祁 納,趙 軍

(同濟大學附屬東方醫(yī)院核醫(yī)學科,上海 200123)

抑郁癥可嚴重影響患者社會功能及其生活質(zhì)量,2008年被WHO列為加重全球疾病負擔排名第三位,預(yù)計至2030年將排名第一[1];其臨床表現(xiàn)包括情緒低落、思維遲鈍、精力不足等,患者自殺死亡率高達15%～25%[2]。目前主要依賴2種分類診斷量表系統(tǒng),即精神障礙診斷統(tǒng)計手冊和國際疾病分類診斷抑郁癥[3],但當抑郁癥呈現(xiàn)為多種癥狀組合時,初級篩查易漏或誤診[4]。尋求更為客觀的評價標準是臨床診治抑郁癥中亟待解決的問題。

MRI軟組織分辨率高,利用T1WI、彌散張量成像(diffusion tensor imaging,DTI)及靜息態(tài)功能MRI(rest-state functional MRI,rs-fMRI)可獲得腦灰質(zhì)/白質(zhì)結(jié)構(gòu)、白質(zhì)纖維束完整性及靜息態(tài)或任務(wù)態(tài)腦功能等信息。傳統(tǒng)神經(jīng)影像學方法多針對群體進行分析?；跈C器學習(machine learning,ML)的影像組學模型可用于個體水平研究,更適用于臨床實踐[5-6]。本文對基于MRI影像組學和ML診斷抑郁癥研究進展進行綜述。

1 影像組學定義

影像組學通過將醫(yī)學影像學圖像轉(zhuǎn)化為定量特征而獲取高通量數(shù)據(jù),并利用表征算法建立診斷模型[7];其分析過程如下:于二維或三維圖像所示病灶區(qū)域后以人工/半自動分割ROI,軟件于其中自動提取數(shù)百甚至上千個特征,以形狀特征、直方圖特征及紋理特征最為常見[8];篩選特征后借助卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)、隨機森林(random forest,RF)、決策樹及支持向量機(support vector machine,SVM)等算法構(gòu)建預(yù)測模型,再以測試集和/或外部數(shù)據(jù)集加以驗證,或以交叉驗證評估模型效能并進行比較,以得出最優(yōu)預(yù)測模型[9]。

2 T1WI

傳統(tǒng)結(jié)構(gòu)MRI研究[10]顯示,抑郁癥患者多個腦區(qū)灰質(zhì)體積不同程度縮小。王露瑩等[11]對抑郁癥、亞臨床抑郁癥患者及健康人行顱腦MR檢查,于T1WI提取116個影像學特征并構(gòu)建SVM模型,結(jié)果顯示該模型鑒別抑郁癥與健康人的準確率為86.51%,其間顳極為主要差異腦區(qū);鑒別亞臨床抑郁癥與健康人的準確率為72.74%,小腦蚓部為主要差異腦區(qū)。小腦蚓部對于調(diào)節(jié)情感、情緒和認知具有重要作用[12]。國外研究[13]發(fā)現(xiàn),重度抑郁癥患者腦灰質(zhì)結(jié)構(gòu)體積下降主要集中于前額葉及顳葉;基于體素形態(tài)學分析(voxel-based morphometry,VBM)-基于特征形態(tài)測量(feature-based morphometry,FBM)-SVM模型診斷重度抑郁癥的準確率高達90.3%。值得注意的是,引入FBM可使VBM-SVM模型診斷準確率提高約5%。另一項基于SVM模型的研究[14]發(fā)現(xiàn),將二維深度學習網(wǎng)絡(luò)提升至三維后,模型診斷準確率從69.96%升至76.53%;進一步加入遷移學習方法后,診斷準確率升至77.42%。隨著ML技術(shù)的進步,模型的診斷效能在一定程度上有所改善,加速了客觀診斷抑郁癥的發(fā)展;但不同研究之間對提取及篩選特征數(shù)量、所用提取技術(shù)等存在差異,可能導(dǎo)致結(jié)果偏差,有待未來通過標準化加以完善。

