[5, 6]。

在AD和FTD鉴别诊断这一困难情况下,计算机辅助诊断方法可能有益。这些方法利用多变量数据分析技术,基于神经影像或相关数据训练模型(分类器),从而得出客观诊断。此外,计算机辅助诊断可能比仅使用临床标准更准确[7],因为它有可能利用细微的组间差异。使用结构T1加权(T1w)MRI寻找脑萎缩的特征性模式,计算机辅助诊断方法对AD和FTD的鉴别准确率高达84%[8–10]。

除了使用结构MRI外,神经退行性变的证据还可以通过先进MRI技术测量,如动脉自旋标记(ASL)和弥散张量成像(DTI)。ASL可以无创地测量脑灌注,以脑血流量(CBF)表示[11, 12]。近期研究表明FTD和AD的灌注模式存在差异,表明该技术对鉴别诊断具有前景[13–16]。此外,一些分类研究表明ASL在个体患者AD诊断中相较于萎缩测量具有附加价值,尽管其他研究未显示[13, 17–19]。使用DTI可以量化各向异性分数(FA),其与白质(WM)纤维束的退化有关。白质退化已被证明在FTD中比AD更为突出,尤其是在额叶脑区[14, 20, 21]。在分类研究中,DTI通常对萎缩测量显示出轻微的附加价值[22–28]。

由于ASL和DTI测量的神经退行性变过程与脑体积变化不同,我们假设这些技术相较于结构MRI具有附加诊断价值。尽管ASL和DTI已被证明是AD和FTD鉴别诊断的潜在标志物,但其对计算机辅助鉴别诊断的联合附加价值尚未被评估。本研究旨在探讨ASL和DTI对结构MRI在AD、FTD和对照组分类中的附加诊断价值。

材料与方法

参与者

我们回顾性纳入24例AD患者、33例FTD患者和34例认知正常(CN)对照。考虑纳入2011年2月至2015年6月期间就诊于本机构记忆门诊的患者。患者作为诊断评估的一部分接受了神经科和神经心理学检查。简易精神状态检查(MMSE)评分≥20分的患者,如果接受了标准化方案的MR成像,包括结构T1w MRI、ASL和DTI,则被纳入。排除患有痴呆以外精神或神经疾病的患者。参考标准是由多学科团队根据临床标准[2, 3, 29]共识确定的AD或FTD诊断。对照从患者同伴中招募并通过广告招募,无记忆主诉、无神经或精神疾病史、无MRI禁忌证。

本研究经当地医学伦理委员会批准。87名参与者签署了知情同意书;其余4名患者因研究的回顾性性质而豁免知情同意。

图像采集与处理

MR成像在3 T下使用8通道头线圈在两台相同的扫描仪(Discovery MR750;GE Healthcare,Milwaukee,WI,USA)上进行。方案包括T1w、ASL和DTI。高分辨率各向同性T1w图像采用3D反转恢复快速 spoiled 梯度回波采集。根据ASL推荐意见[12],我们采集了3D伪连续ASL灌注加权图像和单独的质子密度图像用于缩放。DTI采用2D单次激发回波平面成像,在25个非共线方向上采集[30]。详细参数列于表1。

图像处理方面,应用Iris流程[19]获得结构MRI、ASL和DTI的基于体素的测量值(详见附录A)。从结构MRI中,我们得出组织分割——WM、灰质(GM)、脑脊液——和脑掩膜。在组模板空间中,我们得出基于体素形态学(VBM)的特征,分别位于以下掩膜内:1)GM(VBM-GM)、2)WM(VBM-WM)和3)幕上脑(VBM-Brain)。对于ASL,CBF使用单室模型和部分容积校正进行量化。模板空间中GM的CBF体素值用作分类特征。对于DTI,进行张量拟合以得出FA图。模板空间中WM的FA体素值用作分类特征。

表1 MRI采集参数 查看原表 ↗

质量控制

以下图像进行了视觉检查(E.E.B.,5年经验):GM分割、WM分割、脑掩膜、模板空间配准、ASL配准至结构MRI、CBF图、DTI配准至结构MRI和FA图。图像处理中的任何错误均被纠正,直至视觉检查未再发现不可接受的结果。

分析与统计学

AD与CN(AD-CN)、FTD-CN和AD-FTD的分类使用线性支持向量机(SVM)分类器[31]进行。SVM C参数在训练集的交叉验证中进行优化。分类器分别基于VBM-GM、VBM-WM、VBM-Brain、CBF和FA特征进行训练。对于多参数组合,分类器通过平均后验概率[32]进行组合。训练了以下多参数分类器:GM组合:VBM-GM和CBF

