简化版Fazekas量表（sFazekas）用于高效评估白质高信号

《Frontiers in Neurology》：A simplified Fazekas scale for efficient assessment of white matter hyperintensities

　　

背景： 白质高信号（white matter hyperintensities, WMH）是脑小血管病（cerebral small vessel disease, CSVD）的关键神经影像标志物，并与老年人的神经精神症状相关。尽管Fazekas视觉评定量表在研究领域被广泛使用，但其临床应用仍有限。因此，研究人员开发了一种用于整体WMH评估的简化版Fazekas视觉评定量表（simplified Fazekas visual rating scale, sFazekas），以促进临床推广应用。 方法： 研究人员从三种MRI扫描仪中随机选取了900名参与者，评估了sFazekas量表与Fazekas量表的信度和评分效率。随后，根据sFazekas评分将所有参与者分组，分析了不同评分组间的差异。接下来，研究人员检验了sFazekas、Fazekas与WMH体积之间的相关性。最后，研究人员探讨了sFazekas与CSVD相关血管危险因素之间的关联。 结果： sFazekas量表显示出极佳的评定者间信度（κ=0.851），并且完成所需时间显著少于传统Fazekas量表（p<0.01）。在不同sFazekas评分组之间，年龄、WMH体积和血管危险因素均存在显著差异（p<0.01）。sFazekas评分与深部及脑室周围白质的Fazekas评分，以及与WMH体积均呈强相关性（p<0.001）。有序逻辑回归分析表明，年龄、高血压、糖尿病和卒中史是更高sFazekas评分的独立预测因子（p<0.001）。 结论： 简化版Fazekas视觉评定量表（sFazekas）展现出与传统Fazekas量表相当的信度，并具有评分时间更短的实用优势，提示其在脑小血管病患者整体白质高信号负荷的临床评估中具有潜在应用价值。

论文解读文章

1. 研究背景与目的

白质高信号（white matter hyperintensities, WMH）是脑小血管病（cerebral small vessel disease, CSVD）的关键影像学生物标志物，在T2加权和液体衰减反转恢复（fluid-attenuated inversion recovery, FLAIR）序列上表现为高信号区域，通常对称分布于侧脑室周围或皮质下白质。大量证据表明，WMH与认知障碍、运动功能缺陷及多种神经精神症状密切相关，因此不应被视为单纯的脑老化表现。

视觉评定量表是评估WMH严重程度的主要方法之一。其中，Fazekas视觉评定量表最为常用，它将WMH按解剖位置分为脑室周围白质（periventricular white matter, PVWM）和深部白质（deep white matter, DWM），并根据病变形态和融合程度进行0-3级分级。然而，该量表在实际应用中存在若干局限性：不同研究中各亚区的解剖定义不完全一致；病理研究表明DWM与PVWM之间的边界往往不清晰，增加了区域特异性评估的复杂性和主观性；此外，临床实践中更关注整体WMH负荷，而分别评估不同解剖区域使得描述整体负担不够直观。基于此，研究人员旨在建立一种简化的Fazekas视觉评定量表（simplified Fazekas visual rating scale, sFazekas），以实现对整体WMH负荷的统一、简便且可重复的评估。

2. 研究方法

本研究为基于医院的回顾性研究，数据收集于2024年。研究对象来自三家MRI扫描仪：GE Discovery MR750 3.0T、GE SIGNA Architect 3.0T和uMR588 1.5T，每台扫描仪随机选取300例患者，共纳入900名参与者。纳入标准包括：年龄≥50岁、具备完整MRI序列（T1WI和T2 FLAIR）、符合STRIVE-1/2诊断标准、具备完整的血管危险因素数据。排除标准包括大面积脑梗死、脑软化、颅内结构性异常、颅内出血及图像伪影。

主要技术方法包括：

• •
  Fazekas与sFazekas量表评分：由两名具有超过10年神经影像经验的评估者独立对所有T2 FLAIR图像进行评分。sFazekas量表对全脑半球WMH进行整体0-3级评分：0级为无病灶；1级为点状或结节状病灶，或薄层病灶；2级为脑室周围斑片状病灶、带状病灶或深部白质融合结节状病灶；3级为大面积或不规则融合病灶。评分不包括胼胝体和幕下结构。
• •
  WMH分割与量化：使用ANTs工具对所有参与者的T1加权和T2-FLAIR图像进行非线性配准。随后采用Sysu_media算法（MICCAI 2017 WMH分割挑战赛冠军方案）进行自动WMH分割，该算法基于双通道U-Net架构的深度学习集成模型。WMH体积通过自定义Python脚本计算得出。
• •
  统计分析：采用加权Cohen's Kappa系数评估评定者间信度；通过配对t检验比较两种量表的评分效率；使用Kruskal-Wallis H检验和Pearson卡方检验分析不同sFazekas评分组间的差异；采用Spearman秩相关系数评估sFazekas、Fazekas与WMH体积的相关性；运用有序逻辑回归分析年龄、性别和血管危险因素与sFazekas评分的关联。

