指南与共识神经MR

晚期特发性震颤小脑结构MRI生物标志物的共识可重复性

Reproducibility of cerebellar involvement as quantified by consensus structural MRI biomarkers in advanced essential tremor.
指南 / 共识 · Sci Rep · 2023-01-11

本研究纳入34例晚期ET患者和177例来自PPMI/ADNI的匹配对照,使用VBM、小脑灰白质体积和脑叶体积三种MRI生物标志物检验小脑结构改变。结果显示仅右侧小脑灰质减少和左侧小脑白质增加被多种方法重复识别,且基于SUIT的分割存在体积高估。作者提示当前MRI研究中ET小脑受累可能被过度强调。

要点

  • 仅右侧小脑灰质减少和左侧小脑白质增加在多种方法间重复出现。
  • SUIT小脑分割体积高估,可能部分解释文献间差异。
  • 方法敏感性分析对结果解读至关重要,需大样本重复研究。

关键影像表现/征象

  • VBM在小脑掩模内未检测到ET与对照的显著体素水平差异。
  • Freesurfer和MAGeT均显示右侧小脑灰质体积减少,效应量分别为-0.8996和-0.8780。
  • Freesurfer分割显示左侧小脑白质体积增加,所有10种统计模型均显著。
  • SUIT分割显示小脑脑叶间相关性极高且方差小,MAGeT相关性较低且方差较大,专家认为MAGeT结果更符合生物学。
  • ET组小脑灰质体积与皮层厚度的结构协方差整体降低,以左侧眶额外侧回和双侧中央旁沟最明显。

诊断标准与关键数值

  • 右侧小脑灰质减少仅在以小脑体积为协变量的置换检验模型7和9中显著,效应量-0.8996和-0.8780。
  • 左侧小脑白质增加在Freesurfer分割的10种统计模型中均显著,但MAGeT未显著。
  • 左侧小脑白质体积比较的GLM模型效应量均值为2.6457,置换检验模型为0.9260。
  • SUIT分割的小脑半球脑叶体积平均相关系数为0.985±0.007,MAGeT为0.773±0.083。
  • SUIT与MAGeT小脑半球脑叶体积跨半球相关系数中,左侧VIIIb最大(ρ=0.4469),右侧X最小(ρ=-0.0062)。

临床应用与阅片要点

  • 阅片和报告小脑体积改变时应谨慎,避免仅凭单一分割管道或统计模型下结论。
  • SUIT分割可能高估小脑体积且脑叶间相关性过高,解读其体积结果需结合质量评估。
  • 右侧小脑灰质减少和左侧小脑白质增加目前仅作为研究性生物标志物,尚未达到临床报告标准。
  • 方法敏感性分析应作为解释ET小脑MRI研究结果的重要环节。

局限性

  • ET样本来自单中心神经外科运动障碍门诊,为晚期患者,可能存在选择偏倚。
  • 本地对照年龄和性别匹配不佳,补充PPMI和ADNI对照可能引入队列差异。
  • SUIT分割质量存在问题,脑叶体积估计相关性过高,影响结果可靠性。
  • 研究为横断面设计,无法推断结构改变与病程的因果关系。
  • 部分统计模型细节和多重比较校正信息在原文中报告不完整。
全文中译16 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:Sci Rep. 2023 Jan 11;13:581. doi: 10.1038/s41598-022-25306-y

引言

特发性震颤(ET)是最常见的慢性神经运动障碍之一,总体患病率为0.9%–4.6%,具体取决于年龄1。国际帕金森病与运动障碍协会将ET定义为一个综合征,其特征为孤立的双上肢姿势性或动作性震颤,持续时间至少3年,伴或不伴其他部位(如头部、下肢)的震颤或发声震颤。随着疾病进展,可能出现其他神经系统体征,如平衡丧失、肢体姿势异常或记忆减退2。

尽管ET的潜在病理生理机制仍不清楚,但一些尸检研究揭示了小脑皮质的变化,主要涉及小脑灰质中浦肯野细胞的丢失和白质结构的改变3–5。然而,活体神经影像研究报告了关于ET中小脑受累的不一致发现。