WM组合:VBM-WM和FA

全组合:VBM-脑、CBF 和 FA

对于多类分类(AD-FTD-CN),通过将后验概率相乘来组合成对分类器。使用四折交叉验证,计算了 50 次迭代的平均受试者工作特征曲线下面积(AUC)、平均准确率和标准差。多类 AUC 在类别对上评估 [33],多类准确率等于正确分类率。

检验了平均 AUC 和准确率的差异:1)CBF 与 VBM-GM,2)FA 与 VBM-WM,3)GM 组合与 VBM-GM,4)WM 组合与 VBM-WM,5)全组合与 VBM-脑。使用非参数置换检验完成:将两种分类的性能差异(α ≤ 0.05)与零分布进行比较,零分布通过 500 次置换估计,其中标签在样本上随机分布。

为了检测对 SVM 有显著贡献的特征,我们计算了统计显著性图(p 图)。这些图在所有数据上使用近似置换检验的解析表达式计算 [34]。通过应用略微保守的 p 值阈值(α ≤ 0.01)获得显著体素簇。我们未进行多重比较校正,因为置换检验的假阳性检出率较低 [35]。簇的位置通过视觉检查识别。

结果

参与者

参与者的纳入情况见图 1。表 2 显示了参与者的人口统计学和 MMSE 评分(24 例 AD,33 例 FTD,34 例 CN)。四名患者因 ASL 数据质量差(即运动伪影或噪声)被排除。纳入的 FTD 疾病亚型如下:行为变异型 FTD(bvFTD,n = 12)、PPA(n = 16,包括 10 例语义性痴呆 [SD] 和 4 例进行性非流利性失语 [PNFA]),以及 5 例亚型未知的患者。在 AD 组中,6 例患者随访 <1 年(范围 0–7 个月),18 例患者的诊断经 >1 年随访确认(范围 12–45 个月)。在 FTD 组中,12 例患者随访 <1 年(范围 0–11 个月),21 例患者随访 >1 年(范围 12–47 个月)。

图 1 参与者流程图:a)阿尔茨海默病(AD)患者,b)额颞叶痴呆(FTD)患者 查看原图 ↗
表 2 参与者人口统计学 查看原表 ↗

分类结果

图 2 显示了使用 T1w、ASL 和 DTI 体素级特征的分类性能(图 2a:AUC;2b:准确率)。表 3 显示了对分类之间显著差异的非参数检验。

对于 AD-CN 分类,平均 AUC 为 92%(VBM-GM)、87%(VBM-WM)、94%(VBM-脑)、89%(CBF)、89%(FA)、95%(GM 组合)、91%(WM 组合)和 98%(全组合)。分类准确率通常略低于 AUC。使用 CBF 和 FA 特征的性能与 VBM 特征相似。特征组合的性能略高于 VBM 特征,但差异不显著。

对于 FTD-CN 分类,使用 VBM 的 AUC 略高于 AD-CN,但与 FA 和 CBF 的组合并未改善性能。AUC 为 95%(VBM-GM)、96%(VBM-WM)、95%(VBM-脑)、87%(CBF)、91%(FA)、93%(GM 组合)、95%(WM 组合)和 96%(全组合)。

对于AD与FTD的鉴别诊断,AUC分别为78%(VBM-GM)、76%(VBM-WM)、72%(VBM-Brain)、81%(CBF)、80%(FA)、84%(GM组合)、81%(WM组合)和84%(全组合)。结合CBF和FA特征比仅使用VBM特征提高了性能。对于AD、FTD和CN的多分类诊断,平均AUC分别为85%(VBM-GM)、83%(VBM-WM)、84%(VBM-Brain)、82%(CBF)、83%(FA)、87%(GM组合)、85%(WM组合)和90%(全组合)。分类准确率较低,但应该指出,对于这种三分类诊断,随机猜测的准确率仅为约33%。对于多分类分类,组合方法的AUC最高。将VBM-Brain与CBF和FA结合的方法比单独使用VBM-Brain产生了显著更高的AUC(90 vs. 84%,p = 0.03)和准确率(75 vs. 70%,p = 0.05)。这反映在交叉验证一次迭代的混淆矩阵示例中(附录C;表C1),其显示全组合比VBM-Brain有更多正确分类的患者和对照。然而,将VBM与ASL或DTI结合也可能减少正确分类的患者数量,例如GM组合比VBM-GM正确分类的FTD患者数量更少,而准确率有所提高。

