MRI觀察無先兆偏頭痛患者大腦活動異常

徐春陽,詹松華,譚文莉,趙 磊,張鈺瑩,孔營楠,楊玉嬋*

(1.上海中醫藥大學附屬曙光醫院放射科,上海 201203;2.上海中醫藥大學附屬龍華醫院放射科,上海 200032)

偏頭痛是神經內科常見慢性疾病,臨床主要表現為反復偏側性搏動樣頭痛;無先兆偏頭痛(migraine without aura, MwoA)為其主要類型[1]。傳統影像學檢查難以顯示MwoA患者顱內器質性病灶;功能MRI(functional MRI, fMRI)可顯示異常大腦結構及功能活動模式,但難以通過肉眼辨別其異常影像學表征。利用機器學習算法模型可基于fMRI數據提取MwoA患者異常影像學特征信息[2-3]。本研究采用fMRI結合機器學習觀察MwoA患者大腦異常活動。

1 資料與方法

1.1 研究對象 前瞻性納入2021年7月—2023年1月上海中醫藥大學附屬曙光醫院50例MwoA患者(MwoA組),男23例、女27例,年齡19～35歲、平均(27.5±3.9)歲。納入標準:①符合2013年國際頭痛協會診斷MwoA標準[1];②年齡<40歲;③右利手;④近3個月頭痛發作至少3次/月;⑤掃描前后3天內無偏頭痛發作;⑥掃描前1個月無預防性使用止痛藥;⑦無酒精及精神類藥物濫用史;⑧無MR檢查禁忌證,且檢查時頭動位移≤2 mm、旋轉角度≤2.0°。排除標準:①合并頭部外傷史、繼發性頭痛、緊張性頭痛、間歇性頭痛、叢集性頭痛等;②合并高血壓、高脂血癥、糖尿病、心血管疾病、腫瘤等原發性疾病。同期招募46名健康志愿者(對照組),男19名、女27名,年齡18～35歲、平均(28.9±6.3)歲。納入標準:同MwoA組②⑦⑧。本研究經院倫理委員會批準(2019-767-122-01),受試者均簽署知情同意書。

1.2 儀器與方法 采用聯影uMR 790 3.0T MR儀,配備32通道硬質頭顱線圈。囑受試者仰臥,行顱腦掃描;參數:平掃T1W1結構像,TR 7.2 ms,TE 3.1 ms,FA 10°,FOV 256 mm×256 mm,矩陣512×512,層厚1 mm,層數192;fMRI,TR 2 000 ms,TE 30 ms,FA 90°,FOV 224 mm×224 mm,矩陣64×64,層厚3.5 mm,層數33,體素3.5 mm×3.5 mm×3.5 mm,共采集240個時間點,每期掃描時間8 min。

1.3 量表評估 以視覺模擬量表(visual analogue scale, VAS)、抑郁自評量表(self-rating depression scale, SDS)及頭痛影響測評量表-6(6-item headache impact test questionnaire, HIT-6)對MwoA患者進行評估;健康受試者僅接受SDS評估。VAS 0分:無頭痛感;1～3分:輕度痛感;4～6分:中度痛感;7～10分,重度痛感。SDS>50分為存在抑郁傾向。HIT-6<50分為頭痛對日常生活基本無影響;50～55分為存在一定影響;56～59分為存在較大影響,≥60分為造成嚴重影響。

1.4 數據處理 采用Matlab平臺DPABI軟件包進行數據預處理:①將數據轉化為NIFTI格式;②去除前10個時間點的數據;③時間層校正;④頭動校正;⑤空間標準化;⑥回歸協變量;⑦帶通濾波。采用DPABI軟件中的時間動態分析(temporal dynamic analysis, TDA)工具包進行動態局部一致性(dynamic regional homogeneity, dReHo)處理,設定滑動窗口為50 TR、步長為1 TR,于每個窗口獲得1幀ReHo圖;計算所有ReHo圖的方差進行圖像標準化處理;之后以不同滑動窗口(55 TR、70 TR)及步長(20 TR、10 TR)參數進行結果驗證。

1.5 機器學習算法 基于Python平臺sklearn工具包構建算法模型:①提取 dReHo值具有組間差異的腦區團簇作為訓練特征;②對數據進行歸一化、標準化預處理,采用留一交叉檢驗(leave-one-out cross-validation, LOOCV)測試及驗證數據集以降低模型過擬合風險;③將提取的訓練特征納入線性支持向量機分類器以構建模型;④繪制受試者工作特征(receiver operating characteristic, ROC)曲線,以曲線下面積(area under the curve, AUC)、分類平均準確率、敏感度及特異度評估模型分類效果;⑤采用網格搜索方法對支持向量機中的參數進行優化;⑥計算分類腦區的特征權重值;⑦計算10 000次置換檢驗結果,以確保模型分類的真實性。

