文献速递神经MR

系统性容积分析可预测特发性正常压力脑积水患者对脑脊液引流的反应及分流手术结局

Systematic volumetric analysis predicts response to CSF drainage and outcome to shunt surgery in idiopathic normal pressure hydrocephalus.
PubMed 文献 · Eur Radiol · 2021-01-03

本研究回顾性纳入104例可能特发性正常压力脑积水患者和41例分流手术患者,基于高分辨率T1加权MRI自动分割283个脑结构进行多粒度容积分析,区分脑脊液引流反应者的敏感度/特异度/精确度/准确度为0.89/0.91/0.84/0.90、AUC为0.94,预测分流后Tinetti和MMSE评分的相关系数分别为r=0.80和r=0.88。

要点

  • 基于T1加权MRI的精细分割容积分析区分脑脊液引流反应者与无反应者,AUC达0.94,准确度0.90。
  • 下侧脑室、双侧海马和眶额皮质为引流反应者的正向指标,后部深部白质和顶叶皮层下白质为负向预测因子。
  • 术前脑容积可预测分流术后Tinetti(r=0.80)和MMSE(r=0.88)评分,预测模式因结局而异。

关键影像表现/征象

  • Evan指数在反应者与无反应者间差异有统计学意义(p<0.013),94%的反应者和91.3%的无反应者Evan指数超过0.3阈值。
  • 反应者表现为下侧脑室、海马和额眶部多个皮层脑回体积较大,而后部/顶叶白质体积较小。
  • 预测Tinetti评分的主要特征涉及脑室和脑沟,如右侧顶叶和额叶脑沟及双侧下侧脑室,双侧下侧脑室扩大是低Tinetti评分的强预测因子。
  • 预测MMSE评分的特征主要覆盖皮层脑回和白质,如左侧角回、右侧楔叶、左侧穹窿/终纹和左前深部白质。

诊断标准与关键数值

  • 队列1中区分脑脊液引流反应者与无反应者,最细分割水平(283个ROI)的敏感度/特异度/精确度/准确度为0.89/0.91/0.84/0.90,AUC为0.94。
  • 队列1中Evan指数联合年龄和性别的诊断准确度仅0.42(最佳阈值0.35),AUC为0.40。
  • 队列2中预测分流后Tinetti评分,水平1至4的相关系数r分别为0.55、0.56、0.76、0.80(所有相关性p<0.01)。
  • 队列2中预测分流后MMSE评分,水平1至4的相关系数r分别为0.85、0.86、0.87、0.88(所有相关性p<0.001)。
  • 队列2中基于Evan指数的预测相关系数r为Tinetti 0.48、MMSE 0.80;无术前评分时Evan指数预测准确度仅Tinetti 0.42、MMSE 0.46。

临床应用与阅片要点

  • 阅片时可关注下侧脑室扩大、海马体积相对保留和眶额皮质体积增大等提示脑脊液引流反应的正向影像特征。
  • 后部深部白质和顶叶皮层下白质体积缩小可能提示引流反应可能性较低。
  • 预测分流术后步态结局时脑室和脑沟容积权重较大,而预测认知结局时皮层脑回和白质区域权重较大。
  • 作者认为,若在其他队列进一步验证,容积标志物可能替代有创脑脊液引流试验用于临床决策。

局限性

  • 由于队列2患者数量有限,无法使用最细分割的容积分析,因为容积特征数量远超样本量。
  • 当前研究仅回顾性纳入来自单一中心且影像协议统一的患者。
  • 未来需要前瞻性多中心研究来检验所提方法的泛化性和准确性。
  • 当前研究仅关注脑体积,未评估或比较胼胝体凸度和DESH等形态学特征。
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:Eur Radiol. 2021 Jan 3;31(7):4972–80. doi: 10.1007/s00330-020-07531-z

