《Brain Research Bulletin》：Diagnosis of Cognitive Impairment in Chronic Kidney Disease: A Radiomics and Machine Learning Approach with Quantitative Susceptibility Mapping
编辑推荐：
本研究针对慢性肾脏病(CKD)相关认知障碍(CI)诊断难题，创新性地结合定量磁敏感图(QSM)与影像组学技术，通过机器学习构建了基于壳核的SVM模型。该模型在训练集和测试集的AUC分别达0.929和0.891，与临床特征结合的联合模型AUC进一步提升至0.964和0.933，为CKD患者CI的早期识别提供了客观、无创的影像学生物标志物。
当慢性肾脏病（CKD）逐渐成为影响全球超过8亿人的重大公共卫生问题时，其引发的多系统并发症日益受到关注。其中，认知障碍（CI）作为一种常见却容易被忽视的并发症，影响着16%-38%的CKD患者，并与全因死亡率和心血管死亡率显著相关。然而，临床上常用的认知评估工具如蒙特利尔认知评估（MoCA）存在练习效应，且患者主观症状与客观认知损害常不匹配，这使得CKD相关CI的早期准确诊断面临巨大挑战。
近年来，研究发现CKD患者（包括接受透析和未透析者）基底节区存在铁过载现象，这种脑铁沉积可能与神经传导受损和认知功能障碍密切相关。定量磁敏感图（QSM）作为一种能够精确量化脑内磁化率分布的新兴磁共振成像技术，其测量值与组织铁浓度高度相关，为探索CKD相关CI的神经机制提供了独特窗口。与此同时，影像组学（Radiomics）能够从医学图像中提取大量定量特征，捕捉疾病的空间异质性，已在帕金森病（PD）和阿尔茨海默病（AD）等认知相关疾病中展现出巨大潜力。然而，将QSM与影像组学结合应用于CKD相关CI诊断的研究尚属空白。
在此背景下，发表在《Brain Research Bulletin》上的研究《Diagnosis of Cognitive Impairment in Chronic Kidney Disease: A Radiomics and Machine Learning Approach with Quantitative Susceptibility Mapping》应运而生。该研究旨在开发一种基于QSM影像组学和机器学习的新型诊断模型，为实现CKD相关CI的精准、无创诊断提供新思路。
为开展此项研究，研究人员采用了几个关键技术方法：前瞻性招募了161例CKD患者（训练集113例，测试集48例），所有患者均接受多回波三维增强T2*加权血管成像序列扫描，并利用STI Suite软件处理生成QSM图像。通过FSL FIRST算法自动分割并结合放射科医师手动精细校正，获取基底节区（包括尾状核、壳核、苍白球和丘脑）的感兴趣区（ROI）。使用遵循图像生物标志物标准化倡议（IBSI）的PyRadiomics标准，从每个ROI提取1197个影像组学特征。经过特征预处理和选择后，应用多种机器学习算法（包括逻辑回归、支持向量机-SVM、随机森林和极端随机树）构建预测模型，并通过决策曲线分析（DCA）确定最优模型。最后，将最优影像组学模型与临床特征结合，构建联合模型。
3.1. 临床特征
研究共纳入161例CKD患者，训练集与测试集在年龄、性别、CKD分期及多数血液生化指标上无显著差异，确保了队列划分的均衡性。认知评估显示，中位MoCA得分为25分（范围14-30分），共识别出78例CI患者。与非CI组相比，CI组患者在年龄、CKD分期、血清尿素、血清肌酐、甲状旁腺激素（PTH）和尿酸水平上存在显著差异。
3.2. 机器学习模型
所有提取的影像组学特征均表现出良好的可重复性（组内和组间相关系数ICC > 0.75）。基于DCA分析，源自壳核的影像组学模型在测试集中显示出最佳的净获益，因此被选为最终模型。该模型采用SVM分类器构建，在训练集和测试集中的曲线下面积（AUC）分别达到0.929和0.891，显示出优异的判别能力。对模型贡献最大的影像组学特征包括灰度共生矩阵（GLCM）特征、灰度依赖矩阵（GLDM）特征、邻域灰度色调差矩阵（NGTDM）特征以及小波变换后的特征。
3.3. 预测模型比较
研究人员构建了临床模型（包含年龄、性别、CKD分期等14个临床变量）和联合模型（结合临床变量和壳核影像组学评分）。结果显示，临床模型在训练集和测试集的AUC分别为0.797和0.852。而联合模型的性能得到显著提升，训练集和测试集的AUC分别高达0.964和0.933。决策曲线分析进一步证实，联合模型在临床相关的阈值概率范围内能提供最高的净获益，表明其具有更优的临床实用价值。
4. 讨论
本研究成功探索了基于QSM的壳核影像组学特征在识别CKD相关CI中的应用价值。其中，重要性最高的影像组学特征是original_GLCM_InverseDifferenceMomentNormalized（Idmn），该特征反映了壳核内磁敏感性的局部均匀性。较低的Idmn值表明磁敏感性存在更大的体素间波动，揭示了CKD背景下脑内铁代谢紊乱、慢性炎症、内皮功能障碍和尿毒症代谢应激可能导致基底节区产生空间异质性的磁化率改变。其他入选的纹理特征则从不同尺度捕获了磁敏感性的异质性模式，共同为CKD相关CI的病理机制提供了影像学解释。
研究结论表明，基于QSM的壳核影像组学分析，特别是与临床特征相结合，有望成为一种有前景的无创性工具，用于识别CKD患者的认知障碍。这为弥补当前主观认知评估工具的不足，实现CKD患者CI的早期客观诊断提供了新的方向。
当然，本研究也存在一些局限性，如样本量相对有限、CKD 4期患者数量较少、仅聚焦于QSM序列等。未来的多中心前瞻性研究纳入更多分期患者并整合多模态MRI序列，将有助于进一步验证和推广该模型的临床应用。
综上所述，这项研究开创性地将QSM影像组学与机器学习相结合，为CKD相关CI的诊断提供了客观、定量且具有生物学合理性的新型影像学生物标志物，对改善CKD患者预后、降低疾病负担具有重要意义。
