基于磁敏感加權(quán)成像的黑質(zhì)影像組學診斷帕金森病的研究

谷翔，彭明洋，陳宇辰，殷信道，陳國中，任軍*

0 前言

帕金森?。≒arkinson's disease, PD）作為神經(jīng)退行性疾病的第二常見疾病，其患病率隨著年齡的增長而增加，致使患者的生活質(zhì)量下降、死亡率增加[1]。因此，早期準確診斷PD并進行相應(yīng)的干預至關(guān)重要。然而，PD 的臨床表現(xiàn)具有較大的異質(zhì)性，臨床早期準確診斷困難。研究顯示PD 的特征是黑質(zhì)神經(jīng)元的缺失[2]。神經(jīng)成像尤其是磁敏感加權(quán)成像（susceptibility-weighted imaging, SWI）可評估黑質(zhì)神經(jīng)元的損失[3-5]。燕尾征消失，即在SWI上健康的黑質(zhì)體消失，已被證明是診斷PD 的影像征象[6-7]。然而，由于較低的特異性和準確性及較強的主觀性，使其臨床應(yīng)用受到限制。影像組學可從影像中提取肉眼無法識別的高通量信息，為臨床決策提供準確信息[8-9]。本研究擬基于SWI 圖像提取黑質(zhì)影像組學特征，并應(yīng)用機器學習方法，構(gòu)建PD 的診斷模型，并與人工識別的燕尾征診斷PD 進行比較，旨在達到早期準確診斷PD的目的。

1 材料與方法

1.1 研究對象

回顧性分析2020 年1 月至2023 年1 月在南京市第一醫(yī)院接受腦部MRI（包括SWI 序列）的PD 早期患者的臨床及影像資料。所有患者均符合英國帕金森病學會腦庫帕金森病臨床診斷標準，且Hoehn-Yahr分期為0～2 期[10]。有其他神經(jīng)和精神疾病史以及繼發(fā)性或非典型PD 的患者排除在外。同時招募年齡和性別匹配的健康受試者作為對照，所有健康受試者均接受相同的腦部MRI（包括SWI 序列）。本研究遵守《赫爾辛基宣言》，經(jīng)南京市第一醫(yī)院倫理委員會批準，批準文號：2022-664，所有患者及健康受試者均已簽署知情同意書。最終共納入80 例PD 患者和80 例健康受試者。將PD 患者和健康受試者按7∶3 的比例隨機分為訓練組（n=112）和測試組（n=48）。

1.2 檢查方法

采用西門子3.0 T MRI（Magnetom Prisma,Siemens Healthineer）掃描設(shè)備。掃描序列包括T1WI、T2WI、SWI。SWI 掃描參數(shù)如下：TR 27 ms，TE 20 ms，翻轉(zhuǎn)角15°，F(xiàn)OV 220 mm×220 mm，層厚2 mm，層面內(nèi)分辨率0.9 mm×0.9 mm×2.0 mm。

1.3 影像分析

燕尾征表現(xiàn)為在SWI 序列上高信號結(jié)構(gòu)，呈線性、逗號或楔形，兩側(cè)以低信號結(jié)構(gòu)（緊密部黑質(zhì)和內(nèi)側(cè)丘系）為邊界[11]。由2名具有10年工作經(jīng)驗的神經(jīng)放射學診斷醫(yī)師采用雙盲法對患者和受試者的SWI 評估是否存在燕尾征，雙側(cè)不存在、單側(cè)不存在或微弱存在則認為燕尾征消失判定為PD，雙側(cè)存在則認為燕尾征陽性判定為健康受試者，評估結(jié)果存在分歧時由另一位具有20年工作經(jīng)驗的神經(jīng)放射學診斷醫(yī)師共同協(xié)定。