引言

特发性正常压力脑积水(INPH)的特征是由脑内脑脊液(CSF)积聚过多所致的痴呆、步态障碍和尿失禁临床三联征。在缺乏任何已证实药物治疗的情况下,手术放置分流管以引流过量CSF被证明是有效的治疗方法[1, 2],尽管仍存在争议[3]。然而,INPH的诊断具有挑战性,因为其临床和影像学表现也见于衰老、脑血管疾病、神经退行性疾病及其他形式的脑积水[4]。目前,最有效的检查之一是通过大容量腰椎穿刺(LVLP)移除CSF或通过腰大池引流(ELD)进行延长CSF引流[4]。已知CSF引流后的暂时性改善可预测分流反应,但这些有创检查可能导致各种并发症[5]。近年来,人们研究了使用无创神经影像工具,即MRI,来替代或补充有创检查的可行性[6–9]。

INPH的MRI特征包括脑室扩大、胼胝体角陡直、外侧裂扩大、蛛网膜下腔不成比例扩大的脑积水(DESH)和脑萎缩[10]。这些特征通常通过视觉检查或半定量指标如Evan指数[11]或DESH量表[10]进行评估,然而这些本身不足以建立诊断[12]。也曾尝试定量分析。基于灰质(GM)、白质(WM)和脑室分割的体积分析在区分INPH与阿尔茨海默病(AD)、帕金森病(PD)或健康对照方面提供了合理的诊断准确性[13–15]。CSF分布也被提出作为INPH的有用标志物[16, 17]。然而,INPH与正常老年人、AD或PD之间的比较可能并未解决关键临床难题,因为这些疾病已知具有独特的影像学和临床征象。此外,分流术后的神经功能结局存在差异[18],但术前MRI的预测价值仍为中等[19–22]。例如,最近一项大型队列研究显示,即使使用综合多模态标志物,预测良好分流结局的准确性也仅为0.58[8]。

既往INPH的体积学研究使用了GM、WM和CSF的粗略组织分割,或基于某些假设检查单个脑区,但未系统评估全脑结构体积及其分布。在本研究中,我们旨在评估体积分析在INPH诊断和预后中的全部潜力,使用自动全脑分割流程[23],该流程将大脑分区为283个结构,并允许在多个粒度水平上进行体积分析[24]。我们假设体积标志物能够准确预测NPH样患者对CSF引流的反应,并预测确诊NPH患者分流手术后的神经功能结局。

材料与方法

患者

患者数据为2009年至2016年间的回顾性收集。所有研究方案均获当地机构审查委员会批准。本研究所有患者均签署书面知情同意书。本研究纳入两个患者队列:纳入很可能INPH患者以检验区分脑脊液引流应答者与无应答者的诊断准确性。纳入标准如下:(i)根据常规影像学报告、特征性步态和认知症状诊断为很可能INPH;(ii)在通过LVLP进行脑脊液引流试验前及试验后2小时内完成步态评估;(iii)在试验前1至3个月内完成MRI扫描。排除梗阻性脑积水、先天性脑积水或继发性脑积水患者。按上述标准共选取104例患者,其人口学和临床信息汇总于表1。其中35例被确定为应答者,与引流前评估相比,其在引流后2小时内计时起立-行走(TUG)测试改善30%或Tinetti步态评估改善5分及以上。

由于我们没有前一阵列中应答者的随访神经学测试结果,因此使用一个单独的INPH患者队列来检验术后结局的预后准确性。我们选取了在分流术前及分流术后1年内完成Tinetti和/或简易精神状态检查(MMSE)测试、并在分流术前0至10个月内进行MRI扫描的患者。测试与分流手术之间以及手术与MRI扫描之间的确切间隔见表2。共纳入47例有完整Tinetti记录的患者和37例有完整MMSE记录的患者(表2)。

