基于Fixel分析的机器学习模型在台风相关创伤后应激障碍诊断中的应用

《Brain and Behavior》:A Diagnosis Model of Typhoon-Related Post-Traumatic Stress Disorder Based on Fixel-Based Analysis in Machine Learning

【字体: 大 中 小 】 时间:2026年04月08日 来源:Brain and Behavior 2.7

编辑推荐:

  本研究探讨了台风幸存者创伤后应激障碍(PTSD)的诊断难题。为解决现有临床量表的主观偏倚,研究人员结合了新兴的磁共振技术——基于固定元素的分析(FBA)与机器学习,对PTSD患者、创伤暴露对照(TEC)和健康对照(HC)的白质微结构进行了深入探究。研究发现,PTSD患者在特定白质纤维束(如右侧额桥束和右侧中纵束)存在纤维密度(FD)和纤维密度-横截面积(FDC)的显著增高。构建的机器学习模型在区分PTSD与TEC时表现优异(准确率达0.89,AUC达0.95)。这项研究不仅揭示了PTSD潜在的神经影像学生物标志物,也为未来客观、精准的PTSD诊断提供了新的方法学思路。

  
台风过后,大脑深处发生了什么?一项研究试图用新技术寻找答案
当超强台风“威马逊”在2014年席卷海南文昌,带来的不仅是家园的损毁,更在许多亲历者心中留下了难以磨灭的心理创伤。创伤后应激障碍(Post-traumatic stress disorder, PTSD)作为一种常见的精神障碍,其核心症状包括创伤经历的再体验、回避、认知与情绪的负性改变以及过度警觉。尽管临床医生可以通过量表进行诊断,但这种依赖主观报告的方式存在一定偏倚,我们能否从大脑的物理结构中,找到更客观的诊断线索?
以往的研究多关注于大脑灰质的改变,而作为连接不同脑区“高速公路”的白质,其微观结构的变化在PTSD中扮演的角色逐渐受到重视。传统上,科学家们使用弥散张量成像(Diffusion Tensor Imaging, DTI)来探查白质,但这项技术在神经纤维交叉、融合的复杂区域显得有些“力不从心”,得到的数据可能不够精确。这就像试图在错综复杂的立交桥中,只用一个平均数值来描述所有车流的状态。近年来,一种名为基于固定元素的分析(Fixel-Based Analysis, FBA)的新技术脱颖而出。它能够在一个成像体素内区分不同的纤维束,更精细地量化白质的微观结构属性,例如反映轴突特性的纤维密度(Fiber Density, FD)和反映纤维束宏观形态的纤维横截面积(Fiber Cross-Section, FC)。这就好比拥有了高清透视眼,能看清“立交桥”中每一条具体匝道的车流密度和宽度。
那么,在经历了台风创伤的PTSD患者大脑中,这些白质“高速公路”是否出现了特异性的改变?这些改变能否作为一种客观的生物学标志,帮助我们将PTSD患者与那些同样经历了创伤但未发病的个体区分开来?为了回答这些问题,来自国内研究团队在《Brain and Behavior》上发表了一项研究,他们巧妙地将先进的FBA技术与机器学习算法相结合,旨在为台风相关PTSD寻找潜在的神经影像学生物标志物,以减少对主观临床症状量表的依赖。
关键技术方法简述:
研究纳入了90名参与者,包括27名PTSD患者、33名创伤暴露对照(TEC)和30名健康对照(HC)。所有参与者均经历了2014年超强台风“威马逊”。研究采用3.0 T磁共振扫描仪采集全脑弥散磁共振成像(dMRI)数据。数据处理遵循标准的FBA流程,使用MRtrix3软件进行,包括去噪、畸变校正、估计纤维方向分布(FODs),并最终在人群特异性模板空间中计算每个“固定元素”(fixel)的FD、logFC(FC经对数转换)和FDC(FD与FC的复合指标)值。同时,利用TractSeg软件自动分割出72条主要的白质纤维束,提取其平均指标用于后续分析。统计分析采用基于连通性的固定元素增强(CFE)方法,并应用了机器学习(随机森林分类器)结合递归特征消除交叉验证(RFECV)的方法进行组间分类和特征选择,以评估FBA指标的诊断效能。
