基于阿尔茨海默病脑结构网络的模式识别分析

Abstract

Alzheimer’ s disease is the most common kind of dementia without effective treatment. Via early diagnosis, early intervention after diagnosis is the most effective way to handle this disease. However, the early diagnosis method remains to be studied. Neuroimaging data can provide a convenient measurement for the brain function and structure. Brain structure network is a good reflection of the fiber structural connectivity patterns between different brain cortical regions, which is the basis of brain’s normal psychology function. In the paper, a brain structure network based on pattern recognition analysis was provided to realize an automatic diagnosis research of Alzheimer’s disease and gray matter based on structure information. With the feature selection in pattern recognition, this method can provide the abnormal regions of brain structural network. The research in this paper analyzed the patterns of abnormal structural network in Alzheimer’s disease from the aspects of connectivity and node, which was expected to provide updated information for the research about the pathological mechanism of Alzheimer’s disease.

引言

阿尔茨海默病（Alzheimer’s disease，AD）是一种慢性神经退行性疾病，大脑脑区出现淀粉样斑块沉积以及白质纤维缠结，进而引起的灰质神经元缺失和白质纤维失连接是其主要的发病机制。随着社会老龄化程度的加剧，与年龄高度相关的 AD 人群也快速增长。仅 2015 年，全球就有将近 1 000 万的新增病例^[1]。在早期的研究中，需要对患者尸体大脑结构进行解剖性分析才能够确诊 AD^[1-2]。因而如果能在 AD 病情恶化之前，甚至于 AD 发病的早期进行准确诊断，就可提前实施有效预防措施，有利于患者病情的缓解或治疗。传统磁共振成像（magnetic resonance imaging，MRI）只能对宏观形态学结构进行检测，对于神经纤维这些组织微观结构无法进行有效检测^[3]。而大脑是一个具有复杂结构连接的网络系统，从结构网络的角度对 AD 进行诊断研究具有十分重要的意义。

基于白质纤维束的连接是构建结构网络的基础，在 AD 的研究中，白质纤维束的改变是一个重要的特征。扩散磁共振成像（diffusion magnetic resonance imaging，dMRI）能够反映出组织中水分子的扩散规律，从而或可检出传统 MRI 所不能检测到的微观结构信息^[4]。扩散张量成像（diffusion tensor imaging，DTI）是其中最主要的一种方法，可以有效地进行大脑白质纤维的检测^[4]。以 dMRI 为基础对 AD 诊断的创新研究也层出不穷。文献[5]提出，利用纤维网络追踪提取不同脑区之间的纤维连接作为大脑特征，即建立白质网络来研究 AD 患者的大脑特性。文献[6]在基于 DTI 纤维追踪构建 AD 大脑网络之外，又提出了基于流的网络连接的构建和分析。有研究者以 AD 患者的 DTI 数据为研究对象，发现早期 AD 患者大脑白质连接发生了变异现象，主要分布在后扣带回、胼胝体、颞叶、顶骨叶等脑区，并发现这种白质异常受损现象的出现要早于灰质神经元数量的减退^[7]。

近年来，基于支持向量机（support vector machine，SVM）的机器学习算法在医学影像诊断中的应用越来越多。文献[8]利用贝叶斯分类器与 SVM 对 AD 患者组和健康对照（normal control，NC）组进行分类建模。对比过后，得出 SVM 具有更高的准确率。SVM 是一种学习如何将标签分配给分类对象的模式识别算法，现已成功地应用于神经科学领域。它能够实现对多特征的联合分析，以及对目标的建模和识别。文献[9]将从解剖图像提取的大脑灰质萎缩特征与 DTI 的各向异性值结合起来作为特征参数，利用 SVM 对轻度认知障碍（mild cognitive impairment，MCI）及 NC 组共两组样本进行分类训练建模，以实现 AD 的早期诊断。以上研究说明，基于 SVM 并结合灰质特征与白质特征，能够实现对 AD 更准确的诊断。但是，现有的灰白质特征联合分析，并没有建立起灰白质之间的联系，特别是忽略了结构网络的特征。