几项磁共振(MR)成像研究表明与ET相关的小脑结构改变6–10。具体而言,基于体素形态学分析(VBM)的早期研究提示ET受试者存在双侧小脑萎缩11,12,且以蚓部为主11。最近,使用高分辨率小脑图谱13的容积学研究报道,除蚓部外,不同小脑小叶I–IV、V、VI、VII和VIII的灰质(GM)显著减少14。与这些发现相反,其他研究表明ET症状与小脑变性之间无显著关联5,15,16。此外,一项包含16项汇总VBM研究的荟萃分析未能在ET人群中发现一致的小脑异常和灰质改变15。

另一项最近的VBM荟萃分析17提示,虽然有一些证据表明ET患者存在容积变化,但已发表文献中存在显著异质性,限制了基于MRI对小脑组织丢失作出确定性结论。该荟萃分析中研究中位样本量较小(ET为n = 19.5,正常对照(NC)为20),这意味着对于一项检验的估计中位功效为0.44,或更低——例如若检验10个小叶或感兴趣区(ROI)并进行多重比较校正时。关于ET患者小脑萎缩的文献可能存在胜者诅咒效应和低阳性预测值18,此外还有文件抽屉效应,即对报告显著结果的发表偏倚19。这些因素使荟萃分析结果难以解释,因此荟萃分析作者建议进行更多重复研究。荟萃分析的注意事项和胜者诅咒效应并非神经影像学领域所特有20,21,在低功效条件下可能尤为重要。

除了小脑受累之外,特发性震颤(ET)中还被认为存在异常的小脑-丘脑-皮质网络22,23。这些异常可能是小脑病理改变的合理功能后果,或者反映了超出小脑范围的更广泛的结构性退变过程。迄今为止,神经影像学研究对ET中的皮质改变及其与小脑变性的关联尚未充分表征,且缺乏共识11,24–29。除了体积可能减小之外,一些研究甚至基于VBM分析提示ET患者辅助运动区的灰质增加30。这些不一致性促使进一步探索小脑与皮质结构改变的共现情况,以增进我们对ET退变模式的理解。

当前将各种小脑改变与ET联系起来的MR成像研究中的不一致可能归因于多种来源。难以收集大规模且特征明确的随机ET和对照受试者,而收集和分析样本量较小的异质性队列限制了对发现的有效假设检验和解释。除了收集大规模特征明确的随机ET和对照受试者的困难之外,影像学研究之间的分歧还可能源于神经影像处理流程和统计模型的复杂性和灵活性31–33。我们将由各种流程和统计模型产生的发现稳健性研究称为“方法敏感性分析”。在ET研究中,这些流程包括VBM、ROI体积测量和皮质厚度估计,它们在不同尺度和区域特异性上提供生物标志物的量化。通常,流程的选择源于关于生物标志物在识别病例-对照差异中的空间特异性和敏感性(例如,体素 vs 区域)的潜在假设、数据的可用性以及对软件工具箱的熟悉程度。上述大多数研究仅从众多可用的影像分析流程中选择一种,例如使用SPM的VBM,或使用Freesurfer的ROI分析。两项研究之间缺乏相同(或相似)的流程使结果的直接比较复杂化。分析中变异性的下一个来源来自统计建模的差异。现有文献在假设检验(GLM和置换检验)、混杂因素控制和协变量选择方面采用不同方法,这可能在生物学发现中引入更多不一致性7,9,11,12,14。有时缺乏统计和神经影像报告标准使情况进一步复杂化。在一些研究中,我们无法找到统计分析的完整细节。例如,z值或t值、效应量以及多重比较校正的细节未以一致的方式报告7,9,11,14。此外,基于推测的疾病亚型进行分析的研究——这些亚型实际上可能存在于一个连续谱中——也可能在较小队列研究中稀释统计功效并膨胀可检测到的效应量20,21。所有这些复杂性,可能还叠加了文件抽屉效应,使神经影像学研究的比较和解释变得困难,并阻碍了研究发现向临床应用的转化34,35。

为解决当前ET影像学文献中的这些方法学问题,我们在不同表型尺度上开展了多项神经影像学分析,并将其与文献中的研究结果进行比较。在这些分析中,我们使用了一个转诊至专门神经外科运动障碍门诊的ET患者本地样本。这些患者表现为ET晚期,伴有致残性上肢症状。该本地样本 also 包含数量有限的对照受试者,但其年龄和性别与ET组匹配不佳。因此,我们通过从两个公开可用的数据集——帕金森病进展标志物计划(PPMI)36和阿尔茨海默病神经影像学计划(ADNI)37——中提取数据来扩充对照样本量,从而获得与本地ET样本在年龄、性别分布和扫描仪类型方面相似的对照受试者样本。借助这一扩充样本,我们旨在利用源自T1 MRI的结构影像生物标志物研究ET组与NC组之间的组间差异。具体而言,我们旨在回答以下三个问题:在晚期ET样本中,能否检测到以小脑受累为共识的结构MRI影像生物标志物所量化的改变?

