《Neurobiology of Disease》:Multiscale multimodal graph convolutional networks for identifying essential tremor and dystonic tremor
编辑推荐:
背景
特发性震颤(Essential Tremor, ET)与肌张力障碍性震颤(Dystonic Tremor, DT)具有重叠的运动症状,导致频繁误诊。结合Transformer架构的多模态图卷积网络(Graph Convolutional Networks
背景
特发性震颤(Essential Tremor, ET)与肌张力障碍性震颤(Dystonic Tremor, DT)具有重叠的运动症状,导致频繁误诊。结合Transformer架构的多模态图卷积网络(Graph Convolutional Networks, GCNs)在早期诊断和病理机制探索中具有潜力。
目的
旨在开发一种利用结构和功能连接特征的多尺度多模态GCN(MM-GCN),并识别ET和DT的影像生物标志物。
方法
研究人员收集了静息态功能磁共振成像(rs-fMRI)、扩散张量成像(DTI)和结构磁共振成像(sMRI)数据,并利用Jensen-Shannon散度(JSD)为每个受试者构建了八个区域间相似性矩阵(灰质体积GM、各向异性分数FA、平均扩散率MD、径向扩散率RD、轴向扩散率AD、局部一致性ReHo、度中心性DC和低频振幅分数fALFF)。这些矩阵被输入到带有多模态注意力融合的GCN架构中,并在三个空间尺度上应用于二元分类任务(ET vs. 健康对照HC、DT vs. HC、ET vs. DT)。最后,使用梯度加权类激活映射(Grad-CAM)估计节点和边缘的重要性以进行可解释性分析,同时进行了图论(Graph Theory, GT)和相关分析以对MM-GCN识别的判别性脑区进行事后验证。
结果
所有MM-GCN模型均表现出较强的分类性能,DT vs. HC的最高平均准确率为95.24%,ET vs. HC为85.45%,ET vs. DT为97.27%。最具判别性的脑区主要定位于丘脑和基底节,以及小脑运动和感觉运动皮质网络。相关分析显示,两个显著脑区的节点效率与临床特征显著相关。
结论
MM-GCN模型展示了对ET和DT进行鉴别的强大诊断能力。该研究揭示了小脑-丘脑-皮质(cerebello-thalamo-cortical, CTC)环路在两种疾病中的参与,推进了对两者病理生理学的多模态影像洞察。
论文解读:基于多尺度多模态图卷积网络的特发性震颤与肌张力障碍性震颤鉴别诊断研究
研究背景与意义
特发性震颤(ET)和肌张力障碍性震颤(DT)是临床最常见的运动障碍性疾病,二者具有截然不同的病因和病理生理机制,但临床表现存在显著重叠,导致鉴别诊断极具挑战性。尽管已有国际共识标准,但约8%的DT病例初期被误诊为ET,且近半数肌张力障碍患者伴有震颤症状,使得传统的基于症状的诊断方法面临瓶颈。此外,目前缺乏可靠的客观生物标志物和脑网络机制研究,特别是涉及多模态功能连接(FC)和结构连接(SC)整合及其网络交互的机制尚不明确。磁共振成像(MRI)虽已广泛应用于神经退行性疾病的神经基质研究,但既往研究多局限于单一模态和群体水平的统计分析,难以揭示个体化的病理生理信息。因此,本研究旨在构建一种多尺度多模态图卷积网络(MM-GCN)框架,以解决ET与DT的早期精准诊断难题,并深入探索其潜在的神经影像机制。该研究成果发表于《Neurobiology of Disease》。
关键技术方法