本文基于模式识别算法，提出了一种研究 AD 大脑结构损伤空间模式的新方法。该方法能够通过结构网络的结构连接特征分析，反映灰质皮层的病理改变。该方法通过构建大脑的结构网络，采用 SVM 模式识别算法进行特征筛选并对 AD 患者的患病脑区自动识别。通过大脑灰质节点和白质连接的异常信息，以及异常的分布规律，共同揭示与 AD 病理发生发展模式吻合的机制。通过该方法，研究大脑结构网络的白质连接异常与灰质异常的一致性，本文这一研究对于 AD 的发病以及发展机制探索奠定了一定的基础。

1. 材料与方法

1.1. 试验对象

本研究内容由天津市第一中心医院伦理委员会审查通过，并已确保受试者和家属的知情权。本研究从天津市第一中心医院放射科采集 AD 患者数据并招募年龄匹配的 NC 组数据，并对受试者进行基本信息和临床病史的询问以及精神学量表的测试。本研究所用到的精神量表包括临床痴呆分级（clinical dementia rating，CDR）（符号记为：CDR）、简易智能量表（mini-mental state examination，MMSE）（符号记为：MMSE）、蒙特利尔认知评估（montreal cognitive assessment，MOCA）（符号记为：MOCA）、汉密尔顿抑郁量表（Hamilton depression scale，HAMD）（符号记为：HAMD）以及汉密尔顿焦虑量表（Hamilton anxiety scale，HAMA）（符号记为：HAMA）等。其中，HAMD 和 HAMA 分别用来对抑郁和焦虑患者进行排除。同时，本研究用缺血指数（Hachinski）来诊断和排除混合型以及血管性的痴呆患者。

受试对象入组的标准为：AD 患者首先要求符合美国国立神经病、语言交流障碍和卒中研究所—老年性痴呆及相关疾病学会（the national institute of neurology，speech communication disorders and stroke-Alzheimer's disease and related diseases society，NINCDS-ADRDA）的诊断标准，并且符合：CDR ≥ 1 分，18 分 ≤ MMSE < 24 分， MOCA < 26 分， HAMD < 7 分， HAMA < 6 分，缺血指数 < 4 分。同时，NC 组入组标准为： CDR = 0 分，MMSE ≥ 27 分，MOCA ≥ 26 分，HAMD < 7 分， HAMA < 6 分，缺血指数 < 4 分。

受试者均为右利手，没有头部外伤，也没有神经性精神疾病史；同时，所有受试者大脑在常规核磁共振序列中也并没有发现异常现象。本研究采集的所有样本数据除去分类有异议和数据不全样本，最终获得一共 60 人的样本集；其中 AD 组 29 人，NC 组 31 人，受试者的信息如表 1 所示。

表 1. Basic information of subjects.

受试者信息统计

组别	性别（男/女）	年龄/岁	受教育程度/年	MMSE	CDR
注：a 代表卡方检验；b 代表双样本 t 检验
AD 组	13/16	66.5 ± 7.7	10.9 ± 2.6	19.5 ± 2.8	0
NC 组	17/14	66.0 ± 8.1	10.7 ± 2.4	28.5 ± 0.9	1.6 ± 0.3
P 值	0.427a	0.843b	0.821b	0.000b	−

1.2. 数据采集

所有数据使用西门子 3.0 T 成像系统（Siemens Trio + Tim，德国）及 32 通道头线圈进行采集。主要包括 DTI 数据和高分辨解剖（T1）图像数据。DTI 采用单次激发自旋回波—平面回波序列（single shot spin echo-echo planar imaging，SE-EPI），扫描层面与前后连合线平行。取两个扩散敏感因子 b 值：参考基准 b = 0 和 b = 1 000 s/mm²，设置扩散梯度方向 30 个，重复时间（repetition time，TR）（符号记为：TR）/回波时间（echo time，TE）（符号记为：TE）= 10 500 ms/110 ms；视野（field of view，FOV）（符号记为：FOV）= 230 mm × 230 mm；体素 = 2.0 mm × 2.0 mm × 2.0 mm；矩阵 = 128 × 128；扫描层数 = 45；DTI 序列的扫描时间是 6 min。高分辨 T1 图像采用三维磁化准备快速梯度回波（three-dimensional magnetization prepared rapid acquisition gradient echo，3D MP-RAGE）序列来采集，一共含有 176 层，TR/TE = 1 900 ms/2.5 ms，翻转角度是 9°，层厚为 1.0 mm，体素大小为 1.0 mm × 1.0 mm × 1.0 mm，矩阵为 256 × 256，FOV = 256 mm × 256 mm，扫描时间约 5 min。

1.3. 图像处理

利用 FMRIB （software library，FSL）软件包（Linux，英国）对所采集的 DTI 和 T1 图像数据进行预处理。首先，采用 FSL 5.0 对数据进行涡流矫正和头动伪影矫正，同时采用剥脑（BET brain extraction）模块进行剥脑处理，即去掉大脑以外的其它非脑组织区域。最后得到 DTI 评价大脑微结构的参数：平均扩散系数（mean diffusivity，MD），各向异性分数（fractional anisotropy，FA）（符号记为：FA）以及用于纤维追踪的扩散张量，如图 1 所示第 4 步。

图 1.