表1 用于诊断试验的患者(队列1)的基本人口学和临床信息及其在脑脊液引流试验前后的步态和认知评估。除非另有说明,结果以均值(标准差)报告 查看原表 ↗
表2 用于预后试验的患者(队列2)的基本人口学和临床信息、其分流术前后的MMSE和Tinetti评估,以及分流手术与术后测试之间的时间(以天计)。除非另有说明,结果以均值(标准差)报告 查看原表 ↗

神经学检查

由一名物理治疗师(A.M.)实施Tinetti定向活动能力评估[25]和TUG测试[26],由一名医生(A.D.)或研究助理实施简易精神状态检查(MMSE)[27]和蒙特利尔认知评估(MOCA)[28]。Tinetti是一种结构化半定量量表,用于检查步态和平衡的不同方面(范围:0–28)。MMSE是众所周知的认知功能筛查测试(范围:0–30)。两项测试得分越高表示表现越好。

MRI采集

所有患者均在3-T Trio或Verio扫描仪(Siemens)上扫描3D高分辨率T1加权图像。图像采用MPRAGE序列采集,成像参数如下:视野240 × 240 mm,平面内分辨率0.76–0.94 mm,层厚0.9–1.2 mm,矢状位方向,回波时间2.1–3.25 ms,重复时间1800–2110 ms,翻转角8–9°,并行加速因子2,扫描时间约5分钟。

脑分割

高分辨率T1加权图像通过云平台MRICloud(www.mricloud.org)使用多图谱算法[29]进行分割。分割算法的细节在[23]中提供。我们使用了一个老年人脑图谱集[30],该图谱集被分割为283个感兴趣区(ROIs),包括96个灰质ROIs、114个白质ROIs、12个脑室ROIs、18个脑沟ROIs、28个脑干和小脑ROIs,以及15个作为占位符的废弃标签(补充表S1)。根据其本体论关系[31],最细粒度级别的283个ROIs被分组为更高的层级。当前图谱定义了五个粒度级别(图1),其中级别1、2、3、4和5分别包含7、19、54、137和283个ROIs[24]。

图1 基于多图谱的INPH患者脑部分割。结构标签以从级别1(7个标签)到级别5(283个标签)的不同粒度级别显示,包括横断面和冠状面视图 查看原图 ↗

队列1的特征选择和分类分析

用于区分脑脊液引流应答者的判别特征(ROI体积)使用递归特征消除(RFE)方法[32]在Python的scikit-learn工具箱(scikit-learn.org)中选择。年龄和性别也作为额外特征纳入模型。线性支持向量机(SVM)作为分类器整合到RFE中。SVM中使用类别加权[33]以解决应答者和非应答者之间样本量不平衡的问题。我们通过在每个粒度级别从1到所有可能的特征执行RFE来确定最优特征,并选择在每个级别提供最高分类准确度的组合。分类性能使用留一法交叉验证方案进行评估,并通过灵敏度、特异度、精确度、准确度以及受试者工作特征曲线(ROC)的曲线下面积(AUC)进行评价。

队列2的预测分析

我们使用最小绝对收缩和选择算子(LASSO)[34]方法在R(www.r-project.org)中选择最优特征并确定预测术后Tinetti和MMSE的回归模型。级别1-4的ROI体积,连同年龄、性别、分流前测试评分、分流手术与术后测试之间的时间,以及术前MRI与分流手术之间的时间,被用作预测因子。LASSO中的正则化因子在训练时保持为0.5。级别5的ROI体积未被使用,因为特征数量(n = 283)对于该队列(MMSE为n = 37,Tinetti为n = 47)来说太大。我们使用留一法交叉验证来预测个体患者的结果,并将预测评分与真实值进行相关性分析。

统计分析

队列1中应答者和非应答者之间临床特征的差异分别使用Wilcoxon秩和检验(用于不满足正态分布的数据:年龄、脑脊液引流前后的Tinetti和TUG)、不等方差非配对t检验(用于脑脊液引流前后的Evan指数和MMSE)以及卡方检验(用于性别)进行检验。Wilcoxon配对符号秩检验用于比较队列2中脑脊液引流或分流手术前后的测试评分。统计检验在R中执行。

