用于痴呆症(包括阿尔茨海默病性痴呆和路易体痴呆)的自动化影像鉴别技术

《Neurology Open Access》:Automated Imaging Differentiation for Dementia: Including Alzheimer Disease Dementia and Dementia With Lewy Bodies

【字体: 大 中 小 】 时间:2026年04月15日 来源:Neurology Open Access

编辑推荐:

  **摘要** **背景与目的** 阿尔茨海默病痴呆(ADD)与路易体痴呆(DLB)的鉴别仍然是一个挑战。自由水(FW)成像技术在神经退行性疾病中已被研究,并发现其与神经退行性和神经炎症有关。这项回顾性队列研究测试了自动化成像鉴别痴呆(AIDD)方法——该方法结合了扩散自由水

  **摘要**

**背景与目的**
阿尔茨海默病痴呆(ADD)与路易体痴呆(DLB)的鉴别仍然是一个挑战。自由水(FW)成像技术在神经退行性疾病中已被研究,并发现其与神经退行性和神经炎症有关。这项回顾性队列研究测试了自动化成像鉴别痴呆(AIDD)方法——该方法结合了扩散自由水成像(FWI)和支持向量机——是否能够高精度地预测ADD与DLB的差异。

**方法**
扩散MRI数据来源于阿尔茨海默病神经影像学计划(Alzheimer’s Disease Neuroimaging Initiative)、国家阿尔茨海默病协调中心(National Alzheimer’s Coordinating Center)和帕金森病生物标志物项目(Parkinson’s Disease Biomarker Program)。使用双张量模型计算每位参与者的自由水和FW校正后的分数各向异性。扩散指标被随机分配到训练集和测试集中。主要结果是测试集中的曲线下面积(AUC)。AIDD方法结合了生前MRI数据来预测死后病理结果。

**结果**
共处理了519份扩散扫描数据,其中ADD患者258例(平均年龄73.7岁,男性占50%),DLB患者129例(平均年龄69.3岁,男性占88%),对照组132例(平均年龄73.6岁,男性占40%)。机器学习(ML)样本包括387份扫描数据:ADD组129例(平均年龄72.8岁,男性占52.7%),DLB组129例(平均年龄69.3岁,男性占87.6%),对照组129例(平均年龄73.7岁,男性占39.5%)。AIDD在ADD与DLB之间的训练AUC为0.995(95% CI 0.985–1.000),ADD与对照组之间为0.992(95% CI 0.982–1.000),DLB与对照组之间为0.991(95% CI 0.983–0.999),对照组与ADD/DLB之间为0.990(95% CI 0.979–1.000)。测试AUC结果相似:ADD与DLB之间为0.995,ADD与对照组之间为0.958,DLB与对照组之间为0.939,对照组与ADD/DLB之间为0.903。AIDD的预测结果在13例患者中得到了病理学验证。

**讨论**
本研究表明,结合自由水成像的机器学习方法能够以高临床和病理学准确性区分ADD、DLB和正常衰老。早期发现痴呆有助于制定更合适的治疗方案,特别是对于DLB,同时也有助于改进疾病分层,从而促进药物开发试验的进行。

**证据分类**
本研究提供了II类证据,证明结合扩散自由水成像和机器学习的AIDD方法能够准确区分阿尔茨海默病与路易体痴呆。

**引言**
老年人痴呆最常见的两种原因是阿尔茨海默病痴呆(ADD)和路易体痴呆(DLB)。在临床环境中,区分ADD和DLB仍然具有挑战性,因为当前的标准诊断方法存在较高的误诊率。高达50%的病理学确诊的DLB在生前被正确诊断,而ADD是最常见的误诊类型。区分DLB和ADD对患者护理至关重要,因为DLB的预后更差,需要不同的治疗计划。DLB患者对用于痴呆治疗的神经安定类药物特别敏感,这可能导致认知和运动功能恶化。此外,已有新的疾病修饰疗法被批准用于ADD,但尚未用于DLB。美国国家老龄化研究所和阿尔茨海默病协会开发了一个基于生物标志物(如淀粉样蛋白、tau蛋白和神经退行性改变)的阿尔茨海默病分类框架。使用PET或生物流体检测(如AB42/40、ptau217)确定的淀粉样蛋白阳性是AD的核心病理特征。然而,超过50%的DLB患者同时存在淀粉样蛋白和路易体病理,这增加了诊断的不确定性。目前,诊断标准建议结合指示性生物标志物和支持性生物标志物来提高DLB和ADD的区分度。指示性生物标志物包括多巴胺转运蛋白扫描(DaTscan)、心肌显像和多导睡眠图。支持性生物标志物通过MRI、PET或SPECT扫描收集。当前的DLB MRI生物标志物利用内侧颞叶(MTL)的相对保留特征来辅助鉴别。尽管生物标志物有助于鉴别,但没有单一的生物标志物专门针对DLB。因此,区分ADD和DLB依赖于临床随访和多种侵入性生物标志物。

