文献速递神经技术与安全MR

自动识别非典型临床fMRI结果

Automatic identification of atypical clinical fMRI results.
PubMed 文献 · Neuroradiology · 2020-08-18

研究提出基于激活图模板匹配分析(TMA)的客观fMRI质量评估方法,在7个中心42名健康对照的标准化手指敲击和动词生成任务数据上测试,并故意错误分析以模拟非典型图。TMA能识别所有非典型图,但将3.6%(动词生成)至6.5%(手指敲击)的典型图误判为非典型;32例低级别胶质瘤患者的平均TMA值显著高于非典型健康扫描,支持TMA用于客观识别非典型激活模式的可行性。

要点

  • TMA可自动标记fMRI激活模式非典型的扫描,供进一步排查原因。
  • 手指敲击任务TMA阈值0.49时,典型图正确分类93.5%,非典型图检出100%。
  • 动词生成任务TMA阈值0.51时,典型图正确分类96.4%,非典型图检出100%。

核心结论

  • TMA对运动及动词生成fMRI协议的非典型激活模式识别具有可行性,可促进fMRI在缺乏专家的医院环境中使用。
  • 临床上该方法可自动标记显示非典型激活模式的fMRI扫描,以供进一步调查非典型性源于扫描数据质量差还是功能拓扑异常。

研究设计与样本

  • 方法学研究,纳入7个欧洲临床中心的42名健康受试者(每中心3男3女,18–30岁,右利手)执行标准化手指敲击(FT)和动词生成(VG)任务。
  • 另纳入荷兰UMC Utrecht连续32例低级别胶质瘤手术患者(18男/14女,平均年龄39岁,范围18–60岁,4年间)的临床VG任务数据作初步临床效用测试。
  • 扫描参数标准化为FOV 256、矩阵64×64、层厚(含间隙)4 mm、30层轴位平行于外侧裂,场强1.5–3.0 T,5中心用EPI序列、2中心用PRESTO序列。
  • TMA值为模板激活模式与个体激活图所有体素beta值的Pearson r,不设激活阈值,采用留一中心交叉验证构建独立模板。

诊断标准与关键数值

  • FT协议:典型扫描平均TMA 0.65(范围0.36–0.82),错误任务协议平均0.24(范围−0.07至0.49),错误方向平均0.27(范围−0.01至0.54),错误分析平均0.00(范围−0.23至0.37)。
  • FT协议以TMA阈值0.49可正确分类93.5%的扫描为典型,同时检出100%的非典型扫描;错误任务协议误判典型扫描4.8%(42例中2例),错误方向误判14.3%(42例中6例),错误分析误判2.4%(42例中1例)。
  • VG协议:典型扫描平均TMA 0.67(范围0.42–0.78),错误任务协议平均0.25(范围−0.10至0.47),错误方向平均0.26(范围0.06–0.51),错误分析平均0.06(范围−0.25至0.43)。
  • VG协议以TMA值0.51可正确分类96.4%的扫描为典型,同时检出100%的非典型扫描;错误任务协议、错误方向、错误分析误判典型扫描分别为4.8%(42例中2例)、4.8%(42例中2例)、2.4%(42例中1例)。

临床应用与阅片要点

  • 高TMA值扫描可无需专家质量评估直接用于临床,低TMA值扫描可咨询专家以确定原因(运动、任务不依从、分析欠佳或肿瘤所致解剖变形/功能重塑)。
  • TMA可提供客观可重复的fMRI激活模式评估,可能通过减少每位fMRI数据集对专家的需求而提高成本效率。
  • TMA可用于大型数据库自动低成本识别潜在受损数据集,快速提示中心特有问题并改善数据库质量。

局限性

  • 患者数据仅来自UMC Utrecht单中心连续病例,且仅执行VG任务,未考虑任务依从性和运动以保守评估TMA稳健性。
  • 原文未报告健康对照研究需要正式伦理批准,因数据先前获得且完全匿名化。
全文中译11 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:Neuroradiology. 2020 Aug 18;62(12):1677–88. doi: 10.1007/s00234-020-02510-z