结果

队列1中脑脊液引流应答者的诊断

应答组与非应答组的人口学和临床特征相当(表1),但Evan指数除外(p < 0.013)。94%的应答者和91.3%的非应答者的Evan指数高于0.3的阈值,该阈值是特发性正常压力脑积水(INPH)的诊断标准之一[35]。以Evan指数、年龄和性别作为特征,在最佳阈值为0.35时,诊断准确率仅为0.42,AUC为0.40(表3),表明使用传统标志物将应答者与可能INPH患者区分开来存在挑战。

图1显示了1例INPH患者脑分割的五个层级。分别在不同层级获取ROI体积用于分析,同时丢弃无用标签。图2a显示了在不同特征数量下,使用1-5层级的结构体积对应答者和非应答者进行脑脊液引流分类的准确率。准确率随粒度层级的增加而如预期般提高。在层级4,准确率在0.8附近波动,在特征数为16时达到峰值(红色箭头)。层级5的准确率进一步提高至0.9,最佳特征数为79(紫色箭头)。此外,在层级5,准确率曲线显示一个局部峰值(空心紫色箭头),在特征数为19(占ROI总数的7%)时准确率为0.86,AUC为0.89,表明大部分判别信息被少数选择性解剖特征所捕获。图2b中的ROC曲线显示层级5的AUC最高,为0.94,其次是层级4的AUC为0.82。各层级最佳特征数下的灵敏度、特异度和精确率列于表3。

提取经RFE选择的ROI及其权重,以表征分类中的判别特征。图3a中的权重图显示,在层级4,右侧侧脑室下角(LV)、双侧穹窿/终纹、双侧眶回、右侧额上回和额下回、右侧海马和扣带回是脑脊液引流应答的阳性指标,而左侧后部深部白质、双侧顶叶皮层下白质、右侧中央后回和顶上回区域为阴性指标。层级5的判别特征与层级4相似(图3b)。层级3、4和5的最佳ROI集及其权重列于补充表S2。

表3 使用不同分割粒度层级下的最佳体积特征对应答者和非应答者进行脑脊液引流分类的准确率,以灵敏度、特异度、精确率、准确率和AUC进行评估。同时提供Evan指数的分类性能以供比较 查看原表 ↗
图2 脑脊液引流应答者和非应答者的分类。a 不同分割层级下随特征数量变化的分类准确率。实心箭头指向每条曲线上的最佳特征数,空心紫色箭头指向层级5的一个局部峰值。b 粒度层级1-5下具有最佳特征集的分类器的受试者工作特征(ROC)曲线。同时比较Evan指数的ROC。曲线下面积(AUC)值相应标注 查看原图 ↗
图3 在4级(a)和5级(b)对脑脊液引流有反应者和无反应者分类中有贡献的脑区权重图。颜色图表示RFE模型中所选区域的权重。缩写:post-DPWM,后部深部白质;parietal WM,顶叶白质;SFG,额上回;IFG,额下回;SPG,顶上回;Fx/ST,穹窿/终纹;HP,海马;inferior LV,下侧脑室;OG,眶回 查看原图 ↗

队列2中分流结局的预后

分流前Tinetti与分流后Tinetti呈中度相关,r为0.36(p = 0.01,图4a),分流前MMSE与分流后MMSE呈相对较高的相关(r = 0.74且p < 0.001,图4d),表明基线神经功能表现在分流后结局中起重要作用。我们随后检验了不同粒度水平的体积标志物在估计分流后步态和认知结局中的预测能力,并将分流前测试评分作为协变量之一。LASSO预测的Tinetti评分与临床测量的真实值之间的相关性(r)在1、2、3和4级分别为0.55、0.56、0.76和0.80(所有相关性p < 0.01)。分流后预测的MMSE与真实值强烈相关,在1、2、3和4级的r分别为0.85、0.86、0.87和0.88(所有相关性p < 0.001)。4级预测评分与相应真实值的关系见图4 b和e。由于低评分可用样本较少,预测误差在Tinetti评分较低时较大。相比之下,基于Evan指数和相同协变量的预测与真实值的相关性低得多(Tinetti的r = 0.48,MMSE的r = 0.80)。