**最新研究**
最新研究表明,扩散自由水成像(FWI)对ADD和DLB的特异性神经退行性改变敏感。扩散MRI是当前标准护理的一部分,但尚未被主动用于区分ADD和DLB。在最近发表的一项涉及21个站点的前瞻性研究(AIDP)中,机器学习和FWI显示在区分进行性核上性麻痹和多系统萎缩与帕金森病以及区分多系统萎缩与进行性核上性麻痹方面具有超过95%的准确性。AIDP利用大脑各区域的自由水(FW)和FW校正后的分数各向异性(FAT)值来区分这些疾病。目前,尚无单一的生前生物标志物能够明确区分DLB和ADD。为了扩展AIDP的研究,我们提出了自动化成像鉴别痴呆(AIDD)方法。我们建议使用扩散成像结合机器学习来评估ADD患者与DLB患者以及年龄匹配的健康对照组之间的大脑水运动模式。本研究旨在探索FWI和机器学习(称为AIDD)利用临床可用脉冲序列和来自3家常见扫描仪供应商的多站点成像数据来区分DLB和ADD的能力。

**研究参与者**
这是一项回顾性队列研究,使用了帕金森病生物标志物项目(PDBP)、国家阿尔茨海默病协调中心(NACC)和阿尔茨海默病神经影像学计划(ADNI)的研究数据。回顾性数据收集时间为2007年1月至2022年3月。ML开发队列包括被诊断为ADD或DLB的参与者,以及没有神经或精神疾病史的对照组。ADD患者的诊断标准基于《精神疾病诊断与统计手册》第10版和国际疾病分类第十版(ICD-10)以及国家神经与沟通障碍及中风-阿尔茨海默病及相关疾病协会(NINCDS-ADRDA)的标准。在ADNI中,临床共识诊断结合了认知评估(例如临床痴呆评分、Mini-Mental State Exam、蒙特利尔认知评估)。在NACC中,诊断由参与机构的共识小组或单一临床医生根据患者病史和标准化认知评估确定。所有DLB病例均符合第三或第四版联盟的DLB诊断标准。此外,PDBP和NACC还包括了几例病理学确诊的AD和LBD病例,我们根据临床综合征(ADD或DLB)对这些病例进行分类。纳入标准包括ADD组患者的淀粉样蛋白PET阳性结果,以及DLB和对照组患者的淀粉样蛋白PET阴性结果。NACC和ADNI使用Pittsburgh compound B(PiB)、18F-Florbetapir和18F-Flortaucipir、18F-Florbetaben进行淀粉样蛋白PET检测。PDBP仅使用PiB。标准摄取值比用于确定淀粉样蛋白状态。排除标准包括中风、肿瘤或其他严重神经系统疾病的历史,以及与下文描述的ML程序不兼容的成像数据。不兼容的成像数据包括场强较低、b值和b向量对缺失的扫描,以及体积小于6 b = 1,000的扫描。诊断排除标准还包括淀粉样蛋白阴性的ADD、淀粉样蛋白阳性的DLB以及由路易体引起的轻度认知障碍(MCI)。通过模糊查找算法检查各站点之间的潜在重复招募情况,以确认年龄、性别、种族和民族之间的高度相似性。基线人口统计信息(如性别、种族、民族)作为NACC统一数据集的一部分常规获取。如果需要,可以通过代理参与者补充人口统计信息。病理学队列包括5例经尸检确认的AD患者(无伴随路易体病理)和8例经尸检确认的LBD患者(无伴随AD病理),这些患者来自宾夕法尼亚大学脑库。病理学队列与临床队列来自不同的站点和扫描仪,因此提供了与原始训练扫描仪独立的测试结果。为了弥补DLB队列参与者样本量相对较小的问题,还纳入了PDBP联盟的纵向数据。对于ADNI和NACC数据,仅纳入了最接近基线访问的时间点的数据。

**扩散加权成像**
扩散MRI扫描使用西门子(德国埃尔朗根)、飞利浦(荷兰贝斯特)和通用电气(美国威斯康星州)的3T扫描仪进行,采用回波平面成像序列,参数如下:重复时间(TR)= 3,230–16700 ms,回波时间(TE)= 56–106 ms,切片数= 81,层间距= 0 mm,翻转角度= 90°,b0图像= 1–13,最大b值= 1,000 s/mm2(见表1)。表1显示了所使用的多种扫描仪和参数。表2展示了各联盟中扫描仪的分布情况。这些成像参数与ADNI-3协议一致,可在广泛使用的3T系统上实现。多壳层图像通过分离b = 1,000 s/mm2的体积并丢弃非b1000体积转换为单壳层图像。数据处理方法与我们之前的研究一致。扩散处理流程包括运动和涡流校正、颅骨去除、扩散张量拟合、FW估计以及归一化到蒙特利尔神经学研究所(MNI)空间。该流程使用了FMRIB软件库的自定义UNIX shell脚本和高级归一化工具(Advanced Normalization Tools)以及自定义MATLAB(版本R2020b)脚本。质量控制通过自动信噪比计算和每个扩散图的视觉检查完成。部分大脑和成像失真被排除在分析之外。我们使用ADNI中的20例ADD患者和20例对照组来研究磁化率引起的几何失真,并报告了关键感兴趣区域(ROI)的组内相关系数(ICCs)。

