《NeuroImage: Clinical》：Tensor-derived diffusion MRI metrics and NODDI in multiple sclerosis classification
编辑推荐：
**摘要**
**背景**：多房室扩散模型和多壳层采集越来越多地被用于克服常规扩散张量成像的局限性，但需要更长的扫描时间和更复杂的处理流程。与此同时，扩散MRI分类研究往往依赖于一组狭窄的张量导出指标，尤其是各向异性分数（FA）。研究人员研究了更广泛地使用张
**摘要**
**背景**：多房室扩散模型和多壳层采集越来越多地被用于克服常规扩散张量成像的局限性，但需要更长的扫描时间和更复杂的处理流程。与此同时，扩散MRI分类研究往往依赖于一组狭窄的张量导出指标，尤其是各向异性分数（FA）。研究人员研究了更广泛地使用张量导出特征（包括形状描述符）是否能在不增加采集复杂性的情况下提高分类性能。
**方法**：研究人员采集了220名参与者的多壳层扩散MRI（b=0、1000和2000 s/mm2），包括84名健康对照和136名复发缓解型多发性硬化患者。从98个自动分割的脑区中提取了13个张量导出指标和3个神经突方向离散度与密度成像（NODDI）指标。在重复分层交叉验证框架内，使用L2正则化逻辑回归进行分类。
**结果**：包含各向异性分数（FA）、平均扩散率（MD）、球形各向异性（CS）和线性各向异性（CL）的四指标组合达到了0.967的AUC，高于仅使用FA的结果（0.922），与完整的13指标表示相当。点估计增益集中在线性各向异性上；球形各向异性并未提高性能。在匹配维度下，NODDI未显示出优势；单壳层产生相似的点估计，未检测到显著差异。去除病灶体素仅在白质中降低了性能，但分类仍远高于偶然水平。自由水校正和年龄、性别及颅内体积的校正并未改善分类。
**结论**：在这项基于ROI的扩散MRI分类研究中，更广泛地使用常规张量导出信息显示出与更复杂表示相似的队列内区分能力。线性各向异性（CL）由已有的特征值计算得出，无需额外的扩散对比度即可补充信息。这些发现支持在采用更复杂的扩散MRI框架之前，先更全面地利用常规张量导出特征。
**基于张量扩散指标的全面利用在多发性硬化分类中的价值：一项系统比较研究**
**一、研究背景与目的**
扩散张量成像（DTI）作为活体探测组织微结构的核心技术，其导出指标各向异性分数（FA）近三十年来一直是应用最广泛的标量指标。尽管FA对多种组织改变具有敏感性，但其无法区分髓鞘脱失、轴突损伤、纤维方向复杂性、细胞外水及脑脊液部分容积效应等不同病理生理来源的重叠影响。这种生物学特异性的局限促使了多房室模型的发展，如神经突方向离散度与密度成像（NODDI）和自由水消除方法。然而，这些方法需要多壳层采集数据支持，增加了采集时间和处理复杂性，并且附加了模型假设。在多发性硬化（MS）研究中，病理过程涵盖局灶性炎性脱髓鞘病灶、弥漫性白质损伤、皮层及深部灰质受累等复杂改变，任何单一指标都难以全面反映。既往分类研究通常仅依赖FA和平均扩散率（MD）等少数指标，而张量特征值本身可导出包括轴向/径向扩散率、线性/平面/球形各向异性（CL、CP、CS）及旋转不变量（I1-I4）在内的更广泛的标量汇总。本研究旨在系统评估在相同分类框架下，更全面地利用常规张量导出特征能否在不增加采集复杂性的前提下，达到甚至超越NODDI等复杂模型对HC与复发缓解型多发性硬化（RRMS）的区分能力。具体目标包括：确定具有判别信息的张量指标组合并将其与匹配特征维度下的NODDI进行比较；测试单壳层与多壳层采集方案；量化NODDI自由水校正的影响；评估年龄、颅内体积、病灶及组织特异性效应；识别贡献最大的脑区及其贡献方向。
**二、主要技术方法**
本研究采用单中心前瞻性设计，于2021年1月至2022年1月间在University Hospital连续招募RRMS患者，并招募健康志愿者作为对照，最终纳入220名参与者（84名健康对照，136名RRMS患者）。所有受试者在同一台3T MAGNETOM Vida Fit扫描仪上接受多壳层扩散加权成像采集（b=0、1000、2000 s/mm2，每壳层20个梯度方向，体素大小2.5×2.5×2.5 mm3）。图像预处理包括局部PCA去噪、吉布斯振铃抑制、涡流和运动校正、强度不均一校正，使用SynthSeg获得98个自动分割脑区。扩散张量通过χ2最小化估计，从中计算13个张量导出指标；NODDI参数使用AMICO框架从多壳层数据中估计，包括神经突密度指数（NDI）、方向离散度指数（ODI）和自由水分数（FWF）。分类采用L2正则化逻辑回归（C=0.1），在5×5重复分层交叉验证框架下进行，以AUC为主要评价指标。通过参与者级bootstrap进行统计推断，并预先设定了25个对比假设，采用Benjamini-Hochberg FDR校正。