1.4 影像組學特征提取及篩選

1.4.1 感興趣區(qū)勾畫

使用ITK-SNAP 軟件（版本3.4.0，http://www.itksnap.org）逐層手動勾畫SWI 兩側(cè)黑質(zhì)區(qū)作為感興趣區(qū)（volume of interests, VOIs）（圖1）。由上述1 名具有10 年工作經(jīng)驗的神經(jīng)放射學診斷醫(yī)師進行VOIs的勾畫，并由上述另一名具有10年工作經(jīng)驗的神經(jīng)放射學診斷醫(yī)師進行核對；（2）特征提取及篩選：使用PyRadiomics 軟件（version: 3.0.1,https://pyradiomics.readthedocs.io/en/latest/）提取特征。影像組學特征包含形態(tài)學特征、一階特征（first order）和紋理特征等共1132個特征。采用最小絕對收縮與選擇算子（least absolute shrinkage and selection operator, LASSO）選取與PD 密切相關(guān)的影像組學特征。LASSO 通過構(gòu)造懲罰函數(shù)得到一個較為精練的模型，壓縮一些回歸系數(shù)，并設(shè)定一些回歸系數(shù)為零。采用10倍交叉驗證對模型參數(shù)進行最優(yōu)化。

圖1 磁敏感加權(quán)成像黑質(zhì)感興趣區(qū)勾畫示意圖。1A～1B：帕金森病患者黑質(zhì)感興趣區(qū)勾畫，左側(cè)燕尾征消失（箭）（1A）；1C～1D：健康受試者黑質(zhì)感興趣區(qū)勾畫，雙側(cè)燕尾征存在（1C）。Fig.1 Schematic diagram of volumes of interest delineation of substantia nigra on susceptibility-weighted imaging (SWI) images.1A-1B: The volumes of interest delineation of substantia nigra on SWI images in Parkinson's disease patients, absence of the swallow tail sign in the left side (arrow) (1A).1C-1D: The volumes of interest delineation of substantia nigra on SWI images in the health controls, normal swallow tail sign on both sides (1C).

1.5 模型構(gòu)建

應(yīng)用5 個常見的分類器[支持向量機（support vector machine, SVM）、邏輯回歸（logistic regression,LR）、隨 機 森 林（random forest, RF）、貝 葉 斯（Bayesian, Bayes）、K 近 鄰（K-nearest neighbor,KNN）]對篩選的特征進行機器學習，構(gòu)建模型。每個模型構(gòu)建100 次，并計算相應(yīng)的100 個曲線下面積（area under the curve, AUC）。使用以下公式計算相對標準差（relative standard deviations,RSD）：

其中σAUC 表示100 個AUC 值的標準差，μAUC 是這100 個AUC 值的平均值。RSD 越小，模型越穩(wěn)定。在上述過程中，選擇最穩(wěn)定的模型（AUC的RSD值最小的模型）作為最終模型，并在測試集中進行驗證。

1.6 統(tǒng)計學分析

統(tǒng)計學分析均使用R 軟件（4.0.3 版）。應(yīng)用Kolmogorov-Smimov 檢驗計量資料是否符合正態(tài)分布，正態(tài)分布的計量資料以均數(shù)±標準差表示并用獨立樣本t檢驗分析；計數(shù)資料采用例（%）表示并用卡方檢驗分析。應(yīng)用Kappa 一致性檢驗評估觀察者間的一致性。應(yīng)用pROC 軟件包進行ROC 曲線分析。應(yīng)用AUC、準確度、敏感度、特異度等評價指標評估模型。人工識別與機器學習模型效能間比較采用DeLong檢驗。P＜0.05表示差異有統(tǒng)計學意義。

2 結(jié)果

2.1 人工識別PD結(jié)果

共160例研究對象納入分析，經(jīng)人工識別為PD的對象為60例（PD組），正常受試者為100例（對照組），觀察者間一致性為k=0.80（95%CI: 0.76-0.83）。在訓練集和測試集中，PD 組與對照組組間性別、年齡差異均無明顯統(tǒng)計學意義（P＞0.05）（表1）。ROC 曲線分析顯示人工識別燕尾征診斷PD 的AUC 為0.750，敏感度和特異度分別為67.9%、82.1%（表2）。

表1 PD組和對照組的臨床基線資料比較Tab.1 Comparison of basic clinical data between PD and controls group

表2 人工識別和五種機器學習方法診斷PD的效能Tab.2 Efficacy of visual analysis and five machine learning methods in diagnosing PD