**机器学习**
ML模型用于对4个主要终点进行疾病特异性分类。这些终点包括3个一对一分类(即ADD vs DLB、ADD vs 对照组、DLB vs 对照组)和1个一对所有分类(即对照组 vs ADD/DLB)。一对一分类保持了数据集的平衡,但计算量较大;而一对所有分类则在不平衡的数据集上进行训练,计算量较小。训练和验证集包含了80%的总数据,剩余20%的数据用于独立测试。在随机分配过程中,我们限制了算法以防止训练集和测试集之间的数据泄露。在训练和验证过程中,数据被随机划分为5个子组进行五折交叉验证。每次迭代中,其中一个子组作为验证集,其余4个用于训练模型。在此过程中,确定并实施了支持向量机的最佳超参数(C参数),以优化F分数(精确度和召回率的调和平均值)。然后,在最终的支持向量模型中实施了最佳超参数。选择线性核支持向量机是因为其可解释性和高性能。通过在测试数据集上将预测结果与临床诊断进行比较来评估训练模型的性能,使用0.5的截止值。对于经神经病理学确认的队列,我们研究了每位患者最接近尸检时的扩散加权成像(DWI)扫描,以评估我们的AIDD模型在区分阿尔茨海默病(ADD)与路易体痴呆(DLB)方面的性能。此外,我们还训练并评估了包含年龄和性别的SVM模型,这些模型也考虑了自由水(FW)和脂肪(FAT)因素。除了数据输入外,机器学习(ML)方法没有其他改变。为了评估纳入纵向DLB扫描的影响,我们通过仅使用基线扫描而不包括纵向扫描来重新训练和重新测试ML模型进行了不同的分析。ML流程的所有其他方面都是相同的。为了评估部位效应的潜在影响,我们进行了另一种分析。我们假设如果SVM正在学习部位效应,那么该模型应该也能在无关的感兴趣区域表现良好。在对对照组、ADD和DLB进行3D t检验后,我们确定了120个在人群中不被认为存在差异的感兴趣区域(ROI)。这些2毫米的球形ROI列在eTable 4中。我们使用相同的数据方法在新ROI上开发了新的SVM,并在20%的保留集和经神经病理学确认的队列上进行了测试。

**统计分析**
对于每个终点,我们进行了接收者操作特征(ROC)分析,以评估AIDD在训练、验证和测试中的区分性能。ROC曲线下面积(AUC)的范围是从0到1,它描述了在不同截断点上敏感性和特异性之间的权衡,较大的值表示更好的分类能力。我们使用了1000次迭代的自助法来确定AUC的置信区间。此外,还计算了每个终点的准确性、敏感性、特异性、阳性预测值和阴性预测值。

**标准协议批准、注册和患者同意**
该研究获得了佛罗里达大学机构审查委员会的批准,所有参与者在数据上传到PDBP、NACC和ADNI之前都签署了知情同意书。该研究完全符合《赫尔辛基宣言》的伦理要求。

**人口统计数据和影像处理**
共识别出730份扩散MRI扫描用于纳入研究,其中211份因临床和生物标志物不符合ADD或DLB的标准、诊断为路易体相关的轻度认知障碍(MCI),或MRI采集参数与影像处理和ML程序不兼容而被排除(图1)。最终队列包括258例ADD患者(平均年龄73.7岁,50%为男性)、129例DLB患者(平均年龄69.3岁,88%为男性)和132例健康对照组(平均年龄73.6岁,60%为女性)(表1)。34例DLB患者有多于1份影像。关于潜在的共纳入情况,尽管在年龄和性别上存在相似性,但种族和民族并不匹配;因此,我们发现各联盟之间没有匹配的情况,表明所有患者样本都是独特的。对于PDBP队列,年龄以十年为单位给出;因此,我们将其近似为中位数。对于ADNI和NACC数据集,则没有进行这种近似处理。患者的分布显示在表2中。

**结果**
**开放查看器**
**图1 排除标准流程图**
该流程图显示了本研究中使用的扩散加权影像(DWI)的数量。共有211份DWI因不符合标准而被排除,因此最终有519份DWI被纳入研究。ADD = 阿尔茨海默病痴呆;CON = 健康对照组;DLB = 路易体痴呆;LB-MCI = 轻度认知障碍伴路易体。

**表1 患者人口统计**
| 总计 | ADD | DLB | 对照组 |
|------|-----|-----|------|
| n | 258 | 129 | 132 |
| 平均年龄(SD) | 72.6 (8.4) | 69.3 (8.1) | 73.6 (6.8) |
| <0.001a |
| 性别 | 男 | 294 (57%) | 128 (50%) | 113 (88%) |
| 女 | 225 (43%) | 130 (50%) | 16 (12%) |
| 白人 | 91.7% | 91.1% | 69.8% |
| 西班牙裔 | 9.1% | 12.7% | 1.5% |
| MoCA(SD) | 18.8 (9.1) | 15.5 (6.2) | 20.0 (5.4) |
| <0.001a |

**表2 不同联盟中的患者分布**
| 总计 | ADNI | NACC | PDBP |
|------|------|------|------|
| n | 519 | 214 | 182 |
| 参考诊断 | 阿尔茨海默病痴呆 | 路易体痴呆 | 轻度认知障碍 |
| n | 258 (50%) | 82 (38%) | 175 (96%) |
| 1 | 1 | 0 | 1 |
| 路易体痴呆 | 129 (25%) | 0 | 7 |
| 对照组 | 132 (25%) | 132 (62%) | 0 |