**三、研究结果**
**1. 单一指标判别性能**：FA在所有采集协议上均达到最高分类性能（AUC范围0.917-0.929）。在多壳层协议上，指标排序为：FA（0.922）、CS（0.915）、λ3（0.911）、CL（0.907）、CP（0.901）、λ2（0.898）、RD（0.885）、AD（0.880）等。NODDI指标中NDI达到0.912，排名低于FA但高于大多数张量指标；ODI（0.891）和FWF（0.804）低于所有领先张量指标。配对bootstrap比较确认FA在数值上优于所有NODDI指标。
**2. 指标组合**：预先指定的FA+MD+CS+CL四指标组合（392个特征）在多壳层协议上达到AUC 0.967，较单独FA提高0.045，与完整13指标模型（0.966）相当。通过条件分析确定，增益主要来自线性各向异性CL（增加CL提高0.010），而球形各向异性CS不增加性能（ΔAUC=-0.001）。三指标替代模型（FA+MD+CL，294个特征）达到0.968，以少25%的特征匹配了四指标模型。
**3. 单壳层与多壳层比较**：25个预先指定的对比中，仅3个在FDR校正后达到显著，均涉及b=2000时减少至6方向：FA单独（ΔAUC=-0.062）、FA与其全方向对应（-0.057）、FA+MD与其全方向对应（-0.025）。全方向单壳层与多壳层之间无显著差异：四指标模型下ss-b2000为0.964 vs 多壳层0.967（p=0.379），ss-b1000为0.960（p=0.210）。合并两个单壳层特征向量无增益（0.966 vs 0.967）。
**4. 自由水校正效应**：在多数指标和组合中自由水校正降低了判别性能。多壳层上最大降幅见于λ3（-0.025）、λ2（-0.024）和FA（-0.023），而轴向扩散率增加（+0.034）。四指标模型从0.967降至0.955，15个组合对比中无一在FDR校正后显著。
**5. 最具判别性的脑区**：基于平均绝对逻辑回归系数，右海马体排名第一，其次为左缘上回、左内侧眶额皮层、第四脑室、右梭状回和左大脑白质。方向分析显示，MD和RD在患者中一致升高（中位Cohen's d分别为+0.80和+0.81），而FA和形状描述符呈区域混合方向。这种扩散率与各向异性指标的分离模式解释了组合优于单一指标的现象。
**6. 病灶掩膜与组织特异性**：去除白质病灶体素对全脑分类影响极小（0.967至0.965，ΔAUC=-0.002），对皮层（0.937至0.937）和皮层下结构（0.909至0.909）无影响。效应局限于白质：扩展白质从0.867降至0.858，大脑白质从0.837降至0.812，但去除病灶后仍远高于偶然水平。单独组织类别模型显示：皮层0.937、皮层下结构0.909、扩展白质0.867、脑室区域0.821，说明没有单一房室能完全解释分类结果。
**7. 混杂因素稳健性**：对ICV、年龄、性别进行线性回归校正后，所有16种组合的最大绝对AUC变化为0.005，所有bootstrap置信区间均包含零，表明分类性能对这些人口统计学因素不敏感。
**四、讨论与结论**
本研究表明，更全面地利用常规张量导出信息可达到与更复杂模型相当的HC-vs-MS分类性能。FA+MD+CL三指标组合（AUC 0.968）以较少的特征实现了与完整13指标模型相当的性能，其中CL是增益的关键贡献者。这种增益可能源于扩散率指标（MD、RD）在整个脑中一致升高的全局信号与张量形状描述符（CL）反映局部纤维结构依赖的区域特异性信号的互补性。NODDI指标在这项分类任务中未显示优势，但研究人员指出这可能是诊断敏感性与生物特异性之间的差异：FA的非特异性恰好使其聚集了多种病理信号，而NODDI将信号分解为更窄的组分；在需要生物学表征的场景下NODDI可能仍有价值。自由水校正降低性能的现象提示，未校正FA中的部分判别信号可能来自自由水污染，这虽缺乏生物特异性但本身可能追踪病理过程。单壳层采集在完整角向采样下表现与多壳层相当，这如能重复将支持现有单壳层数据的更广泛应用。研究局限包括单中心设计、ROI而非体素分析、限于先验指标组合、以及无独立验证队列，所有估计反映内部而非外部验证。未来研究应检查b矩阵校正对多协议间的扩散生物标志物及分类性能的影响。
研究人员得出结论：在采用更复杂的扩散MRI框架之前，更全面地利用常规张量导出特征（尤其是线性各向异性）是值得优先考虑的策略。计算现有特征值导出的形状描述符所需额外工作量极小，却可能利用到被惯例忽视的判别信息。这一原则——在增加采集复杂性之前先从现有数据中提取更丰富的信息——可作为扩散分类管线合理的出发点。