引言

功能磁共振成像(“fMRI”)是认知神经科学中最受欢迎且广泛使用的脑激活测量工具之一。fMRI是一种非侵入性成像方法,与其他非侵入性功能成像方法(如脑电图(EEG))相比具有较高的空间分辨率。由于MRI扫描仪的广泛可用性,特别是在临床中心,它也相对容易获取。这些特点是fMRI的发展对神经科学产生重大影响的重要原因。

它还被认为具有强大的临床应用潜力。fMRI的临床应用主要集中在脑肿瘤患者和癫痫患者的术前应用。在这两个领域,若干综述已得出结论,fMRI可为临床诊疗提供重要信息[1–5]。例如,多项研究表明,对于语言优势侧别,fMRI与Wada试验等侵入性临床测量方法显示出良好的一致性[6–9]。研究还表明,fMRI有助于在脑肿瘤患者[3, 10–16]和癫痫患者[17]手术前提供脑功能定位信息,尽管也描述了一些局限性[18]。

限制fMRI在临床环境中应用的一个重要问题是结果质量,由于fMRI采集过程的复杂性,结果质量可能有相当大的差异。即使对专家而言,判断一次fMRI扫描的质量是否因运动、任务不依从或采集过程中的其他干扰而受损也远非易事。此外,由于神经系统疾病的影响,神经系统患者的脑激活模式在激活脑区的位置、范围和幅度上可能严重偏离预期[3, 19]。这可能进一步加剧临床环境中检测无效扫描的困难。虽然目前已有某些指示扫描质量的指标,但关于其在接受或拒绝临床fMRI活动图方面的价值,尚无普遍的专家共识。某些其他因素(如任务依从性)的影响目前只能通过专家评估来确定。因此,目前确定fMRI扫描质量需要临床环境中不易获得的专业知识。一种快速、自动化、客观的初筛方法用于识别非典型fMRI扫描,将极大促进fMRI的临床使用。

在本报告中,我们介绍一种方法,可快速、自动、客观地判定激活模式的非典型性。该方法基于以下理念:fMRI任务的执行影响整个大脑,而不仅仅是那些超过统计阈值的部分。我们在所提出的方法中利用这一因素来确定描述激活模式非典型性的客观值。该值基于每个个体活动图与独立模板活动的全脑逐体素相关(“模板匹配分析”或“TMA”;见图1)。

为了检验该方法的有效性,我们分析了来自欧洲七个临床中心的健康对照者的fMRI数据,这些数据采用两项标准化fMRI任务采集,用于映射手部运动和语言功能。参与中心均为欧洲低级别胶质瘤网络(www.braintumours.eu)的成员。这些任务此前已被描述用于运动[11, 20, 21]和语言功能[22, 23]的术前定位。此外,我们利用该数据集人为制造因分析错误、方向错误或任务执行错误而导致的不典型活动模式。该数据集用于检验我们的方法自动识别具有不典型激活模式的扫描的可行性。

我们还将该方法应用于来自UMC Utrecht连续考虑手术患者的32例临床脑肿瘤动词生成扫描。将患者数据纳入本手稿的主要目的是为我们所提出的方法提供原理验证,特别是检验肿瘤的存在是否不会以如此严重的方式影响全脑激活模式,以致所有模式都变得不典型从而使我们的方法失效。

图1 临床fMRI典型性自动评估应用的示意图 查看原图 ↗

方法

受试者

本研究纳入了来自奥地利(格拉茨)、德国(法兰克福和雷根斯堡)、意大利(米兰)、西班牙(马德里)和荷兰(乌得勒支、蒂尔堡)各中心的fMRI数据(表1)。该方法允许在与方案实际应用最可比的情境下评估中心间的差异,因此使用当地语言和常规流程。

每个站点提供三名男性和三名女性健康受试者的数据,年龄在18至30岁之间。所有受试者均为右利手,视力良好(允许佩戴隐形眼镜),无神经系统或精神疾病史,除避孕药外未使用其他药物。所有中心提供的数据均完全匿名化,不含任何可识别信息。所有参与者均同意将其匿名数据用于研究。乌得勒支大学医学中心伦理委员会认定该健康志愿者研究无需正式伦理批准,因为所有数据均为先前获取且完全匿名化,且所有参与者均同意共享其完全匿名化的数据。