部分抑郁癥患者存在不同程度自殺傾向,準確識別此類患者對于及時采取針對性干預(yù)措施并預(yù)防危險行為具有重要意義[15]。HONG等[16]基于T1W結(jié)構(gòu)像構(gòu)建的SVM遞歸特征消除(recursive feature elimination,RFE)模型識別有自殺企圖與自殺意念的青少年抑郁癥患者的敏感度、特異度及準確率分別為73.17%、84.00%及78.59%,并發(fā)現(xiàn)右側(cè)眶回和左側(cè)梭狀回厚度與自殺企圖呈負相關(guān)。HU等[17]于重度抑郁癥患者腦灰質(zhì)、白質(zhì)及腦脊髓液區(qū)域體積中提取特征建立的CNN模型用于區(qū)分有、無自殺企圖及自殺意念抑郁癥患者的敏感度和準確率均超過70%,且同樣發(fā)現(xiàn)右側(cè)直回和左側(cè)梭狀回對模型分類具有重要作用。上述研究結(jié)果提示,特定腦區(qū)可能與自殺相關(guān)強烈情緒沖動存在密切關(guān)聯(lián);基于ML的T1WI影像組學對于評估抑郁癥亞分類具有一定潛力。

3 DTI

DTI技術(shù)可通過各向異性分數(shù)(fraction anisotropy,FA)、平均彌散系數(shù)(mean diffusivity,MD)、軸向彌散系數(shù)(axial diffusivity,AD)及徑向彌散系數(shù)(radial diffusivity,RD)等參數(shù)觀察腦白質(zhì)纖維束完整性。傳統(tǒng)DTI研究[18-19]結(jié)果顯示,大腦皮層和皮層下區(qū)域白質(zhì)連接異常是抑郁癥進展的重要因素之一。

FANG等[20]以ML技術(shù)建立的SVM模型診斷重度抑郁癥準確率高達91.7%,且發(fā)現(xiàn)抑郁癥組與健康對照組的差異主要體現(xiàn)在前者皮質(zhì)-邊緣網(wǎng)絡(luò)白質(zhì)纖維束連接增加,而皮質(zhì)-邊緣系統(tǒng)與情緒加工和調(diào)節(jié)[21],以及情緒反應(yīng)對刺激的處理[22]密切相關(guān);并以概率纖維束追蹤技術(shù)和全腦區(qū)域解剖連接方法進一步證實抑郁癥組全腦白質(zhì)纖維束連接強度明顯增高。SCHNYER等[23]行體素級別纖維束空間統(tǒng)計分析,發(fā)現(xiàn)相比正常人,重度抑郁癥患者右側(cè)胼胝體FA及右側(cè)前丘腦輻射區(qū)域AD均較低;分別基于FA、MD、AD及RD構(gòu)建SVM模型,結(jié)果顯示基于FA圖、尤其右側(cè)大腦FA圖模型的診斷效能最高,提示右側(cè)大腦半球白質(zhì)纖維束連接異?？赡芘c抑郁癥有關(guān)。XUE等[24]基于大腦46個ROI的FA構(gòu)建的SVM-RFE模型評估驗證集抗抑郁治療效果的準確率為70%,提示DTI影像組學可為個體化治療抑郁癥及相關(guān)生物標志物研究奠定基礎(chǔ),提供更多信息幫助臨床決策。

4 rs-fMRI

rs-fMRI能克服任務(wù)態(tài)MRI中的多種不可控因素,已廣泛用于研究神經(jīng)退行性疾病;其常用算法包括基于種子區(qū)域的功能連接(functional connectivity,FC)、獨立成分分析(independent component analysis,ICA)、低頻振幅(amplitude of low frequency fluctuation,ALFF)及局部一致性(regional homogeneity,ReHo)等[25]。抑郁癥所致腦網(wǎng)絡(luò)異常多集中于默認網(wǎng)絡(luò)及前額葉-杏仁體-內(nèi)側(cè)丘腦情緒調(diào)節(jié)通路[26]。

