基于MRI影像組學和機器學習診斷抑郁癥研究進展

祁 納,趙 軍

(同濟大學附屬東方醫院核醫學科,上海 200123)

抑郁癥可嚴重影響患者社會功能及其生活質量,2008年被WHO列為加重全球疾病負擔排名第三位,預計至2030年將排名第一[1];其臨床表現包括情緒低落、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,即精神障礙診斷統計手冊和國際疾病分類診斷抑郁癥[3],但當抑郁癥呈現為多種癥狀組合時,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)及靜息態功能MRI(rest-state functional MRI,rs-fMRI)可獲得腦灰質/白質結構、白質纖維束完整性及靜息態或任務態腦功能等信息。傳統神經影像學方法多針對群體進行分析。基于機器學習(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

影像組學通過將醫學影像學圖像轉化為定量特征而獲取高通量數據,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域后以人工/半自動分割ROI,軟件于其中自動提取數百甚至上千個特征,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網絡(convolutional neural network,CNN)、隨機森林(random forest,RF)、決策樹及支持向量機(support vector machine,SVM)等算法構建預測模型,再以測試集和/或外部數據集加以驗證,或以交叉驗證評估模型效能并進行比較,以得出最優預測模型[9]。

2 T1WI

傳統結構MRI研究[10]顯示,抑郁癥患者多個腦區灰質體積不同程度縮小。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個影像學特征并構建SVM模型,結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;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。小腦蚓部對于調節情感、情緒和認知具有重要作用[12]。國外研究[13]發現,重度抑郁癥患者腦灰質結構體積下降主要集中于前額葉及顳葉;基于體素形態學分析(voxel-based morphometry,VBM)-基于特征形態測量(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]發現,將二維深度學習網絡提升至三維后,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展;但不同研究之間對提取及篩選特征數量、所用提取技術等存在差異,可能導致結果偏差,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措施并預防危險行為具有重要意義[15]。HONG等[16]基于T1W結構像構建的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%,并發現右側眶回和左側梭狀回厚度與自殺企圖呈負相關。HU等[17]于重度抑郁癥患者腦灰質、白質及腦脊髓液區域體積中提取特征建立的CNN模型用于區分有、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%,且同樣發現右側直回和左側梭狀回對模型分類具有重要作用。上述研究結果提示,特定腦區可能與自殺相關強烈情緒沖動存在密切關聯;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技術可通過各向異性分數(fraction anisotropy,FA)、平均彌散系數(mean diffusivity,MD)、軸向彌散系數(axial diffusivity,AD)及徑向彌散系數(radial diffusivity,RD)等參數觀察腦白質纖維束完整性。傳統DTI研究[18-19]結果顯示,大腦皮層和皮層下區域白質連接異常是抑郁癥進展的重要因素之一。

FANG等[20]以ML技術建立的SVM模型診斷重度抑郁癥準確率高達91.7%,且發現抑郁癥組與健康對照組的差異主要體現在前者皮質-邊緣網絡白質纖維束連接增加,而皮質-邊緣系統與情緒加工和調節[21],以及情緒反應對刺激的處理[22]密切相關;并以概率纖維束追蹤技術和全腦區域解剖連接方法進一步證實抑郁癥組全腦白質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計分析,發現相比正常人,重度抑郁癥患者右側胼胝體FA及右側前丘腦輻射區域AD均較低;分別基于FA、MD、AD及RD構建SVM模型,結果顯示基于FA圖、尤其右側大腦FA圖模型的診斷效能最高,提示右側大腦半球白質纖維束連接異常可能與抑郁癥有關。XUE等[24]基于大腦46個ROI的FA構建的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生物標志物研究奠定基礎,提供更多信息幫助臨床決策。

4 rs-fMRI

rs-fMRI能克服任務態MRI中的多種不可控因素,已廣泛用于研究神經退行性疾病;其常用算法包括基于種子區域的功能連接(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]。抑郁癥所致腦網絡異常多集中于默認網絡及前額葉-杏仁體-內側丘腦情緒調節通路[26]。

有學者[27]于抑郁癥患者rs-fMRI數據中提取多尺度影像學特征建立SVM模型并以之進行分類,發現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絡、額頂葉網絡、情感網絡及視覺網絡呈強相關。CHEN等[28]基于全腦FC構建的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所示結構特征,目前廣泛認為觀察靜息態神經活動能獲得更為豐富的信息;但一項任務態功能MRI研究[29]構建的ML模型鑒別亞臨床抑郁癥患者與健康人的準確率僅為77%,提示靜息態全腦神經活動特征可能更適用于區分抑郁癥患者與健康人。

5 多模態MRI

單序列影像組學分析難以明確生物標志物,而多參數成像可同時獲得顱內結構及功能信息。一項多中心研究[30]對抑郁癥患者與健康人同時采集結構和功能MRI,提取其FC、ALFF、ReHo及灰質體積共4種影像學特征并以不同組合加以排列,結果顯示以FC、ALFF和灰質體積共同構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構建多模態影像組學模型,所獲影像學征特主要源于認知控制網絡、視覺網絡、默認網絡及皮層下網絡,以之診斷抑郁癥效能良好(AUC為0.936),并能準確預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,提示不同腦網絡序列提供的疾病相關信息可以相互補充。

6 小結與展望

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影像學基礎。目前,T1WI、DTI及rs-fMRI均為影像組學研究抑郁癥最常用序列;T2WI、液體衰減反轉恢復序列及增強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。未來應通過整合多參數MR序列并結合血液生化、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;趙軍經費支持、審閱文章。