使用不同图像处理流程和统计模型所导致的方法学变异对上述发现有何影响?这些变异能否解释文献中的差异?

小脑体积与皮质厚度之间是否存在共变的结构改变模式?

为回答问题1,我们检验了以下假设:与NC组相比,ET组表现出显著的小脑改变,且这些改变可通过3种不同MRI生物标志物的共识检测到:(1) 小脑VBM,(2) 小脑灰质和白质体积测量,(3) 小脑小叶体积测量。

我们通过系统的方法学敏感性分析回答了关于流程和统计模型选择影响的第二个研究问题,该分析包括:(1) 与替代分割流程估计小脑小叶体积的比较,(2) 参数与非参数显著性检验以及替代混杂因素控制模型和颅内体积选择的比较。

我们在二次探索性分析中比较了ET组和NC组小脑与皮质结构特征之间相关模式的差异,以研究第三个问题。本研究的概览见支持信息图S1。

结果

3种MRI生物标志物均未能一致检测到晚期ET中的小脑受累

基于共识的假设检验结果如图1所示。尽管我们的队列规模较大(N = 211,患者组:N = 34,对照组:N = 177),我们使用小脑掩模的VBM未能检测到ET与增强NC之间的显著体素水平差异。完整的VBM报告可见于支持信息(SI)图S3。小脑灰质和白质(GM & WM)及小脑小叶体积测量的假设检验使用一般线性模型(GLM)进行,以年龄、性别、颅内体积(eTIV,估计总颅内体积)、队列和组别作为协变量,采用Bonferroni方法进行多重比较校正。ROI(感兴趣区域)的体积比较包括由Freesurfer估计的左侧和右侧小脑GM & WM,以及由SUIT估计的左侧和右侧CrusI、CrusII、齿状核、蚓部CrusI、CrusII和VI的小脑小叶体积(SUIT无白质估计)。我们获得的唯一显著ROI是左侧小脑WM,p = 0.0122,z = 2.5059。正的z值提示ET中为“肥大”而非“萎缩”。这些结果与之前的MRI研究11,38不同,但可能与最近一项组织学研究一致,该研究报告了“浦肯野细胞轴突的局灶性肿胀”39。总之,我们从所有3种MRI生物标志物的共识中未能检测到与ET相关的小脑受累。

图1 基于共识的假设检验结果:(1)使用SPM12的VBM;(2)使用Freesurfer的小脑GM & WM体积测量;(3)使用SUIT的小脑小叶体积测量。灰色圆圈和矩形(深色虚线轮廓)表示未检测到,红色圆圈和矩形(实线轮廓)表示ET ROI的显著增加,蓝色圆圈和矩形(虚线轮廓)表示ET组的显著负效应(我们的检验中未发现此类结果)。 查看原图 ↗

不同统计模型和小脑分割流程中的发现

我们评估了替代(1)小脑分割流程即MAGeT40和(2)统计模型对假设检验结果的影响。注意Freesurfer仅分割小脑GM & WM,SUIT13分割GM包括半球小叶、蚓部和深部核团,而MAGeT分割GM & WM仅包括半球小叶,不包括蚓部或深部核团。为了评估先前发现的可重复性,我们使用10种最常用的统计模型,基于Freesurfer、SUIT和MAGeT分割重复了小脑GM & WM体积测量和小脑小叶体积测量的假设检验。结果总结于图2,展示了跨流程和统计模型最为一致的四个发现。详见方法部分和SI(图S5–7)。由于没有单个ROI在所有3个流程中显示ET与NC之间一致的显著差异,我们聚焦于至少从2个流程获得的共识发现。