图2 ROC曲线下面积(AUC)(a)和准确率(b)。误差条显示四折交叉验证50次迭代的标准差。星号(*)表示与仅使用VBM特征的分类相比有显著改善(置换检验,p ≤ 0.05) 查看原图 ↗
表3 非参数置换检验的P值,用于检验基于a)平均ROC曲线下面积(AUC)和b)平均准确率的分类器之间的统计学差异 查看原表 ↗

显著性图

使用SVM p图(图3、4和5,附录B图B1和B2),我们评估了哪些体素对分类有显著贡献。对于VBM-GM(图3),我们注意到海马周围区域对分类器的主要影响;总体而言,我们观察到左半球的显著体素数量多于右半球。对于AD-FTD的鉴别诊断,主要涉及前颞叶的体素。

对于VBM-WM(图B1),我们观察到大多数显著贡献体素的簇位于颞叶和脑室周围。对于AD-CN和FTD-CN分类,在胼胝体中发现了一个较小的显著体素簇。颞叶簇主要存在于左半球,尤其是对于AD-FTD的区分。

对于VBM-Brain(图B2),p图非常平滑,因为该特征由空间平滑变形至模板空间的雅可比行列式形成。在VBM-GM和VBM-WM中,通过将雅可比行列式与概率组织分割相乘,平滑性丧失。对于AD-CN,分类主要由脑室周围和左颞叶特征驱动。对于FTD-CN,颞叶贡献了最大的显著体素簇。对于AD-FTD,在额中回、颞叶和脑室周围区域发现了小簇。

对于CBF(图4),p图显示多个脑区存在显著体素的小簇。对于AD-CN,显著体素主要观察于顶叶、楔前叶、后扣带回、颞后叶及岛叶的灰质。对于FTD-CN,具有显著体素的主要区域为后扣带回、额上回、直回、舌回及壳核。对于AD-FTD,分类主要依赖于来自后扣带回、顶叶、尾状核、岛叶、颞叶及楔叶的体素。

对于FA(图5),胼胝体以及苍白球和壳核周围的体素簇对AD-CN分类有显著贡献。此外,视觉束和运动束中的体素簇也有贡献。对于FTD-CN,显著体素簇主要观察于前颞叶、额叶白质、胼胝体及语言相关束(钩束、上纵束)。对于AD-FTD的鉴别诊断,显著体素较少,仅钩束中有一簇显著体素。

图3 灰质基于体素的形态学分析(VBM-GM)的SVM显著性图:a)AD-CN,b)FTD-CN,c)AD-FTD。彩色叠加显示p值≤0.01 查看原图 ↗
图4 脑血流量(CBF)的SVM显著性图:a)AD-CN,b)FTD-CN,c)AD-FTD。彩色叠加显示p值≤0.01 查看原图 ↗
图5 各向异性分数(FA)的SVM显著性图:a)AD-CN,b)FTD-CN,c)AD-FTD。彩色叠加显示p值≤0.01 查看原图 ↗

讨论

通过将ASL和DTI的基于体素的特征与结构MRI的特征相结合,早发性AD与FTD的鉴别诊断得到改善(p=0.03-0.05),但改善仅为边缘显著。对于所有分类,ASL和DTI单独使用的性能与结构MRI相似或略高。虽然将ASL和DTI与结构MRI结合改善了鉴别诊断,但对于AD与对照的分类以及FTD与对照的分类,未观察到附加价值。

分类性能与先前在其他数据集上发表的AD与FTD两两区分结果相似[8, 9],且略高于多分类分类[9]。ASL和DTI联合用于AD、FTD和对照的分类此前尚未评估,因此无法直接与文献结果进行比较。这些技术已分别应用于两两分类。与我们的结果一致,大多数使用DTI的研究获得了良好的分类性能[23, 24, 26, 27],但表明相较于结构MRI无显著改善[22, 25, 28]。与我们当前和先前的工作[19]相反,大多数基于ASL的分类研究显示对结构MRI有显著的附加价值[13, 17, 18]。这部分是由于我们的研究中结构MRI的性能较高。此外,并非所有研究都通过使用交叉验证来避免分类性能的高估。对于ASL,由于信噪比较低和稳健性较差,这种高估可能比结构MRI更大。因此,使用或不使用交叉验证获得的结论预期会有所不同。