**开放查看器**
**表1 中文注释**
a. 使用ANOVA进行分析。
b. 使用Pearson χ2检验进行分析。

**开放查看器**
**表2 中文注释**
我们报告了经磁化率校正的扫描与未经磁化率校正的扫描之间高度一致的结果,如ICC所示。更多信息见eTable 5。

**ML终点**
AIDD在训练、验证和测试队列上的ROC分析显示在图2中。ADD与DLB模型在训练和验证阶段的AUC很高(0.995,95% CI 0.985–1.000;敏感性0.971;特异性1.000),在测试阶段的AUC也很高(0.995;敏感性0.920;特异性0.960)。同样,ADD与对照组模型在训练和验证阶段的AUC也很高(0.992,95% CI 0.982–1.000;敏感性0.952;特异性0.990),在测试阶段的AUC也很高(0.958;敏感性0.800;特异性0.920)。DLB与对照组模型在训练和验证阶段的AUC也很高(0.991,95% CI 0.983–0.999;敏感性0.903;特异性0.971),在测试阶段的AUC也很高(0.939;敏感性0.800;特异性0.960)。对照组与ADD/DLB在训练和验证阶段的AUC也很高(0.990,95% CI 0.979–1.000;敏感性0.923;特异性0.981),在测试阶段的AUC也很高(0.903;敏感性0.840;特异性0.880)。准确率、敏感性、特异性、阳性预测值和阴性预测值显示在表3中。

**开放查看器**
**图2 4个主要比较的接收者操作特征(ROC)曲线**
虚线红线表示基于机会的模型性能。ADD = 阿尔茨海默病痴呆;CON = 健康对照组;DLB = 路易体痴呆。

**表3 4个主要比较的性能指标**
| 比较 | 训练(95% CI) | 验证(95% CI) | 测试(95% CI) |
|------|------------|--------------|------------|
| ADD vs DLB | 0.995 (0.985–1.000) | 0.995 | 0.992 (0.982–1.000) |
| ADD vs 对照组 | 0.995 (0.985–1.000) | 0.991 (0.983–0.999) | 0.939 |
| DLB vs 对照组 | 0.995 (0.982–1.000) | 0.958 | 0.991 (0.983–0.999) |
| 对照组 vs ADD/DLB | 0.990 (0.979–1.000) | 0.903 | 0.923 |

**开放查看器**
**表3 中文注释**
ADD = 阿尔茨海默病痴呆;DLB = 路易体痴呆;NPV = 阴性预测值;PPV = 阳性预测值。

**开放查看器**
**表4 中文注释**
使用年龄、性别、FW和FAT训练的支持向量机与仅使用FWI指标训练的模型表现相似。ADD与DLB模型在训练和验证阶段的AUC很高(0.993,95% CI 0.981–1.000;敏感性0.962;特异性1.000),在测试阶段的AUC也很高(0.931;敏感性0.840;特异性0.960)。ADD与对照组模型在训练和验证阶段的AUC也很高(1.000,95% CI 0.999–1.000;敏感性0.981;特异性0.981),在测试阶段的AUC也很高(0.931;敏感性0.840;特异性0.920)。DLB与对照组模型在训练和验证阶段的AUC也很高(0.994,95% CI 0.990–0.999;敏感性0.903;特异性0.971),在测试阶段的AUC也很高(0.939;敏感性0.800;特异性0.960)。对照组与ADD/DLB在训练和验证阶段的AUC也很高(0.990,95% CI 0.979–1.000;敏感性0.923;特异性0.981),在测试阶段的AUC也很高(0.903;敏感性0.840;特异性0.880)。

**开放查看器**
**表4 中文注释**
未经纵向数据训练的支持向量机在204名个体(每种诊断68名个体)上进行了训练,并在51名个体(每种诊断17名个体)上进行了评估。此分析中没有纵向扫描。ADD与DLB模型在训练和验证阶段的AUC很高(0.954,95% CI 0.911–0.996;敏感性0.955;特异性0.941),在测试阶段的AUC也很高(1.000;敏感性0.941;特异性0.900)。ADD与对照组模型在训练和验证阶段的AUC很高(0.989,95% CI 0.974–1.000;敏感性0.956;特异性0.956),在测试阶段的AUC也很高(0.993;敏感性0.882;特异性0.900)。DLB与对照组模型在训练和验证阶段的AUC也很高(0.958,95% CI 0.920–0.996;敏感性0.853;特异性0.926),在测试阶段的AUC也很高(0.969;敏感性0.941;特异性0.882)。对照组与ADD/DLB在训练和验证阶段的AUC也很高(0.984,95% CI 0.972–0.997;敏感性0.912;特异性0.934)。在神经病理学队列上,ADD与DLB模型的预测正确率为12/13(准确率=0.923)。

**开放查看器**
**表5 中文注释**
我们提取了每个比较的特征权重。我们检查了正类的前5个区域和负类的前5个区域(例如,ADD(正类)与DLB(负类))。这些区域的分析被投影到MNI空间的玻璃脑上,如图3所示。ADD与DLB的主要区域包括右侧小脑叶VIII、左侧小脑叶IX、右侧内嗅皮层、右侧中眶额回、双侧嗅皮层、桥脑、左侧辅助运动区、左侧蓝斑-内嗅皮层束和胼胝体压部。ADD与对照组的主要区域包括右侧杏仁核、右侧角回、左侧脚叶VIIb和VIII、双侧背侧齿状回、左侧Heschl回、左侧和右侧海马体以及右侧上枕回。DLB与对照组的主要区域包括背侧中脑被盖、左侧Heschl回、左侧和右侧苍白球、后部黑质、右侧下颞回、右侧上颞极、小脑叶VIII和IX以及胼胝体压部。对照组与ADD/DLB的主要区域包括左侧小脑脚II、左侧岛叶、右侧内侧额回、左侧中额回、左侧Heschl回、右侧海马旁回、左侧壳核和中颞叶。虽然我们仅描述了前10个区域,但SVM的预测并非仅基于这些区域,而是基于整个大脑中的FW和FAT值网络。特征权重并不隐含疾病组之间的关系,但确实表明了与FW或FAT升高相关的相对贡献。