此外,还纳入了乌得勒支大学医学中心4年间连续32例接受低级别胶质瘤手术的患者的临床数据(男18例/女14例,平均年龄39岁,范围18–60岁)。乌得勒支大学医学中心患者参与了一项经该中心伦理委员会批准的研究,并签署了知情同意书,符合《赫尔辛基宣言》(2013年)。纳入患者的肿瘤特征一般描述见表2。

表1 各站点扫描特征 查看原表 ↗
表2 患者人口学数据和肿瘤描述 查看原表 ↗

任务方案

对技术人员的说明详细写在一本手册中,描述了fMRI程序和數據存储。任务根据给技术人员的书面说明向志愿者进行解释。志愿者在fMRI扫描前未练习任务。两个方案被分发在DVD上,以便在DVD播放机上播放并在扫描仪中呈现给受试者。DVD上的菜单和说明以及动词生成(VG)的名词列表被翻译成每个站点的当地语言。所有任务以15秒的休息开始,随后是7个30秒的任务区块,间以30秒的休息期,并以15秒的休息期结束。因此,每个任务的总时间相等(7分钟)。以下说明提供给每个站点的每个方案:手指敲击(“FT”)。对受试者的说明:“您将在屏幕上看到一个圆圈。有时它是红色的,有时是绿色的。当它是红色时,您将躺静并放松。当它是绿色时,圆圈将闪烁。然后您将用右手拇指按绿色闪烁圆圈的节奏依次触摸右手的每个手指。不要移动您的手臂。您的左手在整个任务中保持放松。”运动频率为1 Hz。

动词生成(“VG”)。对受试者的说明:“您将在屏幕上看到单词或黑色条。当条出现时,您什么都不做,躺静并放松。当一个单词出现时,它将是一个名词。想一想您能用它做什么,然后想象说:‘用那个我可以……’或‘那个我可以……’例如:当您看到单词‘椅子’时,想象说‘那个我可以坐。’不要说话,因为那样您会移动头部,扫描将变得不可用。如果您想不出能用一個单词做什么,跳过它并继续下一个单词。”每个单词的时间为3秒。

fMRI数据采集

对于每个站点,仅以下扫描参数被标准化:FOV 256,扫描矩阵64乘64,层厚(包括间隙)4 mm,30层横断面方向平行于外侧裂,一层位于大脑顶部以上。所有中心使用正交头部线圈。扫描仪设备和扫描方案详见表1。场强在1.5至3.0 T之间变化。每卷扫描时间在0.75至2.5秒之间变化。五个中心使用EPI序列;两个中心使用PRESTO序列[24]。

fMRI分析

所有fMRI数据集在匿名化后发送至一个站点(荷兰乌得勒支UMC)进行分析。除非另有说明,所有数据处理和分析使用IDL 8.2(ITT Exelis Inc. McLean, VA)进行。所有统计检验使用SPSS 20进行。

扫描被配准至最后一次功能扫描以校正运动[25]。扫描使用三维高斯滤波器(半高全宽12 mm)进行平滑,以尽量减少受试者之间功能解剖差异的影响。扫描使用FSL软件[26]中集成的线性变换,在空间上标准化至MNI空间的标准EPI模板(来自SPM5模板库)。所有时间序列均归一化至每个体素平均值为100,以便受试者之间进行比较。应用时间滤波以去除低频漂移(线性、一阶和二阶慢趋势[27])。所有任务均使用GLM进行分析,感兴趣回归量使用SPM 5(英国伦敦Wellcome Trust神经影像中心)中集成的规范HRF模型构建,并与各方案的方波输入函数进行卷积。对于TMA,使用GLM生成的b图。

我们在本研究中引入的TMA值与Pearson r值相同,是在模板激活模式和个体激活图的所有体素beta值上计算的,未应用任何选择,也未应用任何激活阈值。TMA针对每名受试者使用基于其他六个中心数据的模板进行计算。因此,每个值均基于与独立模板的比较(“留一中心法”)。

为检验TMA自动识别非典型激活模式的可行性,我们人为创建了大量“非典型”扫描(来自42次扫描的集合),其中包含临床环境中可能发生的一些常见问题:第一组非典型激活模式通过沿y轴反转方向以创建错误的左右方向(“REVERSED”)。第二组通过使用另一任务的激活模式创建(“TASK”),第三组通过应用错误分析构建,即使用偏移15 s的任务回归量(“SHIFT”)。我们将健康受试者的所有fMRI扫描归类为“典型”。