我们还检验了不含分流前评分的LASSO模型的预测性能。1–4级的r值在Tinetti中为0.53、0.53、0.77和0.75,在MMSE中为0.61、0.75、0.69和0.83,提示仅结构体积也可预测分流后结局,但结合分流前信息可进一步增强性能。相应地,在不含分流前评分时,基于Evan指数的预测准确率在Tinetti和MMSE中仅为0.42和0.46。

检查了LASSO模型中预测变量的权重,以了解其在预测中的贡献。预测Tinetti时选择的特征主要涉及脑室和脑沟,如右侧顶叶和额叶脑沟以及双侧下侧脑室(图4c)。值得注意的是,双侧下侧脑室扩大是低Tinetti评分的强预测因子。有助于预测MMSE的区域呈现不同模式(图4f),主要覆盖皮质脑回和白质(WM),如左侧角回、右侧楔叶、左侧穹窿/终纹和左前部深部WM。此外,在预后测试中发挥作用的区域与诊断测试中的区域有重叠(图3),例如下侧脑室、穹窿/终纹和后部深部WM,尽管这两项任务涉及的患者不同。

图4 INPH患者分流术后Tinetti和MMSE评分的预测。a 47例INPH患者分流术前与分流术后Tinetti评分的相关性。b 模型预测的与临床测量的分流术后Tinetti评分之间的相关性。c LASSO模型所选ROI用于预测术后Tinetti评分的权重。d 47例INPH患者分流术前与分流术后MMSE评分的相关性。e 预测的与测量的分流术后MMSE评分之间的相关性。f LASSO所选ROI用于预测术后MMSE评分的权重。缩写:MOG,枕中回;CGC,扣带(扣带回部分);DPWM,深部白质;PLIC,内囊后肢;LV,侧脑室;ITG,颞下回;Fx/ST,穹窿/终纹 查看原图 ↗

讨论

本研究探讨了系统性体积分析在根据脑脊液引流反应评估INPH分流候选者诊断中的作用,以及对分流置入术后神经学结局的预测。我们在一个可能INPH患者队列中,区分脑脊液引流有反应者与无反应者方面达到了0.94的高诊断准确率。体积分析在预测分流置入术后步态和认知结局方面也显示出良好性能,与金标准具有高相关性(r = 0.80–0.93)。

与INPH现有的体积研究相比,我们的自动分割流程将脑区分为283个结构,并且这些精细元素可根据其本体关系分组为不同粒度水平,以适应不同研究。我们的结果表明,随着粒度水平提高,诊断和预后准确率增加,说明了精细分割的重要性。另一个独特优势是,我们的图谱定义不仅限于GM和WM,还包括脑室和脑沟区域,例如12个脑室ROI和18个脑沟ROI(补充表S1)。这对INPH研究可能特别有用,因为CSF分布模式是INPH的重要标志物[16, 17]。请注意,患者之间的图像采集方案略有差异,但这不太可能影响结果,因为在我们既往研究中,分割流程已显示对方案具有稳健性且高度可重复[24, 36]。