2.2 影像組學特征提取

SWI黑質(zhì)區(qū)共提取的1132個特征經(jīng)方差分析+秩和檢驗后剩下172 個，Spearman 相關(guān)性檢驗后剩下37個，最后使用LASSO降維后選擇的特征數(shù)為7個，包含2個形態(tài)學特征、1個一階特征、2個灰度共生矩陣特征（gray-level co-occurrence matrix, GLCM）、1 個灰度尺寸區(qū)域矩陣（gray-level size zone matrix,GLSZM）、1 個灰度相關(guān)矩陣（gray-level dependence matrix, GLDM）。影像組學特征的LASSO 邏輯回歸、系數(shù)分布及最佳特征見圖2。

圖2 影像組學特征最小絕對收縮與選擇算子算法（LASSO）邏輯回歸、系數(shù)分布及最佳特征圖。2A：LASSO模型中的調(diào)諧參數(shù)通過最小標準使用十倍交叉驗證選擇。繪制曲線下面積與log (λ)的關(guān)系，根據(jù)最小準則和最小準則的1標準誤差，在最優(yōu)值處繪制虛線；2B：在最佳λ值處繪制一條垂直線；2C：LASSO篩選后與帕金森病相關(guān)的特征及加權(quán)系數(shù)。Fig.2 Radiomics feature selection using least absolute shrinkage and selection operator (LASSO) logistic regression, LASSO coefficient profiles of the radiomics features and the optimum radiomics.2A: The tuning parameters in the LASSO model are selected using 10-fold cross-validation via minimum criteria.The area under the curve is plotted vs.log(λ).Dotted vertical lines are drawn at the optimal values according to the minimum criteria and the 1 standard error of the minimum criteria; 2B: A vertical line is plotted at the optimal λ value; 2C: The detailed features associated with Parkinson's disease and the weighting coefficients of different datasets after LASSO screening.

2.3 機器學習模型診斷PD結(jié)果

基于所得的最佳影像組學特征構(gòu)建PD的診斷模型。五種機器學習的診斷效能見表2。在訓練集中，LR 模型的診斷效能最好，AUC 為0.975，敏感度為94.4%、特異度為97.6%、準確度為95.6%。此外，用不同機器學習方法評估模型的穩(wěn)定性，LR 模型最穩(wěn)定（AUC的RSD為4%）。在測試集中，選擇診斷效能做好、穩(wěn)定性最高的LR模型作為最終的驗證模型，其診斷PD的AUC 為0.938，敏感度為83.3%、特異度為95.8%、準確度為89.6%。經(jīng)DeLong檢驗后，其診斷效能明顯優(yōu)于人工識別（Z=2.241,P=0.025）（表2，圖3）。

圖3 測試集中邏輯回歸模型和人工識別診斷帕金森病的ROC曲線。Fig.3 ROC curve of test set for diagnosing Parkinson's disease using logistic regression model and visual analysis in the test set.

3 討論

本研究對80 例PD 患者和80 例健康受試者的SWI 圖像上黑質(zhì)區(qū)域進行影像組學特征提取、篩選，共篩選出與PD 密切相關(guān)的7 個影像組學特征，包含2 個 形 態(tài) 學 特 征、1 個 一 階 特 征、2 個GLCM、1 個GLSZM、1 個GLDM。經(jīng)5 種機器學習方法建模后，結(jié)果顯示LR 模型診斷PD 的效能最好且最穩(wěn)定，且明顯優(yōu)于人工識別燕尾征的診斷效能。本研究結(jié)果可有效克服由于人工識別的主觀性帶來的低敏感度和低準確度。通過構(gòu)建的模型可使臨床醫(yī)生能夠通過模型快速準確地診斷PD，進而進行早期臨床干預治療。