脑肿瘤既可通过肿瘤本身在物理上影响激活模式,也可间接地例如由于功能可塑性而影响激活模式。如果脑肿瘤患者的大多数fMRI扫描显示高度非典型的激活模式,TMA的实用性将大大降低。因此,重要的是为TMA用于脑肿瘤患者扫描的可行性提供原理验证。为此,我们对UMC Utrecht的32例因临床目的执行VG任务的肿瘤患者的fMRI数据应用TMA,并将这些值与健康对照的值进行比较。临床fMRI流程包括与健康志愿者相同的VG任务,并包括进入扫描仪前的训练。为进行额外验证,我们将患者结果与非典型SHIFT扫描、非典型TASK扫描以及非典型REVERSED扫描进行比较,在对每个TMA值应用Fisher Z变换以确保正态分布后,使用独立样本t检验。

非典型激活模式的自动检测

在TMA方法中,重要的是尽量减少对活动模式的错误识别,即假阴性(当非典型模式被误认为典型模式时)和假阳性(当典型模式被误认为非典型模式时)。在确定了能正确识别所有非典型扫描的最低TMA值阈值后,我们对每个任务检查了假阳性率。

结果

中心间比较

将每个站点的数据与其他所有中心的数据进行比较。对于每个站点测试(每个任务),使用来自其他六个中心的所有数据构建一个模板。对于被测站点的每位受试者,通过TMA计算将任务b图与模板进行比较。因此,从每个单独个体获得两个TMA值。这些值按站点取平均并跨中心进行比较。

图2展示了每个站点和任务的组激活图,以及所有42名受试者的总平均激活模式。可以看出各中心之间活动模式的相似性。每个站点和任务的平均TMA值显示在图3中。结果表明,每个站点的所有受试者与模板均高度相关。这表明,如果基于多个中心制作模板,该模板对于评估来自新站点的数据有效的可能性很高。

所有中心在两个任务中均产生了较高的平均TMA值,FT方案为0.58至0.74,VG方案为0.66至0.72。个体TMA值在FT方案中为0.36至0.82,在VG方案中为0.42至0.78。我们既未发现两种方案之间TMA值的差异(F(6,35) = 1.98;p = 0.22),也未发现站点与方案的交互作用(F(6,35) = 1.33;p = 0.28)。尽管所有中心均显示出高TMA值,但我们确实发现中心间均值存在显著差异(F(6,35) = 3.17;p = 0.009)。

图2 每个站点和每个任务方案的渲染组激活模式(|t| < 3.14;df = 6;正激活为红色;负激活为蓝色;FT,手指敲击方案;VG,动词生成方案;L,左;R,右) 查看原图 ↗
图3 每个站点每位受试者的TMA结果(a FT(手指敲击),b VG(动词生成))。水平条代表每个站点的平均TMA。尽管所有中心均显示出高TMA值,但我们确实发现中心间均值存在显著差异(F(6,35) = 3.17;p = 0.009),这可能是不同中心扫描仪之间信噪比略有差异的结果 查看原图 ↗

基于TMA的分类

为了评估使用TMA评估模式典型性的可行性,我们将所有个体受试者的TMA值与从原始扫描的故意损坏版本计算出的TMA值进行了比较。在图4中,显示了所有典型扫描以及因方向错误或任务方案错误导致的非典型扫描的TMA值。在图6中,我们提供了“受试者工作特征曲线”(“ROC曲线”),显示了在FT和VG方案的一系列TMA阈值下正确识别典型和非典型扫描的百分比。这些图清楚地说明了TMA方法在健康对照中正确检测FT和VG模板的典型和非典型扫描以及患者中VG模板(图5)的能力。

对于FT方案,典型扫描(正确任务、正确分析、正确方向)的平均TMA值为0.65(范围0.36–0.82)。对于因任务方案不正确而导致的不典型扫描,平均TMA值为0.24(范围−0.07至0.49)。在典型扫描中,95.2%的TMA值高于任务方案不正确时的最高值,因此所有不典型模式均可被检测到,漏检典型扫描的百分比(即典型扫描被误判为不典型或“假阳性”)为4.8%(42例中2例)。