研究结果:
1. 基于全脑固定元素的分析
在控制了年龄、性别、教育年限等因素,并经过严格的家族性误差(FWE)校正后,三组(PTSD、TEC、HC)在全脑范围内的FD、logFC和FDC指标上未发现显著差异。
2. 感兴趣区域(ROI)分析
在基于72条预定义白质纤维束的ROI分析中,方差分析(ANOVA)揭示了18条纤维束的FBA指标存在显著的组间差异。经过邦费罗尼(Bonferroni)校正后的事后比较发现,与HC组相比,PTSD组在右侧额桥束和右侧中纵束的纤维密度(FD)值显著更高。同时,PTSD组在双侧额桥束和左侧丘脑-前运动束的纤维密度-横截面积(FDC)值也显著更高。PTSD组与TEC组之间,以及TEC组与HC组之间,在所有FBA指标上均未发现统计学差异。图中显示了存在组间差异的白质纤维束,包括额桥束和中纵束等。
3. 机器学习分类
由于传统的统计方法未能在PTSD与TEC组间发现差异,研究引入了机器学习来挖掘更细微的特征模式。
  • •
    二分类模型(PTSD vs. TEC):通过RFECV筛选出146个最优特征,构建的随机森林模型在五折交叉验证下表现出色,准确率达到0.89,灵敏度为0.97,特异性为0.71,精确度为0.87,受试者工作特征曲线下面积(AUC)高达0.95。
  • •
    多分类模型(PTSD vs. TEC vs. HC):筛选出177个特征,模型实现了卓越的区分性能,宏观平均精确度、召回率和F1分数均达到0.99。
  • •
    关键特征解读:利用SHAP值分析模型可解释性发现,对区分PTSD与TEC贡献最大的特征包括右侧上纵束III、右侧小脑上脚、右侧额桥束、左侧丘脑-前运动束等纤维束的FBA指标。
研究结论与讨论:
本研究首次将FBA与机器学习相结合,应用于台风相关PTSD的研究。结果表明,大多数患有PTSD的台风暴露个体可能在大脑白质结构上表现出改变。具体而言,研究在PTSD患者中发现了特定白质纤维束(如右侧额桥束、右侧中纵束、双侧额桥束和左侧丘脑-前运动束)的纤维密度(FD)和纤维密度-横截面积(FDC)值升高。这些位于前额叶-皮层下和丘脑-皮层通路中的白质改变,可能与PTSD的情绪调节、注意力控制和感觉运动整合等功能异常相关。
更重要的是,尽管传统统计分析未能区分PTSD与TEC,但机器学习模型却能以高精度将两者区分开来。这提示PTSD相关的白质改变可能是细微且分布式的,反映了大脑网络水平的病理变化,而非局限于某个孤立脑区。贡献度最高的特征,如连接顶下小叶与额下回的上纵束III,涉及刺激驱动的外源性注意控制,这与PTSD患者临床表现出的过度警觉症状相符。而小脑上脚的凸显,则强调了传统上在恐惧神经回路中被忽视的小脑,可能在创伤后的情绪调节中扮演新角色。
研究人员也从更广阔的生物学视角进行了解读。他们认为,创伤应激伴随的系统性生物失调(如氧化应激失衡)可能导致了轴突脆弱性和神经炎症,从而为观察到的白质微结构改变提供了潜在的机制背景。同时,类似的白质改变也在其他精神疾病中被观察到,这表明本研究发现的某些特征可能是跨诊断的、与应激暴露和脆弱性相关的神经生物学特征,而不仅仅是PTSD特有的标记。
当然,研究也存在一些局限性,例如横断面设计、样本量相对较小、诊断依据为DSM-IV标准,以及创伤类型单一(仅台风幸存者)等。教育水平在组间的差异也是一个潜在的混杂因素。未来的研究需要在更大规模、更多样化的创伤人群中进行验证,并采用更新的诊断标准。
综上所述,这项研究通过整合前沿的FBA成像技术与机器学习分析方法,不仅增强了我们对PTSD微观白质改变及其空间分布的理解,更重要的是,它展示了这些扩散成像标志物在区分PTSD患者、创伤暴露但未患病者以及健康人群方面的潜在诊断价值。这为未来开发客观、精准的PTSD神经影像学生物标志物提供了概念验证框架,并指出了从大脑网络连接层面理解创伤后心理弹性与脆弱性的新方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号