精细结构分割结合RFE模型,在评估脑脊液引流反应方面实现了高分类准确率。容积分析已在少数研究中用于INPH的诊断。Miskin等[13]将大脑分割为GM、WM、脑室和海马,并报告在从ADNI数据库中对INPH患者和AD患者进行分类时准确率为94%。Serulle等[14]进行了粗组织分割和多参数模型分析,并显示在区分INPH与AD和健康对照时的总体准确率为96.3%。Yamada等[7]使用脑室和蛛网膜下腔体积来预测脑脊液引流反应,并报告在一组疑似INPH患者中AUC为0.768。在此,我们设计了一项相对具有挑战性的任务,纳入了一组类INPH患者,这些患者脑室扩大、Evan指数升高,并具有步态和认知下降的临床表现。区分脑脊液引流反应者的诊断准确率达到AUC为0.94,提示如果能在其他队列中进一步验证,容积标志物可能有望替代侵入性脑脊液引流试验用于临床决策。需要注意的是,我们进行的是二分类,而非预测神经功能评分,因为患者在脑脊液引流后2小时的反应在改善方面相当异质。与脑脊液引流无反应者相比,反应者表现为下侧LV、海马和额眶叶若干皮质脑回体积更大,但后部/顶叶WM更小。下侧LV的选择性扩大以及海马和皮质厚度相对保留,与现有的INPH与其他神经系统疾病比较研究一致[15, 37, 38]。在此,对照组与反应者具有临床和影像学相似性,因此所选解剖特征可能对INPH病理更具特异性。

脑MRI在预测术后INPH神经功能结局中的应用主要局限于定性或半定量评估,如DESH量表[10, 19, 21]。例如,Shinoda等人显示DESH评分与改良Rankin量表(一种常用的卒中结局指标[39])的变化相关,r = -0.79 [19];Virhammar报告,对分流手术反应良好的患者胼胝体角显著小于无反应者(59°对68°)[20],且胼胝体角、DESH和颞角的比值比在分流结局中似乎具有显著性[40];Ahmed等人显示,分流术后神经功能结局在分流前MRI存在或不存在DESH特征的患者之间无差异[41]。我们显示,全脑容积分析结合LASSO回归模型可用于预测步态和认知表现。相对较高的预测准确度(r = 0.80和0.88)支持使用术前MRI评估患者结局的可行性。与预测相关的特征对Tinetti和MMSE显示出不同的模式。脑室和脑沟在预测Tinetti中发挥重要作用,而皮层脑回和白质区域被选用于MMSE预测,表明步态和认知结局可能与不同脑区相关。这一发现与既往研究结果一致,即基于脑脊液的解剖特征在预测步态结局方面比预测认知结局更有效[10, 19, 21]。

本研究存在若干局限性。由于队列2的患者数量有限,我们无法使用最精细分割的容积分析,因为容积特征的数量远超样本量。更大的队列将允许更灵活的分析和更高的预测准确度。此外,本研究仅回顾性纳入了来自单一中心、采用统一成像方案的患者。未来需要前瞻性多中心研究来检验所提出方法的泛化性和准确性。此外,本研究仅关注脑体积,未评估或比较形态学特征,如胼胝体凸度和DESH。未来将容积和形状信息纳入特征分析的工作可能进一步提高预测准确度。此外,将形态学分析与先进成像技术相结合,如基于相位对比的脑脊液流动成像[9]、扩散MRI和MRI波谱[42],可能进一步提高脑MRI在INPH临床管理中的诊断和预后价值。另一方面,3D T1加权MRI的易获取性增强了所提出方法的临床可转化性。

总之,我们证明,采用精细分割的系统性容积分析能够可靠地区分脑脊液引流试验的反应者,并预测INPH患者分流术后的神经功能结局。基于云的多粒度分割高性能诊断工具可随时整合到临床常规中。

补充信息

(DOCX 23 kb)

引用

  1. Wu D, Moghekar A, Shi W, et al. Systematic volumetric analysis predicts response to CSF drainage and outcome to shunt surgery in idiopathic normal pressure hydrocephalus. Eur Radiol. 2021. PMID: 33389035. doi:10.1007/s00330-020-07531-z
  2. 全文:PMC8213563(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC8213563/

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。