**开放查看器**
**图3 玻璃脑表示的主要感兴趣区域(ROI)**
第一列显示前左视图,第二列显示后右视图。深红色区域表示正类的FW较高,橙色区域表示FAT较高;深蓝色区域表示负类的FW较低,浅蓝色区域表示FAT较低。FW和FAT区域之间没有重叠。(A)ADD vs DLB,(B)ADD vs 对照组,(C)DLB vs 对照组,(D)对照组 vs ADD/DLB。ADD = 阿尔茨海默病痴呆;DLB = 路易体痴呆;FAT = 自由水校正后的分数各向异性;FW = 自由水。

**开放查看器**
**表4 AIDD模型在13名患者中预测病理诊断的应用**
CERAD Thal阶段、Braak阶段、LB病理学、临床诊断与AIDD的比较结果显示,AIDD在13个大脑中正确预测了尸检确认的病理诊断(100%),包括8个LBD大脑和5个AD大脑。

**开放查看器**
**表4 中文注释**
AIDD模型在预测13名患者的病理诊断中的应用。本研究的优势包括使用临床和生物标志物信息来为机器学习(ML)建立可靠的真实诊断基础,利用来自三个独立联盟的大型回顾性队列数据,采用在三种不同但常见的扫描仪供应商上收集的单一、临床可行的扩散磁共振成像(diffusion MRI)扫描结果,并在具有神经病理学确认的阿尔茨海默病(AD)和路易体痴呆(LBD)的脑库队列中对AIDD进行了独立验证。目前FDA批准的疾病修饰疗法专门针对淀粉样蛋白,这种蛋白存在于所有ADD患者以及一半的DLB患者中。尽管抗淀粉样蛋白疗法可能对淀粉样蛋白阳性的DLB患者有益,但它们并未被批准用于除AD特异性淀粉样变性以外的其他情况。淀粉样蛋白状态可以通过血液检测、脑脊液检测或淀粉样蛋白PET扫描来确定,但这些检测方法并不特异于ADD。另一种检测方法DaTscan可以区分DLB和ADD,但其敏感性较低(77.7%)。尽管使用了淀粉样蛋白PET/SPECT和DaTscan,Armstrong等人观察到DLB专家最常选择MRI进行检查,尽管MRI无法确诊DLB。鉴于MRI的可用性,AIDD可以作为多种检测方法的替代方案,特别是放射学成像检测方法,与神经心理学评估结合使用。AIDD通过单次MRI扫描来区分ADD和DLB,而不是采用多种检测方法来评估β-淀粉样蛋白水平。

我们报告了关于ADD和DLB之间全脑纤维化(FWI)和机器学习(ML)的研究。已有研究使用T1加权MRI来研究ADD和DLB在结构特征(如皮质厚度)上的差异。Vemuri等人使用T1加权MRI进行ROI分析,结果显示AD的准确率为87%,LBD为95%,额颞叶退化为90%。Wang等人结合深度学习与T1加权测量方法,使用NACC和ADNI的队列数据,显示出AD的准确率为0.844,DLB为0.623。Lebedev等人利用皮质厚度来区分AD和DLB,结合测试数据集的AUC为0.731,而在一个队列上训练并在另一个队列上测试时分别为0.670和0.560。研究发现ADD患者的MTL萎缩比DLB和对照组更严重。Matsuda等人也同意这一观点,使用基于体素的形态测量法显示ADD患者的MTL退化更明显;然而,在210名患者的测试集中,AD和DLB之间的区分度为63.3%。特征权重分析表明,右侧和左侧MTL的FW升高更提示ADD,尽管嗅觉区域的FW升高对ADD和DLB的区分度最高。多项研究报告称DLB患者的海马体相对保留。使用传统扩散技术,DLB患者的桥脑和左侧丘脑的分数各向异性(FA)低于ADD患者。我们观察到桥脑的FA较低,但左侧丘脑的FA没有变化。此外,嗅觉区域的FW值升高提示DLB诊断。嗅觉皮层的退化与路易体病理相关的嗅觉减退和嗅觉丧失症状有关。总体而言,我们的结果与已报道的ADD和DLB之间的差异一致。

在ADD与对照组模型中,相对重要性最高的特征包括海马体、杏仁核、角回、背侧齿状回、钙结节沟以及小脑VIIb和VII小叶的FW,以及上枕叶和Heschl回的FAT。这些结果与研究AD病理变化的文献一致。边缘区域(尤其是海马体)的变化与AD病理相关。我们的结果显示海马体FW升高更提示ADD。其他排名前五的特征还包括杏仁核和胼胝体部分。我们发现右侧杏仁核的FW升高增加了ADD的概率,这一发现与神经病理学变化的相关文献一致。与对照组相比,胼胝体的FA和FAT较低。我们在DLB与对照组中观察到右侧楔前叶和扣带回的FA较低。此外,DLB患者左侧和右侧楔前叶的FW升高更提示DLB。多项研究报道DLB患者的海马体相对保留。使用传统扩散技术,DLB患者的桥脑和左侧丘脑的FA较低。我们观察到嗅觉区域的FW值升高提示DLB诊断。嗅觉皮层的退化与路易体病理相关的嗅觉减退和嗅觉丧失症状有关。总体而言,我们的结果与已报道的ADD和DLB之间的差异一致。