Freesurfer 和 MAGeT 使用模型 7 和 9 均检测到 ET 中右侧小脑灰质显著减少,效应量分别为 − 0.8996 和 − 0.8780。这些模型采用置换检验,使用小脑体积进行混杂效应校正。这是唯一由超过 1 条流程确认的显著结果。左侧小脑白质和左侧 CrusI 显示出正向效应(效应量:0.3538–1.5140 和 0.0868–0.8544),由超过 1 条流程确认(左侧小脑白质为 Freesurfer 和 MAGeT,左侧 CrusI 为 SUIT 和 MAGeT)。左侧小脑白质的显著增加由基于 Freesurfer 分割的全部 10 个模型确认,但在 MAGeT 结果中不显著。我们还注意到,基于 SUIT 分割的所有统计模型均显示增加,部分具有显著性。我们指出,基于 SUIT 的结果应谨慎解读,原因在于其分割质量存在某些问题,以及由此导致的小叶体积估计之间的高度相关性(更多细节见方法学敏感性分析和质量控制部分)。另一方面,与 SUIT 相比,MAGeT 提供了更好的小脑小叶分割(参见质量评估结果),并显示 ET 中右侧小脑灰质减少。

图 2 跨 10 个统计模型和 3 条流程的整体假设检验结果。列为小脑感兴趣区,行为不同流程。颜色和箭头方向编码效应量的符号,红色向上箭头表示 ET 组感兴趣区体积一致增加,蓝色向下箭头表示感兴趣区体积减少。外侧圆圈表示至少检测到一个显著结果,每个符号右下角的下标为全部 10 个统计模型中显著结果的数目(表 S2)。两个颜色较浅的水平箭头表示 10 个不同模型之间的冲突结果。灰色短线表示特定流程对该感兴趣区无可用数据。 查看原图 ↗

方法学敏感性分析

不同统计模型和混杂效应控制设置

为评估包含各种混杂因素控制策略和协变量设置的不同统计模型的效果,我们使用 10 个常用检验模型对同一小脑体积数据(Freesurfer 小脑灰质和白质体积及 SUIT 小脑小叶体积)检验小脑参与的假设,包括:基于一般线性模型(GLM)的检验系列(模型 2–5),以年龄、性别、eTIV、队列和组别作为协变量;以及基于置换的检验系列(模型 6–11),采用不同的混杂因素控制设置(完整细节见方法部分和表 S2)。模型 1 是直接置换检验并加以多重比较校正,作为其他 10 个模型的参照。检验系列内的混杂因素校正设置不同:(1) GLM 采用“协变量纳入”和“变量变换”;(2) 置换检验采用“基于残差的方法”和“变量变换”。

所有假设检验结果总结于图S5。我们基于Freesurfer分割发现,在所有模型(除未校正混杂变量的直接比较外)中,ET组左侧小脑白质(WM)均显著增加。该结果与近期一些组织学研究一致39,41。基于广义线性模型(GLM)的检验始终给出比置换检验更大的效应量(例如,如图S5所示,来自Freesurfer的左侧小脑WM平均效应量在模型2–5中为2.6457,在模型6–11中为0.9260),提示偏离分布正态性。置换检验发现的显著感兴趣区(ROI)多于GLM。GLM仅能检测到左侧小脑WM的增加,而置换检验除检测到右侧小脑灰质(GM)减少(模型7效应量为-0.8996,模型9为-0.8780)外,还额外检测到左侧和右侧CrusI的增加。只有当我们用eTCV而非eTIV进行控制时,置换检验才检测到右侧小脑皮层减少,这与文献发现一致。基于GLM的模型3和模型5显示出更大的效应量,但统计检验未通过多重比较校正(M3:,M5:对比M7:和M9:)。

SUIT与MAGeT的不同分割流程

由于我们从SUIT和MAGeT获得了不同结果,我们进一步探讨了这2种流程的小脑小叶体积差异。SUIT和MAGeT估计的小脑小叶体积分布见图S4(见SI)。我们观察到,如图3a所示,SUIT结果中小叶间相关性高且方差小( ),而如图3b所示,MAGeT结果中小叶间相关性较低且方差较大( )。在图3c中,SUIT与MAGeT之间的跨半球小叶相关性也相对较低( ),其中左侧VIIIb在这2种流程间显示最大平均相关性(ρ = 0.4469),右侧X显示最小相关性(ρ = − 0.0062)。我们还计算了流程内和流程间(SUIT与MAGeT)跨半球小脑小叶体积的相关性,总结于图3d。SUIT显示极高的半球小脑小叶体积相关性且标准差小(均值0.985 ± 0.007),而MAGeT给出高相关性但方差较大(0.773 ± 0.083)。总之,SUIT小叶片分割显示高相关性和较小方差。MAGeT分割显示相对较低的相关性和较大方差。这些结果与我们解剖学专家的视觉检查相一致,他们认为MAGeT结果在生物学上似乎更合理。

