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
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
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。
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)。
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。
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。
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
- 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
- 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。