对于方向不正确的情况,平均TMA值为0.27(范围−0.01至0.54)。在典型扫描中,85.7%的TMA值高于方向不正确扫描的最高值,因此假阳性百分比为14.3%(42例中6例)。

对于因回归量偏移而导致分析不正确的情况,平均TMA值为0.00(范围−0.23至0.37)。在典型扫描中,97.6%的TMA值高于分析不正确扫描的最高值,导致假阳性百分比为2.4%(42例中1例)。

综上所述,对于FT方案,使用TMA阈值0.49,我们能够将93.5%的扫描正确分类为典型,同时检测出100%的不典型扫描。

对于VG方案,典型扫描(正确任务、正确分析、正确方向)的平均TMA值为0.67(范围0.42–0.78)。

对于因任务方案不正确而导致的不典型扫描,平均TMA值为0.25(范围−0.10至0.47)。在典型扫描中,95.2%的TMA值高于任务方案不正确时的最高值,因此假阳性百分比为4.8%(42例中2例)。

对于方向不正确的情况,平均TMA值为0.26(范围0.06–0.51)。在典型扫描中,95.2%的TMA值高于方向不正确扫描的最高值,因此假阳性百分比为4.8%(42例中2例)。

对于因回归量偏移而导致分析不正确的情况,平均TMA值为0.06(范围−0.25至0.43)。在典型扫描中,95.2%的TMA值高于分析不正确扫描的最高值,导致假阳性百分比为2.4%(42例中1例)。

综上所述,对于VG方案,使用TMA值0.51,我们能够将96.4%的扫描正确分类为典型,同时检测出100%的不典型扫描。

在图6中,我们提供了受试者工作特征曲线(ROC曲线),展示了FT和VG方案在一系列TMA阈值下正确识别典型和不典型扫描的百分比。图4和图6说明了TMA方法在健康对照中正确区分FT和VG模板典型与不典型扫描的能力。

图4 典型扫描(“TYPICAL”,蓝色)以及因方向反转(“REVERSED”,绿色)、任务方案不正确(“TASK”,橙色)或回归量时间偏移导致分析不正确(“SHIFT”,黄色)的不典型扫描的模板匹配分析(TMA)值分布。a 手指敲击(FT)模板。b 动词生成(VG)模板 查看原图 ↗
图5 健康受试者数据中a FT和b VG任务的受试者工作特征曲线。图中显示了一系列TMA值下的正确分类百分比(y轴) 查看原图 ↗
图6 正确分析的健康对照者(“典型”,蓝色)、肿瘤患者数据(“PAT”,红色),以及因方向反转(“REVERSED”,绿色)、任务方案错误(“TASK”,橙色)或使用时间偏移回归量进行错误分析(“SHIFT”,黄色)所致非典型扫描的动词生成(VG)模板的模板匹配分析(TMA)值分布。患者TMA值显著高于SHIFT(t(72) = 8.33;p < 0.001)、TASK((t(72) = 8.33;p < 0.001)以及REVERSED扫描((t(72) = 8.33;p < 0.001) 查看原图 ↗

TMA与激活强度之间的相关性

我们还评估了扫描质量(以激活模式的最大t值近似表示)是否为影响TMA值的因素。为此,我们针对VG和FT两种方案分别计算了最大t值与TMA值之间的Pearson相关性。两种方案中最大t值均与TMA值无相关性(FT:r = 0.09;p = 0.58;VG:r = 0.14;p = 0.38)。

脑肿瘤患者数据的模板匹配结果

我们收集了32个连续肿瘤患者的数据集,这些患者在UMC Utrecht因临床目的执行了VG方案。图5显示了所有患者TMA值的分布,并与典型健康受试者扫描及非典型健康受试者扫描集进行了比较。患者扫描的TMA值显著低于健康受试者(t(72) = 8.64;p < 0.001),但显著高于非典型SHIFT扫描(t(72) = 10.72;p < 0.001)、非典型TASK扫描((t(72) = 6.91;p < 0.001)和非典型REVERSED扫描((t(72) = 7.11;p < 0.001)。