据我们所知,本工作是首次对结构MRI、ASL和DTI进行多参数分类。其他模态的多参数分类此前采用特征级组合(例如一个大型特征向量)或分类器级组合(例如组合分类器后验概率)。在本研究中,我们对各个分类器的后验概率取平均,因为我们此前发现这优于特征级方法[19]。

SVM显著性图显示,对分类有贡献的脑区与AD或FTD相关的脑区相对应,这表明分类器做出了合理的判断。对于结构MRI,颞叶显示出大簇的显著体素。虽然内侧颞叶(即海马、杏仁核)在很大程度上贡献了AD vs 对照和FTD vs 对照的分类,但AD与FTD之间的区分主要基于前颞叶特征,这与关于AD [27, 36–39]和FTD [27, 39]萎缩的文献一致。ASL和DTI显示颞叶的影响较小。在额叶和语言相关区域,DTI对涉及FTD的分类有贡献。虽然FTD预期出现额叶萎缩[27, 39],但未观察到额叶的贡献。ASL p图在涉及AD的分类中显示顶叶的显著区域[40]。虽然顶叶萎缩常被提出作为鉴别标志物[10, 27, 39],但我们在VBM p图中未发现显著簇,这与许多VBM研究一致,例如[10, 41]。除顶叶外,扣带回和皮层下结构——岛叶和尾状核[40]——的CBF在AD和FTD分类中显示出显著特征。最后,DTI捕捉到了胼胝体对所有分类的贡献[20, 21]。由于影响分类的体素簇在ASL和DTI中显示与结构MRI不同的脑区,可能描绘了空间分布不同于萎缩的神经病理过程。

鉴别诊断性能的改善以及不同脑区的参与均表明,ASL和DTI对结构MRI具有附加诊断价值,并可能改善个体AD和FTD患者的诊断。然而,这些技术总体上图像质量欠佳,例如信噪比低,可能在单独使用时限制了其诊断效力。与我们的发现类似,使用阿尔茨海默病神经影像学倡议2(ADNI 2)数据的研究表明,ASL和DTI分别提供了结构MRI上不可获得的信息,但未显示出更好的诊断效力[42]。

本研究的一个局限性在于诊断基于临床标准,而非死后组织病理学检查。尽管诊断通常通过随访得到确认,但部分患者仍有可能被误诊。此外,我们的数据集规模(24例AD、33例FTD、34例对照)较为有限,尽管与其他研究相当。使用结构MRI数据对AD和FTD进行分类的研究通常规模相似[9, 13](仅在[8]中规模更大)。为获得这些组规模,我们未将纳入范围限制于早发性痴呆,而是纳入了5例年龄超过70岁的AD患者和6例FTD患者。在早发性痴呆中,FTD和AD的计算机辅助鉴别诊断最具临床相关性,因为这些患者的症状重叠更大[39]。此外,我们合并了多个FTD亚组(bvFTD、SD和PNFA)的患者,这可能影响了分类结果及参与分类的脑区。数据规模有限,无法在独立的验证集上进行验证;因此改用了交叉验证。此外,AD组中潜在的血管性白质损伤,例如梗死灶和白质高信号,可能影响了DTI的分类性能。然而,我们预期这一影响较小,因为具有脑血管意外(CVA)病史或MRI检查中报告CVA的患者已被排除;此外,这些患者相对年轻。

鉴于上述局限性及结果仅处于临界显著性水平,本研究主要具有探索性价值。未来需要在更大且更特异的早老性队列中开展研究。为评估我们结论的普适性,还需要在多中心数据和独立验证集上进行评价。通过当前工作,我们提出了一种基于结构MRI、ASL和DTI的计算机辅助诊断方法,该方法已准备好在有更大数据集时进行评价。

总之,我们推测ASL和DTI在多参数计算机辅助诊断方面具有前景,因为在本研究中将这些技术与结构MRI相结合改善了早发性AD和FTD的鉴别。

电子补充材料

以下是电子补充材料的链接。ESM 1(DOC 34.5 kb)

(DOC 23 kb)

(DOC 60 kb)

(GIF 874 kb)

高分辨率图像(EPS 8115 kb)

(GIF 773 kb)

高分辨率图像(EPS 7854 kb)

引用

  1. Bron EE, Smits M, Papma JM, et al. Multiparametric computer-aided differential diagnosis of Alzheimer's disease and frontotemporal dementia using structural and advanced MRI. Eur Radiol. 2016. PMID: 27986990. doi:10.1007/s00330-016-4691-x
  2. 全文:PMC5491625(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC5491625/

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。