The flow chart of brain structure network construction

脑结构网络构建流程图

如图 1 所示，第 1、2 步是空间标准化的过程。首先利用自定义 T1 模式成像降低图像配准和模板选择偏差可能带来的误差。具体包括两个步骤：① 将每一个结构 MRI 进行以蒙特利尔神经病学研究所（Montreal neurological institute，MNI）ICBM152 模板为标准的空间标准化，所用方法为 12 个参数的仿射变换。② 用 8 mm 全宽的半最大化高斯内核对 T1 加权成像进行平均和平滑处理，创建自定义模板。接下来以归一化互信息作为成本函数对 T1 加权成像和无扩散核磁成像进行图像融合。并利用 12 个参数的仿射变换和非线性弯配准融合过的 T1 加权成像转换到自定义 T1 模板的立体定位空间中。将提取的空间变换参数反转，同时利用近邻取样插入法将自动解剖标定（automated anatomical labeling，AAL）模板从 MNI 空间中逆变换到扩散图像原始空间中，如图 1 所示第 3 步。同时，计算第 3 步中变换到个体空间中 AAL 模板每个分区的体积，并提取相应分区内体素的平均 MD 值。

1.4. 结构网络构建

用 AAL 模板把整个大脑的灰质区域划标定成 90 个解剖区域，即结构网络的 90 个节点，左右两个对称的大脑半球各有 45 个区域（如图 1 所示第 3 步）。为了确认节点之间边的信息，提取并处理 DTI 数据以得到重建结果，需要采用扩散磁共振数据流水线处理软件 PANDA 1.31（PANDA，中国）的纤维追踪与网络构建功能，进行基于 DTI 数据的全脑纤维追踪，并基于纤维跟踪的结果得到结构连接网络。纤维追踪是在纤维构建的过程中计算每一个体素的确定性纤维方向，最后重新构建出三维白质纤维连接的空间轨迹和分布（如图 1 所示第 5 步）。纤维追踪的过程为：把每个体素视为一个种子点，从中心出发，当体素对应的 FA 值小于 0.1 或者空间角度变化大于 60 度时，停止追踪，否则继续追踪。对任意两个大脑分区，纤维两端的体素若分别处于这两个脑区中，那么认为这两个脑区由该纤维所连接，而且不同脑区之间的纤维连接数量（fiber number，FN）（符号记为：FN）不同，它反映了结构连接的强度。FA 值也是评估纤维完整性的重要参数，它与大脑的传导性有高度的一致性。FA 的值越大，那么两个脑区间的连接强度也就越大（如图 1 所示第 6 步）。

进行确定性纤维追踪与确定性网络构建后即可得到 2 个加权连接矩阵：FA 加权矩阵和 FN 加权矩阵。这些矩阵的每行或者每列均代表某一个节点，行列对应即构成两个节点之间的连接。FN 矩阵和 FA 矩阵所对应的值分别代表着两对节点间的纤维连接数量和所连接纤维经过所有体素的平均 FA 值。当 FN ≥ 1 且 FA ≥ 0.15 时，则认为此连接存在，反之则认为不存在连接，由此可构建二值化的连接网络。如图 2 所示，展示了两组受试者在组水平下的二值化结构网络。用皮质区域之间结构连接的平均 FA 值和平均 FN 值来判别有效结构连接，当 FN 值相同时，连接的强度则由 FA 值决定。

图 2.