讨论

本研究的主要目标是评估一种基于激活模式快速、客观且自动检测非典型fMRI扫描的新方法。该方法基于模板匹配分析(TMA)。激活模式采集自七个欧洲临床中心、两项常用于运动与语言定位的临床fMRI任务,以及UMC Utrecht的脑肿瘤患者。

结果表明,在健康受试者中,快速自动检测非典型激活模式似乎是一个可达成的目标。对于运动活动定位,使用TMA方法可实现对受损扫描93.5%的检出率;而对于语言激活定位(VG方案),实现了96.4%的检出率。患者VG数据分析表明TMA在临床环境中具有可行性。脑肿瘤患者的模板匹配值平均确实略低,这可能是由于纳入因运动、认知障碍以及肿瘤相关解剖和功能异常所致的低质量数据。本研究未考虑这些混杂因素中的任何一个,以获得TMA方法稳健性的保守指示。

在临床fMRI环境中,自动检测非典型激活模式可能被证明是有帮助的。虽然具有高TMA值的扫描可以无需专家质量评估即可转用于临床使用,但在扫描具有低TMA值的情况下,可以咨询专家以确定原因,例如运动、患者未遵守任务规则或分析欠佳, versus 由于严重解剖变形或功能可塑性导致的异常活动。因此,TMA可以通过提供对fMRI激活模式的客观且可重复的评估来改善护理质量,并且可以通过减少fMRI专家分析和解释每个fMRI数据集的需求来提高成本效率。

我们方法的另一种用途可以在大型数据库的应用中找到:TMA可以以低成本 and 最少人力自动识别可能受损的数据集,从而迅速指示潜在的站点特定问题并提高数据库质量。这可以促进旨在在较长时间内收集大型数据库的研究,或需要汇集来自不同中心的fMRI数据且这些中心在质量上可能存在系统性差异的研究。

可以预期,脑肿瘤的存在会因其对组织完整性和移位的影响而改变大脑的解剖结构,以及改变功能解剖结构,因为它可能破坏功能网络。虽然患者的TMA值确实低于健康对照,但这些值显著高于非典型健康受试者扫描的值(图5)。较低的平均TMA值是预期之中的,因为该数据集很可能包括低质量数据(例如由于运动、不依从、认知功能受损)以及由肿瘤引起的功能和大的解剖变化。

肿瘤对TMA影响有限的一种可能解释是,所使用的方案诱发了广泛分布于大脑的激活和去激活模式。因此,尽管肿瘤附近的解剖结构以及功能活动模式可能发生变化,但整个扫描体积内的活动模式似乎更为稳定,并未受到肿瘤的严重影响,导致大多数患者的非典型性值仅略低于正常值。值得注意的是,为了获得TMA稳健性的保守指示,未考虑任务依从性和运动。

高效可靠的语言方案是术前规划以及研究[17, 28–31]的特别重要工具。临床fMRI可以定位肿瘤紧邻区域关键语言激活的存在。这将要求采取谨慎的手术入路,并可能成为进行清醒手术甚至建议反对切除手术的理由。重要的是,fMRI可能在肿瘤边缘或内部失败, due to 异常血管特性和脑组织可能降低fMRI信号[32],因此只能与其他临床诊断方式结合使用。

本研究重要且可能反直觉的发现之一是,尽管与运动表现和执行相比,四种语言的语言产生性质更为复杂,语言任务方案的表现与运动任务方案相当,并显示出稳健的结果。这一结果表明,语言产生所诱发的活动模式在不同受试者之间的 consistent 程度与运动产生相当。

我们的研究还表明,fMRI 模式在不同中心之间没有显著差异。先前应用简单运动任务方案[33–38]、视觉任务方案[39, 40],有时还有认知任务方案[41–43]的多中心研究,一致报告了将 fMRI 数据跨中心合并的可能性的可喜结果。中心间变异通常似乎远小于受试者间变异(例如参见 Costafreda [44] 的综述)。然而,先前的多中心研究主要评估的是预期会被任务方案激活的特定预定义区域的活动位置或强度。TMA 表明,与语言及运动功能相关的全脑激活模式在硬件和扫描方案差异相当大的各中心之间是一致的(表1)。

fMRI 任务的选择基于其在各中心的广泛使用以及在脑外科手术中对直接电刺激[45, 46]和皮质电图定位[47, 48]的验证。这些任务对大多数手术患者而言易于理解和执行,并能产生稳健的激活水平。除了促进患者配合的简单性之外,可能对稳健性重要的特征包括组块设计(相对于敏感性较低的事件相关设计[49])以及任务的非歧义性以避免使用不同的认知策略。然而,患者应在 fMRI 扫描前接受测试,以确定认知能力和维持注意力的能力。