图3 SUIT和MAGeT的小脑分割结果。(a) SUIT小脑小叶体积的相关性。(b) MAGeT小脑小叶体积的相关性。(c) SUIT与MAGeT半球小脑小叶体积之间的相关性。(d) SUIT与MAGeT内部及之间跨半球小叶体积的相关性。 查看原图 ↗

小脑-皮层结构协方差模式随流程而变化

在一项探索性分析中,我们在图4中展示了小脑灰质(GM)和白质(WM)体积与采用DKT分区聚合的大脑皮层厚度之间的小脑-皮层结构协方差(= 62)。遵循文献惯例42,皮层厚度已校正年龄、性别和队列的混杂效应,我们还额外使用残差法43控制了eTIV以及小脑GM和WM体积。基于SUIT分割质量不理想,我们将该分析限制于MAGeT(a、c)和FreeSurfer(b、d)流程的结果。

总体而言,NC组在小脑GM和WM与皮层厚度之间表现出较小且为正的结构协方差模式。NC中小脑GM与皮层ROI相关性的均值,MAGeT为0.0758,FreeSurfer为0.0778;而小脑WM与皮层ROI相关性的均值分别为MAGeT 0.0724和基于FreeSurfer结果的0.1526。这些结构协方差模式在ET组中发生了改变,GM分别变为0.0175/0.0463(MAGeT/FreeSurfer),WM分别变为0.0926/0.0104(MAGeT/FreeSurfer)。对于ET组,基于MAGeT和FreeSurfer的分析均显示小脑GM与皮层区域之间的相关性一致性丧失,平均相关性变化为MAGeT − 0.0583和FreeSurfer − 0.0315。在两种流程中与小脑GM相关性下降最高的皮层区域为:左侧眶额外侧回(MAGeT/FreeSurfer均值 − 0.3042/− 0.2338)、右侧中央旁沟(均值 − 0.2986/− 0.3073)、左侧中央旁沟(均值 − 0.2824/− 0.3843)。与小脑WM相关性下降最高的皮层区域为左侧眶额外侧回(均值 − 0.2777/− 0.5095)和右侧中央旁沟(均值 − 0.2986/− 0.3135)。我们注意到,在比较MAGeT和FreeSurfer时,小脑GM与大脑皮层厚度之间的协方差模式比与小脑WM的协方差模式更为一致。我们将在下一节讨论这些发现对未来研究的意义。所有这些发现表明,在基于复杂计算模型和流程的生物学推断中,应认真考虑方法学敏感性分析。

图4 小脑GM和WM体积与皮层厚度之间的结构协方差(DKT图谱)。(a) ET和NC组的结构协方差及其差异(MAGeT)。(b) ET和NC组的结构协方差及其差异(Freesurfer)(c) ET与NC之间结构协方差差异的分布(MAGeT);(d) ET与NC之间结构协方差差异的分布(Freesurfer)。(c、d)中的灰色垂直线为0差异,负差异表示ET的结构协方差降低。所有皮层厚度指标均已控制年龄、性别和队列的效应,小脑GM和WM体积已校正年龄、性别、队列和eTIV。 查看原图 ↗

讨论

总之,我们提出了一种基于原则性共识的方法,利用高统计效能的扩大队列来分析小脑在特发性震颤(ET)中的受累情况,同时考虑MRI处理流程和统计模型的影响。所有图像和处理结果的质量均由神经解剖学和图像处理专家共同评估。基于VBM、小脑灰质(GM)与白质(WM)体积测量以及小脑小叶体积测量这3种MRI生物标志物的共识,我们未能检测到晚期ET的小脑受累。我们进一步基于Freesurfer、SUIT和MAGeT衍生的生物标志物,使用10种最常用的统计模型检验了同一假设。来自这3个流程的小脑ROI均未显示一致的显著差异。在FreeSurfer和MAGeT之间显示跨流程一致性的两个区域包括:(1)右侧小脑GM体积减少,在以小脑体积作为混杂因素的10种统计模型中有2种通过置换检验发现显著;(2)左侧小脑WM体积增加,基于Freesurfer结果时10种统计模型均发现显著,或基于MAGeT结果时不显著但趋势方向相同。基于假设检验的结果,我们进行了探索性分析,以研究ET中受影响的小脑GM与WM体积和使用DKT分区量化的大脑皮层厚度之间的协方差模式。结果显示,ET组在小脑GM体积(由Freesurfer和MAGeT估计)与皮层厚度之间的关联总体上一致降低,尽管小脑WM的趋势不一致。这种差异可能源于Freesurfer和MAGeT图谱中小脑WM定义的不同。Freesurfer和MAGeT均能可靠地分割树干状的主要小脑WM体积,但MAGeT图谱排除了小脑皮层下方较小的树枝状小脑WM分支。如结果中详述,来自Freesurfer和MAGeT的左右小脑WM之间的相关性分别为0.79、0.76;0.77和0.78。既往研究44–46已报道帕金森病和ET中皮层厚度的改变,少数fMRI研究27,30已将震颤严重程度与小脑-丘脑-皮层通路联系起来。然而,与该通路及相关小脑-皮层网络相关的结构性萎缩模式仍相对未被探索。

