蔡秋藝,陳昱璨,李建林,趙正凱,王燕
精神分裂癥(schizophrenia,SZ)是一種多因素導致的嚴重精神障礙,臨床常表現為情感、思維以及行為異常,精神活動與環(huán)境不協(xié)調[1]。然而SZ患者在進行常規(guī)磁共振檢查時通常沒有任何顯著的異常,因此我們無法通過常規(guī)的磁共振檢查來對該疾病進行確診。
隨著檢查技術的進步,功能磁共振成像(functional magnetic resonance imaging,fMRI)技術被應用于腦科學的研究,該技術通過監(jiān)控大腦血流量的改變來研究腦功能的改變。其中低頻振幅(amplitude of low frequency fluctuation,ALFF)作為一種功能性指標已被用于探索神經精神疾病靜息態(tài)區(qū)域腦活動,ALFF通過檢測特定低頻范圍(0.01~0.10 Hz)內自發(fā)血氧水平依賴信號波動的局部同步總功率反映該腦區(qū)局部活動的強弱[2,3],從而探討精神疾病患者腦功能的改變[4]。先前研究發(fā)現SZ患者中央后小葉、中央旁小葉ALFF明顯降低,在雙側尾狀回、額內側上回ALFF顯著增加[4]。此外,隨著機器學習研究的發(fā)展,越來越多的研究致力于通過機器學習算法尋找精神疾病的生物標記[5,6]。目前已有多種差異指標應用于SZ患者的識別[7,8],但尚未有報道使用ALFF差異單獨作為識別SZ患者的研究。
綜上,本研究以SZ患者為研究對象,探究SZ患者組ALFF與健康對照組的組間差異,研究該差異能否識別SZ患者,并探索該差異作為SZ特異性生物標記的可能性。
本研究為回顧性研究,所用數據是由卓越生物醫(yī)學研究中心(Center of Biomedical Research Excellence,COBRE)提供的,該研究是在新墨西哥大學健康科學中心人類受試者研究審查委員會(Human Subjects Research Review Committee,HRRC)審查和完全批準后進行的。包括72位SZ患者(58名男性,18~65歲)和74位年齡性別相匹配的健康對照志愿者(51名男性,18~65歲)。兩組入組人員的一般資料對比,差異無統(tǒng)計學意義(P>0.05),具有可比性。
1.1.1 精神分裂癥患者組
納入標準:SZ患者組所有患者均符合《美國精神障礙診斷與統(tǒng)計手冊》第四版(Diagnostic and Statistical Manual of Mental Disorders,Fourth Edition,DSM-Ⅳ)中關于SZ的診斷標準,均接受多種抗精神病藥物治療(1個月內無藥物變化)。
排除標準:①患有器質性疾病及其他精神疾?。虎? min以上意識喪失的腦外傷;③智力遲鈍;④近期藥物濫用或依賴史;⑤一生中有一次以上的抑郁發(fā)作史,近6個月內有抑郁或抗抑郁藥使用史,一生中抗抑郁藥使用史1年以上。且所有參與者在掃描前至少1小時內沒有吸煙。
1.1.2 健康對照組
納入標準:健康對照組所有志愿者經體格檢查確認健康,無精神疾病家族史。
排除標準:符合DSM-Ⅳ軸I精神障礙診斷標準的任何精神疾病或有精神障礙家族史;其余同SZ患者組排除標準。
所有受試者均完成了韋氏成人閱讀測驗(Wechsler Test of Adult Reading,WTAR)、韋氏智力簡表(Wechsler Abbreviated Scale of Intelligence,WASI)、煙堿依賴法格斯特羅姆測驗(Fagerstrom Test for Nicotine Dependence,FTND)和尿藥篩查。此外,采用陽性和陰性綜合征量表(Positive and Negative Syndrome Scale,PANSS)、卡爾加里抑郁量表(Calgary Depression Scale)和臨床整體印象量表(Clinical Global Impression,CGI)對SZ患者進行評分。