在ADD与对照组模型中,相对重要性最高的特征包括海马体、杏仁核、角回、背侧齿状回、钙结节沟以及小脑VIIb和VII小叶的FW,以及上枕叶和Heschl回的FAT。这些结果与研究AD病理变化的文献一致。边缘区域的变化,特别是海马体,与AD病理相关。我们的结果显示海马体FW升高更提示ADD。其他排名前五的特征还包括杏仁核和胼胝体部分。我们发现右侧杏仁核的FW升高增加了ADD的概率,这一发现与神经病理学变化的相关文献一致。与对照组相比,胼胝体的FA和FAT较低。我们在DLB与对照组中观察到右侧楔前叶和扣带回的FA较低。

在DLB与对照组模型中,最重要的特征包括背侧中脑被盖的FW和Heschl回的FW,以及苍白球、后部黑质、下颞叶、第八小脑叶、上颞极和胼胝体脾部的FAT。许多研究报道了DLB与对照组在多巴胺能通路上的差异,我们在中脑ROI中也观察到了这一点。其他相关区域还包括楔前叶和扣带回。我们看到右侧楔前叶的FA较低,扣带回更提示DLB。此外,我们在DLB与对照组中观察到左侧和右侧楔前叶的FW升高。这一结果与已发表的研究一致,包括楔前叶和扣带回皮层的FA降低,以及扣带回体积减小。将ADD和DLB组合并后,对照组与ADD和DLB模型显示岛叶、Heschl回和胼胝体膝部的FW升高,以及海马旁回和小脑II脚部的FW降低,左侧中额回和壳核的FAT增加,左侧中额回和左侧中颞回的FAT降低。MTL是一个关键关注点,其他研究也指出ADD和DLB的MTL萎缩更明显,而DLB的MTL比ADD更保留。对照组与ADD和DLB模型的性能低于一对一模型(ADD与对照组和DLB与对照组)。这可能是由于我们在合并ADD和DLB组时数据不平衡所致。数据不平衡可能导致少数类别(本例中为对照组)的性能不佳。

总体而言,这些区域与DLB和ADD的病理报告一致。此外,我们在13名经尸检确认诊断的ADD和DLB患者上测试了ADD与DLB模型。约80%的AD病理患者被临床诊断为皮质基底综合征(CBS),而25%的LBD患者被诊断为CBS。CBS的神经病理学基础非常多样,其中皮质基底退化最为常见,因此需要使用多种生物标志物进行区分。AIDD在一个小型病理队列中的准确率为100%,这表明其在无AD病理的DLB中具有很好的实用性。

本研究存在一些需要讨论的局限性。首先,我们定义的ADD和DLB的分界仅基于淀粉样蛋白阳性,并未评估临床队列的突触核蛋白状态。未来的研究可以探讨痴呆症状与淀粉样蛋白和突触核蛋白共病情况下AIDD概率之间的关系。其次,基于血液的生物标志物在淀粉样蛋白状态和认知衰退方面显示出巨大潜力。尽管当前研究未包括这些生物标志物,但未来的评估应结合AB42/40和ptau217值与AIDD进行评估。第三,该队列的种族和民族构成主要为非西班牙裔和白人,且DLB队列中男性比例较高。增加患者多样性可以提高研究的普遍性。此外,SVM模型是基于3T DWI扫描开发的,无法推广到1.5T和7T MRI扫描。最后,未来的工作将包括混合病理病例,例如淀粉样蛋白阳性的DLB,这是DLB临床人群的一部分。由于我们的研究排除了淀粉样蛋白阳性的DLB病例,当前的结果和性能可能被高估,不能完全适用于具有共病的DLB病例。未来的工作将纳入更多外部数据集以进行进一步验证。

本研究提供了概念验证证据,表明使用单一的、非侵入性的、非电离的、临床可行的扩散MRI扫描可以高精度地区分ADD和DLB患者。AIDD在经尸检确认的队列中显示出46.2%的诊断增益,对AD和LBD都有改善。如内嗅皮层、海马体和MTL等具有较高特征重要性的区域,在研究ADD、DLB和对照组成像差异的文献中得到了支持。