小脑GM减少与既往研究7,9,11,17,38一致,这些研究使用了VBM和小脑GM与WM体积测量,包括一些考虑了不同临床变量的研究。WM增加与既往发现38相矛盾,该研究使用Freesurfer 4.0.5并以eTIV(由SPM2估计)作为协变量;然而,它与近期组织学研究39,41一致,这些研究报告小脑WM增加可能是由于“浦肯野细胞轴突的局灶性肿胀”。对于小叶体积分析,文献中手工分割和基于SUIT的分割结果均报告不同小脑小叶的显著萎缩7,9,14。然而,我们使用MAGeT未能检测到这些差异。SUIT报告左右CrusI显著增加,这与该文献中的其他发现相冲突。

既往文献中显著的小叶水平发现可能源于:(1)在较小的特发性震颤(ET)患者样本中进行的更小亚组比较。例如,文献38中将46例ET进一步分为27例手臂-ET和19例头部-ET,文献7中将50例ET分为30例手臂ET和20例头部ET;文献9中将39例ET分为20例小脑-ET和19例经典型ET。(2)使用了不够严格的假设检验以及不同的协变量纳入和多重比较校正策略。(3)与小脑分割流程不同相关的问题(Freesurfer和SUIT),如SUIT小叶体积被高估且高度相关,或Freesurfer流程版本不同。

结合其他敏感性研究33,47,本研究强调了一个事实:来自复杂建模和图像处理流程的结果可能对算法和参数选择敏感。我们对所有受试者(MNI、PPMI和ADNI)进行的广泛、耗时的质量控制程序由解剖学和影像处理专家共同完成,这为ET文献中神经解剖学发现的变异来源提供了一些线索。详细的质量评估(QA)结果已在我们的OSF预注册中共享(https://osf.io/ucrxf/)。关于小脑分割的主要观察结果如下:(1)Freesurfer对各种数据集通常可靠,但它仅估计小脑灰质和白质的整体体积,不进行更精细的小叶分割;(2)SUIT流程及其配套小脑图谱(SPM/FSL/AFNI的默认方法)是小脑分割最常用的方法,也是唯一在不含小脑白质的情况下分割蚓部和齿状核的流程。然而,在我们的数据集中,总体结果普遍较差。SUIT高估了小叶体积,常将相邻小叶之间的空间进行分割。高小叶间相关性和低方差在生物学上不太可能,需要进一步研究;(3)MAGeT给出了解剖学上最可靠的结果,可能归因于其多图谱配准方法,包含5个手动分割模板以及这些模板的高分辨率。然而,它不提供蚓部和齿状核的分割;(4)从计算成本角度看,Freesurfer计算密集,但也提供大脑分区,而SUIT计算经济,但由于其小脑提取步骤,处理前需要手动重新定向。MAGeT由于涉及大量配准而需要大量计算资源。在统计模型方面,置换检验对组间差异更敏感,我们发现控制小脑体积而非总颅内体积似乎更适合研究小脑亚区差异。总体而言,结果的可解释性取决于混杂变量的选择,并结合变量变换技术如直接比例调整。

本研究存在若干局限性:(1) ET组仍然较小,仅34名受试者。增加NC受试者数量在一定程度上可以提高检验效能,但会达到平台期。如预注册示例所示,增加325名NC仅能将检验效能提高至0.97,而本研究使用177名NC即获得了0.9的检验效能。由于没有开放的ET数据集,我们无法使用更先进的匹配方法,如倾向性评分匹配48。(2) 在本研究中,当合并NC受试者时,队列效应(MNI、PPMI和ADNI)被建模为简单的线性效应,但实际队列效应可能更为复杂,需要更复杂的建模49。(3) 我们的统计模型仅纳入年龄、性别、队列、eTIV/eTCV,未纳入其他可能重要的临床变量(如病程),因为在本分析时我们无法获取这些数据。若纳入这些临床变量,结果可能有所不同。(4) 我们使用了这些流程的默认配置,与其他研究者类似。通过流程专家的更好调优,性能可能得到改善50。