使用數據處理助手軟件包(http://www.restfmri.net)對功能圖像進行預處理,步驟如下:①去除前10個時間點;②時間層校正及頭動校正,剔除水平移動大于3 mm或旋轉移動>3°的被試,本步驟未排除受試者;③fMRI數據配準到3D T1WI模板上,標準化到標準空間;④以FWHM為6 mm的平滑核進行空間平滑;⑤減小低頻漂移的趨勢(0.01~0.10 Hz);⑥回歸協(xié)變量,包括Friston 24運動參數[9],白質信號和腦脊液信號;⑦削峰,在3dDespike中實現(http://afni.nimh.nih.gov/afni)[10]。
靜息態(tài)ALFF采用DPARSF軟件計算:①對每個體素的時間序列進行快速傅里葉變換,將時域信號轉換為頻域信號以得到功率譜;②對功率譜進行開方運算,得到信號的振蕩幅度;③計算0.01~0.10 Hz內每個體素的功率譜平均值:④對全腦所有體素的功率譜平均值進行標準化,即得到ALFF值。
采用SPM軟件對SZ患者組和健康對照組的ALFF數據進行雙樣本t檢驗,年齡性別等變量被當作協(xié)變量送入統(tǒng)計模型。結果用GRF(體素水平P<0.001,簇水平P<0.05)校正,得到差異有統(tǒng)計學意義的區(qū)域。
選取兩組間差異腦區(qū)的頂點坐標,以6 mm為半徑畫ROI,提取該區(qū)域的平均值。以此為特征,構建線性SVM分類器,采用留一交叉驗證的方法來計算模型的分類準確度。Golland等[11]提出的置換檢驗可用來評估得到的分類準確率是否具有統(tǒng)計顯著性。同時,我們計算和這些差異區(qū)域的ALFF的平均值,與臨床量表(IQ,PANSS等)之間的皮爾遜相關系數。
如表1所示,SZ患者組與健康對照組在年齡、受教育年限及父母受教育程度差異無統(tǒng)計學意義(P>0.05),兩組在智商(IQ)上差異具有統(tǒng)計學意義(P<0.05),表明SZ患者存在認知缺陷。表2為SZ患者組臨床特點。
表1 精神分裂癥患者組與健康對照組在人口學和量表得分的差異比較
表2 精神分裂癥患者組的臨床特點
相對于健康對照組,SZ患者組的患者ALFF值增高的腦區(qū)包括右側梭狀回、左側顳下回、左側內側額上回、左側尾狀核;ALFF值減低的腦區(qū)包括雙側丘腦、右側中央后回(圖1,表3)。將上述存在差異腦區(qū)的ROI信號作為特征納入SVM分類器進行建模與分類,最終的分類準確度為73.13%,AUC=0.8491(圖2),5000次置換檢驗顯示準確度與AUC的P值均<0.05。差異區(qū)域的ALFF和臨床量表表現出顯著的相關性,表明這些區(qū)域ALFF的異常不依賴于癥狀嚴重程度,可能是與精分發(fā)病機制相關。
表3 精神分裂癥患者組與健康對照組ALFF存在顯著差異的腦區(qū)
圖1 精神分裂癥患者組與健康對照組比較ALFF存在顯著差異的腦區(qū),紅色顯示為精神分裂癥患者組較健康對照組ALFF值增高有統(tǒng)計學意義的腦區(qū),藍色顯示為精神分裂癥患者組較健康對照組ALFF值降低有統(tǒng)計學意義的腦區(qū)。深藍-淺藍、黃色-紅色對應t值從大至小。
圖2 支持向量機分類的ROC曲線
