综述：基于结构磁共振成像和扩散张量成像的图论与机器学习在神经退行性疾病早期脑网络改变中的应用

这篇综述系统评价了结构磁共振成像（MRI）和扩散张量成像（DTI）衍生的图论指标（如全局效率、聚类系数和路径长度）与可解释机器学习算法（SVM/RF）在神经退行性疾病（AD/PD/SVD） preclinical阶段的联合应用价值。研究表明，网络拓扑结构改变（全局效率↓0.32 vs 0.38）与认知评分显著相关（r=0.65），ML模型分类AUC达0.78-0.95，为早期风险分层提供了新思路。

　　

结构脑网络分析：神经退行性疾病的早期预警系统

神经退行性疾病在出现明显临床症状前，脑网络结构已发生特征性改变。通过高分辨率T1加权MRI和DTI（≥30扩散方向，b值1000-1200 s/mm²）构建的结构连接组，结合图论指标量化分析，可捕捉这些细微变化。全球效率（信息整合能力）、聚类系数（局部连接强度）和特征路径长度（信息传递效率）构成核心评估体系。

成像技术标准化挑战

尽管3T MRI系统（西门子/GE/飞利浦）成为主流，但扫描参数差异仍影响数据可比性。约72%研究采用ComBat等统计协调技术消除批次效应，仅35%明确报告场强参数。脑分区多基于AAL或Desikan-Killiany图谱，FSL、MRtrix等软件进行预处理，但参数设置透明度不足制约方法可重复性。

机器学习模型的精准诊断

在57项纳入研究中，随机森林（RF）展现卓越性能：阿尔茨海默病（AD）分类AUC 0.91-0.95，优于支持向量机（SVM）的0.84-0.91。特征选择采用递归特征消除（RFE）或LASSO回归，结合PCA降维。值得注意的是：

• •

  AD组全局效率显著降低（0.32±0.04 vs 0.38±0.03）

• •

  帕金森病（PD）路径长度异常（Z=-2.08）

• •

  唐氏综合征（DS）呈现最严重的网络效率下降

认知衰退的拓扑基础

脑网络指标与认知功能呈现强相关性：

• •

  全局效率与MMSE评分r=0.65（P<0.001）

• •

  聚类系数与记忆功能r=0.60（P<0.001）

• •

  路径延长预示执行功能下降（P<0.01）

在AD进展中，默认模式网络区域的结构连接中断尤为显著，而PD患者则表现为基底节-丘脑-皮质环路整合异常。小血管病（SVD）呈现独特的网络碎片化模式，与血管性认知障碍密切相关。

跨疾病比较的启示

标准化Z评分揭示疾病特异性模式：

• •

  神经退行性疾病：全局效率↓/路径长度↑

• •

  自闭症谱系障碍（ASD）：指标波动较大

• •

  多发性硬化（MS）：保留网络拓扑结构

这种差异反映病理机制本质：神经退行性病变导致不可逆网络解体，而神经发育障碍更多表现为连接重组。

未来发展方向

多模态融合成为趋势，建议整合：

1. 1.

   分子影像（淀粉样蛋白PET）

2. 2.

   功能MRI动态连接分析

3. 3.

   基因组学标记（如APOE基因型）

4. 4.

   深度学习架构（图神经网络GNN）

临床转化前景

该方法已展现三大应用价值：

• •

  风险预测：在症状出现前5-10年识别高危个体

• •

  疾病分型：区分AD/PD/SVD特异性网络特征

• •

  疗效监测：量化干预措施对网络重构的影响

当前限制主要来自纵向数据缺乏（仅28%研究）和人群多样性不足（ADNI数据集占比过高）。建立统一的分析框架和临床验证平台将成为下一阶段重点。