总体而言,本研究强调了流程和方法敏感性分析在生物学推断中的重要性,进一步强化了预注册程序的重要性。未来研究应报告方法敏感性分析以及详细的数据与处理质量评估。尽管文献中ET研究众多,但需要更多重复研究和可获取的数据集,才能基于MRI分析就小脑在ET中的受累程度得出稳健结论。

方法

数据与队列匹配

本研究使用了来自3个已采集数据集的3 T T1 MRI图像:(1) MNI数据集,共70名受试者,包括38名特征明确的术前晚期ET受试者和32名正常对照(NC)受试者;(2) PPMI数据集,为PPMI对照队列的子集,包含116名NC受试者;(3) ADNI数据集,为ADNI对照队列的子集,包含312名NC受试者。数据集和图像采集的更多细节见支持信息(SI)。由于图像处理错误或处理质量低,我们从MNI数据集中剔除了4名ET和3名NC受试者,从PPMI中剔除了38名NC受试者,从ADNI中剔除了89名NC受试者。基于剩余ET受试者数量(34)、检验效能=0.9、文献平均效应量=0.61(更多细节见预注册检验效能分析)和显著性水平0.05,我们计算了所需受试者数量:双侧检验需177名。我们使用基于L2的匹配算法51从合并的MNI、PPMI和ADNI2 NC受试者中随机选取了这177名年龄和性别匹配的NC受试者组成NC组(更多细节见SI)。我们共有211名受试者(34名ET和177名NC)。年龄和性别分布见图S2,并在下文表1中总结。队列归属将在后续分析中建模为线性随机效应。

表1 研究组特征(数据以均值±标准差表示)。 查看原表 ↗

MRI处理

原始(raw)的(dicom)T1加权(T1w)MR图像被转换为NIfTI格式,并使用HeuDiConv 0.8.052按照BIDS标准进一步组织。所有T1数据均使用fMRIPrep 20.2.053,54的解剖学工作流程进行预处理。Freesurfer流程(http://surfer.nmr.mgh.harvard.edu/,版本6.0.1)是fMRIPrep 20.2.0的一部分,使用默认的“recon -all”处理来估计小脑灰质和白质体积。我们使用默认的“DKT atlas + aseg”标签量化了大脑皮层厚度和小脑灰质与白质( gray and white matter )体积。

质量控制程序

对MNI、PPMI和ADNI进行了质量控制(QC)程序。图像质量及处理结果(标准化和分割)由两位神经解剖学专家(M.A.和A.F.S.)和一位影像学专家(Q.W.)进行评估,结果总结于图5。更多细节请参阅SI中的完整质量评估报告。

考虑到质量评估(QA)结果,MAGeT能够给出更具信息性和解剖学上合理的小脑分割(见SI中的完整QA报告)。SUIT分割结果令人担忧,因为它普遍倾向于高估、较高的内部流程相关性(图3a)以及相对较低的处理质量。SUIT还提供了小脑深部核团体积的估计,例如齿状核,然而,仅凭T1 MRI无法对这些解剖结构进行QC。Freesurfer总体上提供了可接受质量的小脑灰质和白质分割。然而Freesurfer结果中被归类为质量2的主要原因是小脑白质的高估。

图5 包含来自MNI、PPMI和ADNI数据集受试者的增强数据集的质量评估结果。蓝色代表Freesurfer小脑灰质和白质分割结果,橙色代表SUIT小脑小叶分割结果,绿色代表MAGeT小脑小叶分割结果。质量编码:1:排除,2:可接受,3:良好,4:优秀(本分析仅纳入质量高于1的图像,我们也未发现任何质量为4的结果)。 查看原图 ↗

小脑分割流程

我们使用SUIT流程13(版本3.4)将小脑分割为更精细的小叶。SUIT是小脑小叶分割最常用的流程。它首先从整个脑图像中提取小脑,然后分割小脑灰质和白质,最后根据SUIT图谱将小脑灰质分割为34个小叶。