有學者[27]于抑郁癥患者rs-fMRI數(shù)據(jù)中提取多尺度影像學特征建立SVM模型并以之進行分類,發(fā)現(xiàn)該模型鑒別抑郁癥與亞臨床抑郁癥、抑郁癥與健康人的準確率高達96.77%;其中,具備高鑒別能力的特征均與默認網(wǎng)絡(luò)、額頂葉網(wǎng)絡(luò)、情感網(wǎng)絡(luò)及視覺網(wǎng)絡(luò)呈強相關(guān)。CHEN等[28]基于全腦FC構(gòu)建的SVM模型鑒別抑郁癥患者與健康人的準確率為88.50%,其用于對抑郁癥患者進行自殺風險分層的準確率為74.60%～84.56%。

基于rs-fMRI影像組學模型診斷抑郁癥的效能往往高于T1WI及DTI影像組學模型。相比MRI所示結(jié)構(gòu)特征,目前廣泛認為觀察靜息態(tài)神經(jīng)活動能獲得更為豐富的信息;但一項任務(wù)態(tài)功能MRI研究[29]構(gòu)建的ML模型鑒別亞臨床抑郁癥患者與健康人的準確率僅為77%,提示靜息態(tài)全腦神經(jīng)活動特征可能更適用于區(qū)分抑郁癥患者與健康人。

5 多模態(tài)MRI

單序列影像組學分析難以明確生物標志物,而多參數(shù)成像可同時獲得顱內(nèi)結(jié)構(gòu)及功能信息。一項多中心研究[30]對抑郁癥患者與健康人同時采集結(jié)構(gòu)和功能MRI,提取其FC、ALFF、ReHo及灰質(zhì)體積共4種影像學特征并以不同組合加以排列,結(jié)果顯示以FC、ALFF和灰質(zhì)體積共同構(gòu)建的分類器模型診斷抑郁癥效能最高,其準確率及AUC分別為84.4%及0.916。MA等[31]針對抑郁癥患者、亞臨床抑郁癥患者及健康人提取T1WI及DTI特征構(gòu)建的RF模型鑒別抑郁癥與健康人的準確率及AUC分別為86.75%及0.93,但鑒別亞臨床抑郁癥與健康人、亞臨床抑郁癥與抑郁癥患者的AUC僅為0.66～0.69,可能系未引入rs-fMRI、缺失功能信息所致。LI等[32]基于T1WI、DTI及rs-fMRI構(gòu)建多模態(tài)影像組學模型,所獲影像學征特主要源于認知控制網(wǎng)絡(luò)、視覺網(wǎng)絡(luò)、默認網(wǎng)絡(luò)及皮層下網(wǎng)絡(luò),以之診斷抑郁癥效能良好(AUC為0.936),并能準確預(yù)測抑郁癥患者自殺風險(r=0.691)。

相比單序列影像組學模型,具有多序列神經(jīng)成像特征的影像組學分類器具有較高診斷效能,提示不同腦網(wǎng)絡(luò)序列提供的疾病相關(guān)信息可以相互補充。

6 小結(jié)與展望

MRI影像組學和ML可為探索抑郁癥患者大腦病理生理學改變提供大量信息,為個體化診療抑郁癥奠定了客觀的神經(jīng)影像學基礎(chǔ)。目前,T1WI、DTI及rs-fMRI均為影像組學研究抑郁癥最常用序列;T2WI、液體衰減反轉(zhuǎn)恢復(fù)序列及增強T1WI等其他序列可能具有提高診斷效能的潛力,目前研究尚不充分。未來應(yīng)通過整合多參數(shù)MR序列并結(jié)合血液生化、遺傳、基因表型等臨床資料,建立更為精準的模型用于生物學診療抑郁癥。

利益沖突:全體作者聲明無利益沖突。

作者貢獻:祁納查閱文獻、撰寫和修改文章;趙軍經(jīng)費支持、審閱文章。