3. 研究结果

3.1 参与者特征

共纳入900名参与者，其中男性398人（44.2%），女性502人（55.8%），平均年龄62.98±8.86岁。sFazekas、F-PVWM和F-DWM的中位数（四分位距）评分分别为1（1-2）、1（0-2）和1（1-1）。WMH体积为4.48±6.60 mL。各sFazekas等级的参与者人数为：0级64人（7.1%），1级597人（66.3%），2级150人（16.7%），3级89人（9.9%）。

3.2 评定者间信度与评分效率

sFazekas量表、F-PVWM和F-DWM均表现出极佳的评定者间信度，κ值分别为0.851、0.816和0.839。与F-PVWM相比，sFazekas的Δκ为0.035（95% CI: 0.007-0.063, p=0.014）；与F-DWM相比，Δκ为0.012（95% CI: -0.007-0.032, p=0.239）。此外，sFazekas量表的完成时间显著少于传统Fazekas量表（9.02±1.99秒 vs. 12.95±2.90秒, p<0.01）。

3.3 组间差异分析

Kruskal-Wallis H检验显示，不同sFazekas评分组间的年龄和WMH体积均存在显著差异（p<0.001）。事后分析表明，所有组间两两比较均达到统计学显著性（校正后p<0.001），且WMH体积随sFazekas评分升高而逐步增加。Pearson卡方检验显示，高血压、高脂血症、糖尿病、心脏病和卒中史在不同sFazekas评分组中的分布存在显著差异（p<0.05），但部分组间两两比较未达统计学显著性。性别分布在各组间无显著差异。

3.4 相关性分析

sFazekas评分与F-PVWM（ρ=0.739, p<0.001）、F-DWM（ρ=0.907, p<0.001）以及总WMH体积（ρ=0.727, p<0.001）均呈强相关性。F-PVWM和F-DWM与总WMH体积也分别呈强相关性（ρ=0.784和0.682, p<0.001）。

3.5 回归分析

对于sFazekas量表，比例优势假设成立。年龄（OR=1.134, p<0.001）、高血压（OR=1.864, p<0.001）、糖尿病（OR=1.517, p=0.020）和卒中史（OR=2.353, p<0.001）是更高评分的显著预测因子，而性别、高脂血症和心脏病则无显著关联。对于F-PVWM，由于年龄违反了比例优势假设，采用了偏比例优势模型，年龄在所有三个阈值上均与F-PVWM显著相关（OR范围0.850-0.901, 均p<0.001）。对于F-DWM，比例优势假设成立，年龄、性别、高血压、高脂血症和卒中史与更高评分显著相关。

4. 讨论与结论

讨论部分总结：

本研究在真实临床环境中整合并优化了现有Fazekas量表，建立了用于整体评估的简化版Fazekas视觉评定量表（sFazekas）。sFazekas量表展现出与传统Fazekas量表相当的信度，且评分时间更短，与WMH负荷呈强相关性，支持其作为快速实用的临床评估工具的潜力。与单纯将两个区域分数相加或依据病灶直径分类的方法相比，sFazekas量表对全脑半球进行整体分级，简化了评分流程，提高了效率，并减少了因区域边界界定带来的主观性。研究还发现，sFazekas评分与F-DWM的相关性（ρ=0.907）强于与F-PVWM的相关性（ρ=0.739），这可能与评分逻辑和样本中评分分布差异有关。年龄、高血压、糖尿病和卒中史被证实是sFazekas评分的独立预测因子，这与既往研究一致。研究局限性包括：研究对象为年龄≥50岁的脑血管疾病患者，向年轻人群推广需进一步验证；采用横断面设计，无法评估纵向变化；样本来源于单一机构的两家医院和三种MRI扫描仪，可能限制普适性；不同场强和平台的数据合并可能引入变异；临床数据仅限于血管危险因素。

研究结论翻译：

总之，简化版Fazekas视觉评定量表（sFazekas）展现出与传统Fazekas量表相当的信度，并具有评分时间更短的实用优势，提示其在脑小血管病患者整体白质高信号负荷的临床评估中具有潜在应用价值。