标准化方案的稳健性可用于提高临床 fMRI 的可靠性,促进结果的分析和解读。fMRI 扫描的质量是脆弱的,可能受到许多因素的影响,如受试者运动、任务配合度和不正确的分析步骤。在许多情况下,除了通过视觉检查活动模式外,很难客观地判断 fMRI 扫描的质量,且迄今为止尚无普遍接受的质量指标。当前结果表明,TMA 提供了一种简单而有效的指标,可在未来研究中对照专家质量评估进行评价。

稳健的方案还可以促进那些因招募困难而受困于低统计效能的研究,例如由于特定病理(如特定部位的低级别胶质瘤)或外科手术的较低发生率[50]。它使得从各中心汇集临床 fMRI 研究数据成为可能,而不会造成统计效能的实质性损失。这种方法例如可用于旨在检查手术与患者结局之间关联的患者随访研究,特别是就功能性可塑性的存在而言,或用于需要大人群队列的队列研究。

在解读本研究结果时,必须考虑若干局限性。重要的是,虽然患者结果确实成功表明肿瘤的存在不一定对TMA产生使其失效的影响,但需要更多患者数据和进一步的专家评估才能确定临床使用的明确TMA阈值。

我们的研究未评估任务方案所获取信息的相关性,而是仅限于该模式在个体间的可重复性。我们的研究未评估各中心之间活动水平的差异,而是聚焦于模式之间的一致性。可能由于硬件和扫描序列的差异,各中心之间的活动水平存在差异。然而,对于临床使用,我们确实认为活动模式可能比绝对水平更具信息价值。

另一个局限性是未对患者扫描质量进行评估,这使得临床使用的适当TMA阈值问题仍悬而未决。在此使用的患者数据集中,尚不清楚有多少扫描质量较差,或有多少因认知或注意力缺陷而表现出依从性不足。这需要一项广泛的研究,将患者数据中的TMA与多种质量指标进行比较,包括专家主观评估,而这不在本原理验证研究的范围内。此外,我们未对肿瘤引起的解剖结构异常进行校正。但基于当前结果,能够对此进行校正的技术,例如通过非线性“形变”技术将患者解剖扫描归一化至标准脑模板[51],很可能进一步提高TMA的稳健性。最后,未来研究和应用需要表明TMA是否也可用于检测更微妙形式的非典型激活,例如它们是否与认知缺陷导致的任务表现不佳相关。

作为最后一点说明,有人可能认为头动可通过产生假激活而增加TMA值。我们认为,只有当运动以与全脑模板相匹配的方式引起各区域信号升高和降低时,运动伪影才能升高TMA。鉴于数据采集的性质,这极不可能,因为运动影响整个层面(通常为多个层面),且最常沿全脑的强度边缘(典型为灰质与脑脊液之间)表现。两者均不太可能生成模板模式。实际上,即使任务相关运动可能沿强度边缘产生虚假的显著活动,运动也会降低在全脑计算的TMA,因为它将运动产生的图像噪声添加到数据中。

总之,我们提出了一种评估功能磁共振成像(fMRI)激活模式典型性的直接方法,并利用来自7个中心42名健康受试者的正确和错误分析数据对其进行了验证。结果表明,典型性评估方法(TMA)具有稳健性,并且能够很好地检测出由错误分析产生的非典型活动模式。将TMA应用于一系列患者数据表明,局部解剖异常的存在并不会使该方法失效(尽管TMA值低于健康受试者)。值得注意的是,对于临床fMRI而言,优化扫描流程以避免伪影非常重要,最好通过应用某种质量保证措施来实现。

引用

  1. Jansma JM, Rutten GJ, Ramsey LE, et al. Automatic identification of atypical clinical fMRI results. Neuroradiology. 2020. PMID: 32812070. doi:10.1007/s00234-020-02510-z
  2. 全文:PMC7666675(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC7666675/

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。