1.6 統計學分析 采用SPSS 26.0統計分析軟件。以±s表示符合正態分布的計量資料,行獨立樣本t檢驗;以χ2檢驗比較計數資料。采用SPM12對fMRI數據進行處理,以獨立樣本t檢驗比較組間dReHo值差異,以高斯隨機場(Gaussian random field, GRF)對結果進行多重比較校正(體素水平P<0.005,簇水平P<0.05);對差異腦區dReHo值與臨床量表行Pearson相關分析。P<0.05為差異有統計學意義。

2 結果

2.1 一般資料 2組受試者一般資料差異均無統計學意義(P均>0.05)。見表1。

表1 MwoA患者與健康受試者一般資料比較

2.2 dReHo分析 相比對照組,MwoA組左距狀裂周圍皮層、右枕中回、右距狀裂周圍皮層dReHo值增高,右顳中回、右額中回、左楔葉dReHo值減低(GRF校正,體素水平P均<0.005,簇水平P均<0.05)。見表2及圖1。

圖1 MwoA組與對照組dReHo值存在差異腦區圖 (色帶代表t值;紅色-黃色表示 MwoA組dReHo值大于對照組,深藍-淺藍表示MwoA組dReHo值小于對照組)

表2 MwoA患者與健康受試者dReHo值存在差異腦區

設定窗口為55 TR、步長為20 TR時,MwoA組左距狀裂周圍皮層dReHo值升高,左楔葉及右額中回dReHo值減低(GRF校正,體素水平P均<0.005,簇水平P均<0.05);窗口為70 TR、步長為10 TR時,MwoA組雙側距狀裂周圍皮層dReHo值減低(GRF校正,體素水平P均<0.005,簇水平P均<0.05)。

2.3 相關性分析 MwoA患者左距狀裂周圍皮層dReHo值與SDS呈負相關(r=-0.28,P=0.04),其余差異腦區dReHo值與臨床量表評估結果無明顯相關(P均>0.05)。

2.4 支持向量機分類 權重分析顯示,權重絕對值排名前3位腦區分別為右距狀裂周圍皮層、左楔葉及右枕中回;基于此構建的模型用于分類MwoA患者與健康人的準確率為88.54%、特異度為84.90%、敏感度為97.67%、AUC為0.84;10 000次置換檢驗顯示其準確率及AUC的P均<0.001。見表3及圖2。

圖2 基于組間存在差異腦區dReHo值對MwoA患者與健康受試者進行分類的支持向量機ROC曲線

表3 MwoA組與對照組dReHo值存在差異腦區的特征權重值及坐標

3 討論

線性支持向量機是常見機器學習分類算法,主要通過尋找一個超平面(在二維空間中為一條直線,在多維空間中則為一個超平面)分割不同類別數據點以實現分類;其算法模型具有運算速度快、可調參數少、魯棒性較好、解釋能力強等優勢[4-5]。聯合應用fMRI技術與機器學習算法模型可觀察不同疾病狀態下大腦神經活動特征,以之探討偏頭痛患者神經中樞機制已成為當前研究熱點[6-7],且多基于靜態fMRI。本研究采用動態fMRI分析,以滑動窗技術于短時間內獲得受試者大腦活動信息,可較為真實地反映腦活動變化。dReHo技術窗口較短時可能出現大腦虛假波動,過長又難以捕捉大腦瞬時活動而影響數據真實性[8-10]。為此本研究以不同窗口進行多次驗證,結果顯示初始窗口下捕獲的組間存在差異腦區分布較為滿意。

本研究基于dReHo方法發現MwoA患者異常腦區活動主要集中在視覺皮層,以組間存在差異的視覺皮層相關腦區dReHo值構建的支持向量機模型進行分類效果較佳;上述腦區中,權重值絕對值最高者依次為右距狀裂周圍皮層、左楔葉及右枕中回。距狀裂周圍皮層屬于初級視覺皮層,可接受并處理視覺信號、完成視覺信息的初步加工[11-12];枕中回、楔葉屬于視覺聯合皮層,接受并處理初級視覺皮層傳遞的視覺信息、完成視覺信息的上行性傳遞[13-15]。本研究結果表明,MwoA患者視覺信息上行傳遞通路紊亂,以距狀裂周圍皮層視覺信息傳遞至視覺聯合皮層中的楔葉、枕中回障礙為主,使患者對視覺刺激信息過于敏感、視覺傳遞信息過載而降低視覺信息處理速度,引發畏光、視覺不適等癥狀。

距狀裂周圍皮層負責視覺信息初步加工。本研究結果顯示MwoA患者左距狀裂周圍皮層dReHo值與SDS具有相關性,該區功能活動異常可能與喪失部分視力后,患者易產生負面情緒等有關。

綜上所述,MwoA患者視覺信息上行傳遞通路存在異常,特別是右距狀裂周圍皮層、左楔葉及右枕中回。本研究的主要局限性:①樣本量較小,且均來自單一中心;②影像學資料均來自同臺MR設備,有待后續通過多中心大樣本研究加以完善。

利益沖突:全體作者聲明無利益沖突。

作者貢獻:徐春陽撰寫文章;詹松華經費支持;譚文莉指導;趙磊查閱文獻;張鈺瑩統計分析;孔營楠修改文章;楊玉嬋審閱文章、指導。