The structure network on group level

组水平的结构网络

1.5. 模式识别分析

如图 3 所示，模式识别过程采用基于 SVM 的网状交叉验证（nested cross validation，nested CV），即包括内（inner CV）、外（outer CV）两个交叉验证嵌套环节，inner CV 的主要目的是 SVM 的核函数参数优化，outer CV 的目的是测试。交叉验证均采用留一法，将其中一个受试者作为测试集，其余样本作为训练集。训练集首先通过 SVM 的递归特征筛选算法（SVM-recursive feature elimination，SVM-RFE）基于特征对于分类贡献大小进行排序。然后从最高开始，依次选择不同维度的特征子集，用 SVM 建立分类器并通过留一法交叉验证得到该特征子集下的训练样本集的分类正确率。这里嵌套一个梯度循环，寻找最优的 SVM 分类器参数，确保分类器的最佳性能。在所有特征子集分类正确率的结果上，选择具有最高正确率（若具有多个最高正确率，取最少特征维度）的子集作为最优特征子集，相应的分类器为最优分类器。得到最优分类器之后，用它对测试集进行预测，得到相应的测试正确率。循环以上过程，直到每个样本都被测试过。最后将所有循环得到的训练正确率和测试正确率取均值作为最终的训练/测试正确率。同时，对所有循环得到的最优特征集进行计数统计，得到每个特征的计数总和，除以特征数量，得到归一化的权值。

图 3.

The flow chart of pattern recognition

模式识别流程图

2. 结果

2.1. 基于图论的分析

采用 FA × FN 的值作为连接的权值，对网络矩阵进行评估，提取网络节点的参数：节点度（degree）［符号记为：C_D（i）］、节点强度（strength）［符号记为：C_S（i）］、节点效率（efficiency）［符号记为：E_local（i）］、节点中介中心度（betweenness）［符号记为：C_B（i）］的组水平等级来识别定义一个网络的核心节点。计算公式如式（1）～式（3）所示：

1

2

其中，i 代表第 i 个节点，A_ij 和 S_ij 分别代表二值化网络和加权网络的连接节点 i 和节点 j 的边。

3

其中，Gi 代表由与节点 i 直接相连的其它节点构成的子网络，N_Gi 则代表子网络 Gi 内节点总数，L_j，k 代表节点 j 与节点 k 之间的最短路径。节点 i 的中介中心度 C_B（i），需要计算连接节点 j 和 h 的最短路径经过 i 的比例，如式（4）所示：

4

通过四个节点参数之和的排序，取高于组内均值以上一个标准差的节点作为组水平网络的核心节点^[10]。之所以用该方法来定义中枢节点是由于无法利用单一参数来确定中枢节点，例如：一个高中心度的节点可能会具有较低的连接强度或者较小的中介中心度。以多个参数为基础对节点进行等级评分的方法则更加可靠准确。

如图 4 所示，其中红球代表核心节点，蓝球代表其它一般节点，球的直径大小代表该节点成为核心节点的相对程度，直径越大表示更重要的核心节点地位。在选定一定阈值后，两种不同方法（基于灰质特征分析、基于白质特征分析）得到的核心节点具有高度的一致性。同时也明显看到 AD 患者结构网络确存在有中枢节点缺失的现象，具体有：枕中回、颞下回、顶上回、背外侧额上回以及内侧额上回等中枢节点，主要分布于前额叶区和顶叶区，如表 2 所示。

图 4.

The distribution of hub nodes

核心节点分布

表 2. High-weighted nodes.

高得分的节点

分析方法	特征脑区
图论分析得到核心节点	海马、中央前回、背外侧额叶、中央后回、豆状壳核、枕中回、颞下回、顶上回、背外侧额上回、内侧颞上回、颞中回
灰质分析得到的高分节点	海马、颞下回、尾状核、缘上回、杏仁核、嗅皮质、枕下回、舌回、海马旁回
白质分析得到的高分节点	楔前叶、回直肌、中央旁小叶、内侧颞上回、枕上回、背外侧额上回、豆状壳核、前扣带回、颞中回、颞下回

2.2. 网络节点的模式识别分析

基于节点特征（MD 和灰质体积）得到的训练和测试正确率分别为：93.34% 和 88.33%。如图 5 所示，给出了对最优特征统计得到的 90 个节点的投票得分权值（节点半径大小），节点半径越大则权值越高（得分越高），表示该节点对分类具有更重要的作用。如表 2 中第 2 行所示，给出了高得分节点（大于均值加标准差）。

图 5.