与SUIT不同,MAGeT Brain40(版本1.0)流程采用多图谱方法来执行脑结构的体积分割。多图谱方法结合中间队列特异性自举程序可以更好地捕捉神经解剖变异性,提供更准确的分割。

基于共识的假设检验:ET小脑受累情况

我们采用三种MRI生物标志物的共识方法,检验了与NC组相比,ET相关的小脑结构差异假设:VBM(更多细节见SI)、小脑灰质和白质体积测量以及小脑小叶体积测量。我们使用一般线性模型(GLM)框架评估ET组与NC组之间小脑体积和形态学差异。所有三项分析(即VBM、灰质和白质体积测量以及小叶体积测量)均将年龄、性别、队列(即MNI、PPMI、ADNI)和估计总颅内体积(eTIV)作为协变量,假设大脑大小的个体差异混杂了主效应。仅当所有3项检验均通过0.05的显著性水平时,我们才确认小脑参与ET。每项检验我们使用显著性水平为0.05的双侧检验。对于VBM,我们使用Benjamini-Hochberg(BH)程序的错误发现率(FDR)进行多重比较校正。对于小脑灰质和白质体积测量,我们分别检验左侧和右侧小脑灰质和白质。在小脑小叶体积测量中,我们检验了小脑蚓部VI、VII、VIII、CrusI、CrusII和齿状核的体积差异。对于体积分析,我们使用显著性水平为0.05的双侧显著性检验,以年龄、性别、队列(即MNI、PPMI、ADNI)和eTIV作为协变量,并使用Bonferroni程序对感兴趣区域(ROI)数量进行校正。完整模型在表S2的方法敏感性分析中以“模型2”名称详细说明,详细结果见图S5并在图1中总结。

方法敏感性分析

统计模型和混杂因素控制设置的敏感性分析

一般来说,我们使用了2种假设检验方法(GLM和置换假设检验)和2类混杂控制方法(基于残差的方法和基于调整的方法43),我们将每种模型与混杂控制方法的组合称为一个模型,模型的详细信息可见表S2,结果见图2。我们测试了2种最广泛使用的控制颅内体积混杂效应的方法:(1)基于残差的方法,首先将混杂因素(年龄、性别、估计颅内体积(eTIV)和队列)作为协变量纳入回归模型,例如可以是:,其中为感兴趣区体积,为校正混杂效应后的ROI体积。通常,模型会先用NC数据拟合,然后用拟合模型计算ET组和NC组的s55。除eTIV外,如果总小脑体积(eTCV)被视为混杂因素,也可用于该模型。这类似于比较海马亚区时控制总海马体积56。(2)基于调整的方法:在GLM和置换方法中使用颅内体积归一化的ROI或对数转换的归一化ROI(直接比例调整和幂比例调整57–59)代替原始体积,例如:(直接比例调整,DPA);(幂比例调整,PPA),为比例调整后体积,为幂比例调整后体积。当在GLM模型中使用颅内体积调整后的变量时,模型变为。事实上,我们仅在GLM中使用DPA以获得更好的可解释性(比值)。此外,我们比较了在GLM和置换检验中使用eTCV和eTIV调整全局体积效应的差异。所有置换检验均置换n = 5000次。敏感性分析中所用模型的详细信息见表S2。

小脑体积测量和小脑分割流程选择

小脑体积测量可能对分割流程和解剖图谱的选择敏感。因此,我们比较了以下来源得出的脑叶体积组间差异:(1)SUIT流程配合SUIT图谱13,该流程被影像学界广泛用于小脑分割;(2)MAGeT Brain流程配合多图谱分割方法,以评估流程选择的敏感性。请注意:SUIT图谱和MAGeT Brain图谱在所有半球小脑脑叶方面具有良好对应关系,但仅SUIT提供蚓部和齿状核体积估计。

小脑脑叶和皮层厚度结构协方差分析

我们比较了小脑ROI体积(年龄、性别、队列和eTIV的混杂效应采用残差法控制)与Freesurfer获得的区域皮层厚度测量值(DKT图谱,年龄、性别和队列的混杂效应采用残差法控制)之间的相关性(Pearson's ρ)。

补充信息

补充信息。

引用

  1. Wang, Aljassar, Bhagwat, et al. Reproducibility of cerebellar involvement as quantified by consensus structural MRI biomarkers in advanced essential tremor. Sci Rep. 2023. PMID: 36631461. doi:10.1038/s41598-022-25306-y
  2. 全文:PMC9834264(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC9834264/

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。