3.1 燕尾征在PD中的診斷價值

PD 的病因目前尚不清楚，但黑質(zhì)在其神經(jīng)病理學中具有重要的作用，研究顯示PD 中黑質(zhì)多巴胺能神經(jīng)元缺失[12-13]。Nigrosome-1 在SWI 上黑質(zhì)的尾部顯示為兩個低信號，中間為高信號，在SWI 或T2WI 上顯示為燕尾征[14-16]。因此，以往的研究顯示[17-20]，燕尾征的缺失可有助于將PD 患者與健康受試者區(qū)分開。BLAZEJEWSKA 等[21]在7 T MRI 高分辨率T2*加權(quán)序列上描述了原本低強度的黑質(zhì)致密部后外側(cè)區(qū)域內(nèi)的高信號線性區(qū)域，即Nigrosome-1，而在10 名PD 患者中沒有看到。SCHWARZ等[22]在3 T MRI上描述了與高分辨率T2*加權(quán)序列上的燕尾征消失類似的結(jié)構(gòu)。該研究主要包括非PD 參與者，與對照組中燕尾征消失的存在相比，PD 患者中STS 缺失的敏感度（100%）、特異度（97%）和準確度（96%）非常高。COSOTTINI 等[23]的一項研究顯示3 T MRI 的平均敏感度為79%，特異度為94%，診斷準確度為86%。本研究基于SWI 的燕尾征消失診斷PD，在訓練集中的敏感度為67.9%、特異度為82.1%、準確度為75.0%；在測試集中的敏感度為70.8%、特異度為83.3%、準確度為77.1%，其診斷效能稍低于以往研究?？赡茉驗楸狙芯考{入的PD患者均為早期患者（Hoehn-Yahr 分期為0～2 期），黑質(zhì)改變不明顯，導致醫(yī)生通過燕尾征消失診斷PD 的準確性相對較低。由此可見，由于存在主觀性強、一致性較低、診斷準確度相對較低的局限性，目前基于燕尾征消失診斷PD在臨床應(yīng)用中仍受限。

3.2 影像組學在PD中的診斷價值

影像組學目前已廣泛應(yīng)用于醫(yī)學研究中，與以往的研究類似[24-25]，本研究也使用了影像組學的方法來提取并構(gòu)建PD 的診斷模型。SHU 等[26]從SWI 圖像上的黑質(zhì)區(qū)域提取影像組學特征，可一定程度上反映PD的Hoehn-Yahr分期。本研究通過從SWI圖像上勾畫黑質(zhì)區(qū)域并提取特征進行篩選，發(fā)現(xiàn)2個形態(tài)學特征、1 個一階特征、2 個GLCM、1 個GLSZM、1 個GLDM與PD 診斷密切相關(guān)，具有較高的加權(quán)系數(shù)。本研究進一步應(yīng)用5 種分類器方法構(gòu)建PD 的診斷模型。不同的分類器模型在PD 的診斷中具有不同的效能，本研究顯示LR 模型的診斷效能優(yōu)于其他分類器方法。二進制的LR是一種基于一個或多個自變量估計二進制響應(yīng)概率的傳統(tǒng)方法，提供的不是離散輸出，而是與每個觀測相關(guān)的概率[27-29]。此外，本研究發(fā)現(xiàn)LR模型是所有診斷模型中最穩(wěn)定的。因此，本研究選擇LR 作為最終分類器，并用測試集進行驗證。結(jié)果顯示LR 模型在測試集中仍然具有較好的診斷效能，并明顯優(yōu)于人工識別燕尾征消失診斷PD的效能。由此可見，與傳統(tǒng)的人工識別相比，基于LR分類器構(gòu)建的PD 診斷模型臨床適用性，且避免了人工識別主觀性強、診斷準確度低的局限性。

3.3 局限性

本研究仍存在一些不足之處。首先，本研究為單中心研究，且樣本量較少。其次，本研究僅根據(jù)影像方法進行診斷，未納入臨床量表。此外，本研究僅提取了SWI圖像上的影像組學特征，后期需進一步加入T1WI、T2WI等其他序列的特征，以期進一步提高PD的診斷效能。最后，本研究未做外部驗證。

4 結(jié)論

綜上所述，基于SWI 黑質(zhì)的影像組學特征，應(yīng)用機器學習方法構(gòu)建的PD診斷模型能夠較為準確地診斷PD，為臨床早期干預治療提供指導。

作者利益沖突聲明：全體作者均聲明無利益沖突。

作者貢獻聲明：任軍設(shè)計本研究的方案，對稿件重要內(nèi)容進行了修改；谷翔起草和撰寫稿件，獲取、分析或解釋本研究的數(shù)據(jù)；彭明洋、陳宇辰、殷信道、陳國中獲取、分析或解釋本研究的數(shù)據(jù)，對稿件重要內(nèi)容進行了修改，其中殷信道獲得了江蘇省自然科學基金的資助；陳國中獲得了國家自然科學基金的資助；全體作者都同意發(fā)表最后的修改稿，同意對本研究的所有方面負責，確保本研究的準確性和誠信。