致谢
本手稿准备中使用的数据和生物样本来自帕金森病生物标志物计划(PDBP)联盟,该联盟得到了美国国立卫生研究院(NIH)国家神经疾病和中风研究所的支持。研究人员包括Roger Albin、Roy Alcalay、Alberto Ascherio、Thomas Beach、Sarah Berman、Bradley Boeve、F. DuBois Bowman、Shu Chen、Alice Chen-Plotkin、William Dauer、Ted Dawson、Paula Desplats、Richard Dewey、Ray Dorsey、Jori Fleisher、Kirk Frey、Douglas Galasko、James Galvin、Dwight German、Steven Gunzler、Lawrence Honig、Xuemei Huang、David Irwin、Kejal Kantarci、Anumantha Kanthasamy、Daniel Kaufer、Qingzhong Kong、James Leverenz、Allan Levey、Carol Lippa、Irene Litvan、Oscar Lopez、Jian Ma、Richard Mailman、Lara Mangravite、Karen Marder、Nandakumar Narayanan、Laurie Orzelius、Vladislav Petyuk、Judith Potashkin、Liana Rosenthal、Rachel Saunders-Pullman、Clemens Scherzer、Michael Schwarzschild、Nicholas Seyfried、Tanya Simuni、Andrew Singleton、David Standaert、Debby Tsuang、David Vaillancourt、Jerrold Vitek、David Walt、Andrew West、Cyrus Zabetian和Jing Zhang。PDBP的研究人员未参与数据分析或手稿内容的审查。该项目的数据收集和共享由阿尔茨海默病神经影像学计划(ADNI,NIH资助编号U01 AG024904)和DOD ADNI(国防部奖项编号W81XWH-12-2-0012)资助。ADNI由国家老龄化研究所、国家生物医学成像和生物工程研究所资助,并得到了以下机构的慷慨支持:AbbVie、阿尔茨海默病协会;阿尔茨海默病药物发现基金会;Araclon Biotech;BioClinica, Inc.;Biogen;Bristol-Myers Squibb Company;CereSpir, Inc.;Cogstate;Eisai Inc.;Eli Lilly and Company;EuroImmun;F. Hoffmann-La Roche Ltd及其子公司Genentech, Inc.;Fujirebio;GE Healthcare;IXICO Ltd.;Janssen Alzheimer Immunotherapy Research & Development, LLC.;Johnson & Johnson Pharmaceutical Research & Development LLC.;Lumosity;Lundbeck;Merck & Co., Inc.;Meso Scale Diagnostics, LLC.;NeuroRx Research;Neurotrack Technologies;Novartis Pharmaceuticals Corporation;Piramal Imaging;Servier;Takeda Pharmaceutical Company;以及Transition Therapeutics。加拿大卫生研究院为加拿大的ADNI临床站点提供资金支持。私营部门的贡献由国家卫生研究院基金会(fnih.org)协调。受资助组织是北加州研究与教育研究所,研究由南加州大学的阿尔茨海默病治疗研究所协调。ADNI数据由南加州大学的神经影像实验室分发。NACC数据库由NIA/NIH资助,资助编号为U24 AG072122。SCAN是一个多机构项目,由国家老龄化研究所于2020年5月作为U24资助(AG067418)提供资金。SCAN收集的数据由NACC共享,这些数据由NIA资助的ADRCs提供,具体如下:
- 亚利桑那阿尔茨海默病中心(Arizona Alzheimer’s Center):
- P30 AG072980(项目负责人:Eric Reiman,医学博士)
- R01 AG069453(项目负责人:Eric Reiman,医学博士)
- P30 AG019610(项目负责人:Eric Reiman,医学博士)
- 亚利桑那州政府也提供了额外资金支持我们的中心

- 波士顿大学(Boston University):P30 AG013846(项目负责人:Neil Kowall,医学博士)

- 克利夫兰阿尔茨海默病中心(Cleveland ADRC):P30 AG062428(项目负责人:James Leverenz,医学博士)

- 克利夫兰诊所拉斯维加斯分部(Cleveland Clinic, Las Vegas):P20AG068053

- 哥伦比亚大学(Columbia University):P50 AG008702(项目负责人:Scott Small,医学博士)

- 杜克大学/北卡罗来纳大学阿尔茨海默病中心(Duke/UNC ADRC):P30 AG072958

- 埃默里大学(Emory University):P30AG066511(项目负责人:Levey Allan,医学博士、哲学博士)

- 印第安纳大学(Indiana University):
- R01 AG19771(项目负责人:Andrew Saykin,心理学博士)
- P30 AG10133(项目负责人:Andrew Saykin,心理学博士)
- P30 AG072976(项目负责人:Andrew Saykin,心理学博士)
- R01 AG061788(项目负责人:Shannon Risacher,哲学博士)
- R01 AG053993(项目负责人:Yu-Chien Wu,医学博士、哲学博士)
- U01 AG057195(项目负责人:Liana Apostolova,医学博士)
- U19 AG063911(项目负责人:Bradley Boeve,医学博士)
- 印第安纳大学放射学与影像科学系(Indiana University Department of Radiology and Imaging Sciences)

- 约翰霍普金斯大学(Johns Hopkins University):P30 AG066507(项目负责人:Marilyn Albert,哲学博士)

- 梅奥诊所(Mayo Clinic):P30 AG062677(项目负责人:Ronald Petersen,医学博士、哲学博士)

- 西奈山医院(Mount Sinai):P30 AG066514(项目负责人:Mary Sano,哲学博士)
- R01 AG054110(项目负责人:Trey Hedden,哲学博士)
- R01 AG053509(项目负责人:Trey Hedden,哲学博士)

- 纽约大学(New York University):
- P30AG066512-01S2(项目负责人:Thomas Wisniewski,医学博士)
- R01AG056031(项目负责人:Ricardo Osorio,医学博士)
- R01AG056531(项目负责人:Ricardo Osorio,医学博士;Girardin Jean-Louis,哲学博士)

- 西北大学(Northwestern University):P30 AG013854(项目负责人:Robert Vassar,哲学博士)
- R01 AG045571(项目负责人:Emily Rogalski,哲学博士)
- R01 AG067781(项目负责人:Emily Rogalski,哲学博士)
- U19 AG073153(项目负责人:Emily Rogalski,哲学博士)
- R01 DC008552(项目负责人:M.-Marsel Mesulam,医学博士)
- R01 AG077444(项目负责人:M.-Marsel Mesulam,医学博士;Emily Rogalski,哲学博士)
- R01 NS075075(项目负责人:Emily Rogalski,哲学博士)
- R01 AG056258(项目负责人:Emily Rogalski,哲学博士)