The weighted scores of optimized features from pattern recognition

模式识别的特征优化结果

2.3. 网络连接的模式识别分析

基于连接特征（FN 和 FA）得到的训练和测试正确率分别为：98.19% 和 83.34%。统计最优特征集对所有的连接进行投标，如图 5 所示，以其分值作为连接的权值，其权值大小即对分类的重要性。连接受损区域主要集中在额叶和颞叶内部，以及脑区之间的长连接上。通过此网络连接分析得到的加权网络，可计算相应的表征脑区或节点异常情况的核心节点，如表 2 中第 3 行所示。

3. 讨论

AD 的自动诊断技术一直是研究的热点，无论是对其病理进行研究还是对疾病的早期诊断都有重要的意义。本文提出的基于脑结构网络来分析大脑灰质区域的方法，训练正确率和测试正确率的结果均可以达到 80% 以上，表现较好。但是基于网络连接的训练正确率和测试正确率的差更大，说明基于网络连接特征的模型很可能出现了一定程度的过拟合。一种可能的原因是网络连接的特征维度远大于节点的特征维度，也同时大于样本的数量。但是两种特征集的训练、测试正确率都达到了一定水平，而且网络所具有的复杂的二值化和加权连接模式更加能反映结构异常的信息，也侧面印证了 AD 引起大脑结构的变化不仅限于灰质皮层，反而白质异常可能占据更重要的地位。事实上结构连接已经作为 AD 诊断强有力的生物标记，例如：前扣带和旁扣带脑回与楔前叶、中央旁小叶和补充运动区、眶内额上回和回直肌、颞上回和眶内额上回等纤维连接^[11-12]。

大脑结构网络是大脑信息传递沟通的载体，其连接模式体现在节点上，反映着节点的重要性。占据核心地位的节点也叫枢纽节点，对网络的正常运转起主导作用。一旦核心节点发生异常，则会引起严重的影响。如图 4 所示，能看到 AD 组的额叶、顶叶和枕叶的核心节点发生异常，而这些区域也是报道最多的 AD 患者大脑异常区域^[13]。采用基于节点（皮层分区）特征的分析方法能够获得与大脑解剖区域直接对应的异常信息，利于病理生理的理解。本文采用节点特征的模式识别和特征筛选，得到异常的灰质区域，如表 2 中第 2 行所示，其中海马、枕下回、颞下回等都是重要的结构网络核心节点区域^[14]。但是基于节点特征（MD 和灰质体积）的分析仅仅是节点解剖区域的微结构特征，并未考虑到网络结构信息。而结构网络的连接模式信息对大脑的正常运作十分重要，对疾病的异常也十分敏感^{[6, 11-15]}。

以结构连接特征进行模式识别和特征筛选，得到的异常连接反映了 AD 相关的纤维失连接状况。纤维失连接在 AD 患者的大脑中普遍存在，而且以长连接先发生异常为特点。如图 5 所示，网络间的结构连接普遍存在异常，而且颞叶、额叶网络内的连接也发生明显异常。而通过分析异常连接高度相连的节点（如表 2 所示），发现这些节点与核心节点以及灰质异常的节点有着一致性。例如颞下回、枕上回和背外侧额上回等。这说明白质纤维失连接与其灰质结构异常存在一定的关联性，或者存在某种程度的并发性^[15-17]。同时，其结果的不一致性，也说明了方法的差异和优势。基于异常连接的分析是通过失连接分布模式分析得到灰质的异常区域，而节点分析是直接获取灰质皮层的结构特征，如体积信息和平均扩散特征。而且如表 2 中第 3 行所示，异常连接反映的异常脑区更多地集中在颞叶和额叶上，这些区域是 AD 早期病变的高发区域，具有较强的早期诊断价值^[16-18]。

本文基于结构网络连接特征的模式识别的方法分析灰质异常区域，其结果证实优于直接分析灰质特征的方法，更有助于 AD 疾病的早期诊断研究。同时本文通过比较节点和连接的分析结果，证实了 AD 患者大脑中结构失连接的空间分布与灰质结构的改变存在内在联系，这为病理机制的研究提供了重要依据，更进一步显示了基于结构连接的模式分析在早期病理及诊断中的潜力。今后的研究可采用更加精确的结构网络检测和构建方法，例如：高角度分辨率扩散成像（high angular resolution diffusion imaging，HARDI）或者扩散谱成像（diffusion spectrum imaging，DSI）等进行 AD 以及早期 AD 结构网络的模式识别分析，或许能得到更有价值的结果。

Funding Statement

国家自然科学基金资助项目（81571762，81222021，31500865）