本研究共纳入54例ET患者、52例DT患者及53名年龄和性别匹配的健康对照(HC)。研究人员采集了所有受试者的3D T1加权成像、rs-fMRI和DTI数据。基于Dosenbach-160图谱将大脑划分为160个感兴趣区(ROI),利用Jensen-Shannon散度(JSD)计算了包括GM、FA、MD、RD、AD、ReHo、DC和fALFF在内的八种模态的区域间相似性矩阵。随后构建了多尺度(全脑水平、网络间水平和网络内水平)多模态图卷积网络(MM-GCN),并结合Transformer架构进行跨模态特征融合。模型通过网格搜索和五折交叉验证确定最优超参数,并采用梯度加权类激活映射(Grad-CAM)和图论(GT)方法进行模型解释性与生物学验证。
研究结果
1. 人口统计学与临床特征
三组受试者在年龄、教育程度和利手方面无显著差异。然而,性别分布、吸烟史、汉密尔顿焦虑量表(HAMA)、汉密尔顿抑郁量表(HDMD)及简易精神状态检查(MMSE)评分在三组间存在显著差异。此外,患者组在震颤类型、震颤对称性、Fahn-Tolosa-Marin震颤评定量表(TRS)各部分评分及Essential Tremor Rating Assessment Scale(TETRAS)评分上也存在显著差异。
2. 分类性能
MM-GCN模型在所有二元分类任务中均表现出良好性能。具体而言,在DT vs. HC分类中,网络内模型表现最佳,平均准确率(mACC)达到95.24%;在ET vs. HC分类中,全脑模型表现最优,mACC为85.45%;而在ET vs. DT分类中,网络内模型达到了最高的97.27%的mACC。这表明多尺度建模能够有效捕捉不同层次的脑网络异常。
3. 判别特征的贡献
3.1 判别节点
可视化结果显示,在DT vs. HC比较中,全脑水平判别性区域包括左侧脑岛后部、右侧基底节、左侧小脑下部等;在ET vs. HC中,左侧腹侧额叶皮层(vFC)、左侧丘脑和左侧小脑后部是关键区域;而在ET vs. DT中,右侧小脑外侧、右侧基底节和左侧丘脑成为核心判别节点。
3.2 显著连接
Circos图分析表明,DT与HC相比,最显著的连接集中在左侧丘脑,包括其与小脑、基底节及顶叶的连接。ET与HC相比,则以左侧vFC为核心,与丘脑及小脑的连接权重最高。ET与DT相比,右侧丘脑作为核心枢纽,连接了左侧顶叶和小脑。总体而言,小脑的连接异常是两种疾病的共同特征,而vFC和基底节分别与ET和DT的特定脑网络异常相关。
4. 显著脑区识别结果
t检验结果显示,全脑模型识别出的前五个脑区中,大多数区域的节点效率(aNe)在组间存在显著差异。相关分析进一步揭示,在DT患者中,右侧基底节的aNe与震颤频率呈显著正相关;而在ET患者中,右侧小脑外侧的aNe与TRS评分呈显著负相关。这证实了模型识别出的脑区具有明确的神经病理学意义。
讨论与结论总结
本研究首次将多模态MRI数据与异构图卷积网络框架相结合,成功区分了ET、DT和HC。研究发现,MM-GCN模型不仅在分类性能上表现卓越,更重要的是揭示了两种震颤障碍共有的及特异性的神经环路机制。研究证实,小脑-丘脑-皮质(CTC)环路的功能障碍是ET和DT的共同病理基础,这与既往关于小脑在震颤生成中作用的研究一致。同时,研究指出了疾病特异性差异:ET更多涉及额顶叶网络(FPN)和腹侧额叶皮层(vFC)的异常,反映了其非运动症状及高级认知控制缺陷的神经基础;而DT则主要表现为基底节-丘脑-皮质(BGTC)网络的异常,特别是基底节节点效率与震颤频率的直接关联,强调了其在DT运动规划和执行中的关键作用。此外,枕叶网络在两种疾病的视觉反馈调节中也扮演了重要角色。综上所述,该研究提出的MM-GCN模型为ET和DT的个体化精准诊断提供了强有力的工具,并通过多模态网络分析深化了对这两种疾病病理生理机制的理解,即它们不仅是经典的震颤回路障碍,更是涉及广泛全脑网络异常的疾病实体。