- 俄勒冈健康与科学大学(Oregon Health and Science University):P30 AG008017(项目负责人:Jeffrey Kaye,医学博士)
- R56 AG074321(项目负责人:Jeffrey Kaye,医学博士)

- 拉什大学(Rush University):P30 AG010161(项目负责人:David Bennett,医学博士)

- 斯坦福大学(Stanford University):P30AG066515;P50 AG047366(项目负责人:Victor Henderson,医学博士、理学硕士)

- 阿拉巴马大学伯明翰分校(University of Alabama, Birmingham):P20

- 加利福尼亚大学戴维斯分校(University of California, Davis):
- P30 AG10129(项目负责人:Charles DeCarli,医学博士)
- P30 AG072972(项目负责人:Charles DeCarli,医学博士)

- 加利福尼亚大学欧文分校(University of California, Irvine):P50 AG016573(项目负责人:Frank LaFerla,哲学博士)

- 加利福尼亚大学圣地亚哥分校(University of California, San Diego):P30AG062429(项目负责人:James Brewer,医学博士、哲学博士)

- 加利福尼亚大学旧金山分校(University of California, San Francisco):P30 AG062422(项目负责人:Rabinovici, Gil D., 医学博士)

- 堪萨斯大学(University of Kansas):P30 AG035982(项目负责人:Russell Swerdlow,医学博士)

- 肯塔基大学(University of Kentucky):P30 AG028283-15S1(项目负责人:Linda Van Eldik,哲学博士;Brian Gold,哲学博士)

- 密歇根大学阿尔茨海默病中心(University of Michigan ADRC):
- P30AG053760(项目负责人:Henry Paulson,医学博士、哲学博士)
- P30AG072931(项目负责人:Henry Paulson,医学博士、哲学博士)
- Cure Alzheimer’s Fund 200775(项目负责人:Henry Paulson,医学博士、哲学博士)
- U19 NS120384(项目负责人:Charles DeCarli,医学博士;密歇根大学现场负责人:Henry Paulson,医学博士、哲学博士)
- R01 AG068338(项目负责人:Bruno Giordani,哲学博士;Carol Persad,哲学博士;Yi Murphey,哲学博士)
- S10OD026738-01(项目负责人:Douglas Noll,哲学博士)
- R01 AG058724(项目负责人:Benjamin Hampstead,哲学博士)
- R35 AG072262(项目负责人:Benjamin Hampstead,哲学博士)
- W81XWH2110743(项目负责人:Benjamin Hampstead,哲学博士)
- R01 AG073235(项目负责人:Nancy Chiaravalloti;密歇根大学现场负责人:Benjamin Hampstead,哲学博士)
- 1I01RX001534(项目负责人:Benjamin Hampstead,哲学博士)
- IRX001381(项目负责人:Benjamin Hampstead,哲学博士)

- 新墨西哥大学(University of New Mexico):P20 AG068077(项目负责人:Gary Rosenberg,医学博士)

- 宾夕法尼亚大学(University of Pennsylvania):
- 州政府项目:2019NF4100087335(项目负责人:David Wolk,医学博士)
- Rooney家族研究基金(Rooney Family Research Fund)(项目负责人:David Wolk,医学博士)
- R01 AG055005(项目负责人:David Wolk,医学博士)

- 匹兹堡大学(University of Pittsburgh):P50 AG005133(项目负责人:Oscar Lopez,医学博士)

- 南加州大学(University of Southern California):P50 AG005142(项目负责人:Helena Chui,医学博士)

- 华盛顿大学(University of Washington):P50 AG005136(项目负责人:Thomas Grabowski,医学博士)

- 威斯康星大学(University of Wisconsin):P50 AG033514(项目负责人:Sanjay Asthana,医学博士、FRCP)

- 范德比尔特大学(Vanderbilt University):P20 AG068082

- 韦克森林大学(Wake Forest University):P30AG072947(项目负责人:Suzanne Craft,哲学博士)

- 华盛顿大学圣路易斯分校(Washington University, St. Louis):
- P01 AG03991(项目负责人:John Morris,医学博士)
- P01 AG026276(项目负责人:John Morris,医学博士)
- P20 MH071616(项目负责人:Dan Marcus)
- P30 AG066444(项目负责人:John Morris,医学博士)
- P30 NS098577(项目负责人:Dan Marcus)
- R01 AG021910(项目负责人:Randy Buckner)
- R01 AG043434(项目负责人:Catherine Roe)
- R01 EB009352(项目负责人:Dan Marcus)
- UL1 TR000448(项目负责人:Brad Evanoff)
- U24 RR021382(项目负责人:Bruce Rosen)
- Avid Radiopharmaceuticals/Eli Lilly

- 耶鲁大学(Yale University):P50 AG047270(项目负责人:Stephen Strittmatter,医学博士、哲学博士)
- R01AG052560(项目负责人:Christopher van Dyck,医学博士;Richard Carson,哲学博士)
- R01AG062276(项目负责人:Christopher van Dyck,医学博士)

- 佛罗里达大学(University of Florida):P30AG066506-03(项目负责人:Glenn Smith,哲学博士)
- P50 AG047266(项目负责人:Todd Golde,医学博士、哲学博士)
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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