针对老龄化和阿尔兹海默症的神经影像学指标分析突破
2018-12-21

随着全球范围内老龄化趋势的发展,老年人数量正不断增加,老年痴呆疾病也呈持续增长的趋势。正常脑老化和伴随着老龄化的阿尔兹海默症(AD)均会对脑的结构及功能造成较大影响。目前,分析正常的大脑老化机理及AD的大脑变化机理,已成为老年人群研究的热点。然而对于脑老化的定量分析及痴呆疾病的早期诊断,目前仍然没有绝佳标准。近年来,神经影像学在大脑研究中的作用愈发显著,相关影像学指标有望为进一步理解大脑机理提供重要依据。

最近,北京航空航天大学刘涛老师团队与新南威尔士大学、悉尼大学、首都医科大学附属北京天坛医院合作,利用纵向磁共振影像数据研究了正常老年人的脑沟形态学变化轨迹。他们运用自动算法从T1加权核磁影像中提取出16条(8对)脑沟,计算了这些脑沟的宽度和深度,并用线性混合模型对每条脑沟的宽度和深度变化进行分析。研究发现,大部分脑沟宽度随年龄的增长呈加速增大趋势:其中五条脑沟呈现三次变化;六条呈现二次变化;另外五条呈现线性变化。同时他们发现有三条脑沟的深度随年龄增长呈显著的线性减小趋势,有一条脑沟的深度呈二次变化趋势。此外,他们还发现脑沟宽度的非线性变化的转折点存在于75-80岁之间,这一重大发现预示了该年龄段发生皮层加速萎缩的可能性。该研究为未来的老年人神经认知障碍和神经退行性疾病的影像学指标研究奠定了重要的基础。该成果发表在目前SCI神经影像分区(NEUROIMAGING,SCI JCR分区)排名第一的权威杂志《Neuroimage》上(Shen et al., 2018,IF 5.8)。

图1 8条脑沟的宽度和深度被提取流程

刘涛老师团队在运用机器学习方法分析神经影像方面也取得了重要进展。一项研究利用脑沟宽度、皮层厚度、皮层体积、皮层下结构体积等指标训练机器学习分类器以识别早期阶段的AD。通过比较三种机器学习分类器(朴素贝叶斯,逻辑回归,支持向量机)的分类性能,他们发现分类器对分类结果没有显著影响,而应用不同指标的分类结果则有显著的差异:脑沟指标的分类结果优于或接近其他指标的分类结果;整体脑沟指数(g-SI)和外侧裂宽这两个脑沟指标是最为敏感的,有望作为识别早期AD的神经解剖学标志物(Cai et al., 2017)。该成果为早期阿尔兹海默症诊断的方法提供了新的思路。另一方面,为了对痴呆疾病进行更有针对性的干预和治疗,该团队利用机器方法对轻度认知障碍(MCI,AD的前驱期)的两种不同亚型(遗忘型轻度认知障碍aMCI、非遗忘型轻度认知障碍naMCI)进行了分类研究。他们从纵向核磁影像数据中计算了基于皮层表面的指标,并引入特征选择算法识别出了一系列具有判别效力的指标。结果显示,基线指标在对aMCI和naMCI的分类中取得了最好的结果。在对MCI亚型分类有效的指标中,海马,杏仁核,额极具有最好的判别效力。另外,通过进一步研究这些指标的时间变化模式,他们还发现了多个MRI标志物随时间的动态变化,这些变化反应了认知障碍发展进程(图2)。对这些关键标志物的动态变化模式的研究有助于更好地探究认知障碍及痴呆疾病的机理,并发展稳定有效的标志物。该研究成果发表在老年医学权威杂志《Frontiers in Ageing Neuroscience》上(Guan et al., 2017,IF 4.5)。

图2 MCI亚型分类标志物的动态变化能够反应认知障碍发展进程。

脑白质疏松(leukoaraiosis,LA),又称白质高信号(white matter hyperintensity,WMH),是老龄疾病的重要早期特征。但目前对于WMH尚未有十分精准的全自动定量分析方法。刘涛老师团队联合新南威尔士大学设计了一种创新的基于簇的WMH提取算法(图3),并在此基础上研发了一套用于精细化分割WMH的工具软件。对比该方法的自动分割结果与医生手工分割的结果表明,该方法的分割效果是非常优秀的(相似性指数(SI) = 0.848;组内关联系数(ICC) = 0.985)。该成果为老龄化疾病的影像学分析提供了有力的技术支持。该项成果于2018年发表在神经影像领域著名期刊《Neuroimage》上(Jiang et al., 2018,IF 5.8)。

图3 WMH提取流程

综上,这些研究为揭示人脑老化机理提供了重要的科学参考,为实现神经认知障碍疾病的早期筛查提供了新的方向。

刘涛,生物与医学工程学院,副教授,卓越百人,E-mail:tao.liu@buaa.edu.cn

(撰稿:李琼阁,关豪)

参考文献

[1]Shen, X., Liu, T.*, Tao, D., Fan, Y., Zhang, J., Li, S., Jiang, J., Zhu, W., Wang, Y., Wang, Y., Brodaty, H., Sachdev, P., Wen, W., 2018. Variation in longitudinal trajectories of cortical sulci in normal elderly.Neuroimage,166, 1-9.

[2]Jiang, J., Liu, T.*, Zhu, W., Koncz, R., Liu, H., Lee, T., Sachdev, P.S., Wen, W.*, 2018. UBO Detector–A cluster-based, fully automated pipeline for extracting white matter hyperintensities.Neuroimage, 174, 539-549.

[3]Cai, K., Xu, H., Guan, H., Zhu, W., Jiang, J., Cui, Y., Zhang, J., Liu, T.*, Wen, W., 2017.Identification of Early-Stage Alzheimer's Disease Using Sulcal Morphology and Other Common Neuroimaging Indices.PLoS One12, e0170875.

[4]Guan, H., Liu, T.*, Jiang, J., Tao, D., Zhang, J., Niu, H., Zhu, W., Wang, Y., Cheng, J., Kochan, N.A., Kochan, N.A., Brodaty, H., Sachdev, P., Wen, W., 2017. Classifying MCI Subtypes in Community-Dwelling Elderly Using Cross-Sectional and Longitudinal MRI-Based Biomarkers.Frontiers in Aging Neuroscience,9, 309.