本研究通過對SZ患者組與健康對照組的ALFF分析發(fā)現,SZ患者與健康對照相比存在多個ALFF異常的腦區(qū)。其中SZ患者ALFF顯著增高的腦區(qū)是右側梭狀回、左側顳下回、左側內側額上回、左側尾狀核;ALFF顯著降低的腦區(qū)是雙側丘腦及右側中央后回。這些結果證明了SZ患者存在自發(fā)活動異常的腦區(qū)。且通過機器學習模型的構建,證明了這些異??梢宰鳛樽R別SZ患者的生物標記。
梭狀回被證明與面部識別和表情識別有關,先前的研究表明,梭狀回的自發(fā)活動增加可能會導致SZ患者幻視的增加,并產生一些知覺問題,且右側梭狀回較于左側梭狀回在感覺與知覺紊亂中發(fā)揮著更重要的作用[12,13],這與本研究的發(fā)現一致。顳下回同梭狀回作用一致,均與物體和人臉的識別有關[14]。此外,顳葉功能改變與SZ的幻覺妄想癥狀有關[15],顳下回ALFF的增加可能與幻覺的出現有關[16]。尾狀核和內側前額葉是SZ患者功能連接改變最明顯的區(qū)域[17-20]。其中內側前額葉是組成默認網絡(default mode network,DMN)的重要區(qū)域[21]。先前的研究表明SZ患者的默認網絡存在異常,我們的研究與既往報道一致[22-24]。默認網絡被認為與心理狀態(tài)以及情緒處理任務相關,默認網絡的自發(fā)活動增加可能與過度的自我參照以及注意力和工作記憶的障礙有關[25]。
丘腦作為大腦生理活動的重要節(jié)點在信息處理中起著關鍵的作用,同時丘腦也是構成SZ的功能和結構通路的一部分[26-28]。先前已有研究表明SZ患者丘腦與其他腦區(qū)的功能連接減少[29]。丘腦自發(fā)活動的異常與SZ患者認知障礙癥狀出現相關[30,31]。中央后回屬于初級軀體感覺運動皮層[32]。Wang等[4]研究發(fā)現中央后回ALFF降低,且該腦區(qū)自發(fā)活動的異常與SZ患者認知障礙有關,本研究結果與該研究一致。
本文進一步利用這些差異區(qū)域的ALFF值,構建分類模型,看這些區(qū)域的ALFF值能否很好地區(qū)分出SZ患者和健康對照。結果發(fā)現以此構建的特征能夠較好地區(qū)分健康對照和SZ患者(分類準確度73.13%,AUC=0.8491),較高的AUC表明模型具有較好的可靠性。分類準確度較低的原因可能有兩方面:第一,構建模型的樣本數較小,后續(xù)訓練樣本增加之后,模型的性能可能會進一步提升;第二,精分表現出結構功能等多模態(tài)的異常。研究證明SZ患者在皮質-小腦-紋狀體-丘腦回路存在功能連接的異常[33],與本文研究一致。此外,SZ患者不僅表現出功能的異常,還表現出結構的異常,SZ患者灰質體積在外側前額葉皮質、顳外側皮質、顳極和腦島等部位降低[34]。融合多模態(tài)特征構建分類模型,一直是神經影像研究領域的難點和熱點。僅依靠單一模型,分類準確度有限,我們接下來的研究將融合結構和功能特征構建模型,得到分類性能更好的模型。
本研究發(fā)現,SZ患者靜息態(tài)下存在包括默認網絡在內的多個腦區(qū)的功能活動的異常,SZ患者在早期階段可能已出現紋狀體-丘腦-默認網絡環(huán)路的異常。而SZ患者認知障礙及幻覺的出現可能與這些腦區(qū)的功能異常有關,這些腦區(qū)的ALFF異??梢詾镾Z患者的診斷提供依據。且以差異腦區(qū)為分類特征進行機器學習得到了較好的分類效果,提示差異結果可作為識別SZ患者的可能標記物。
本研究為橫斷層面的研究,不能對經過藥物治療的SZ患者做出評估,因此還需要進一步的研究,進行隨訪或納入治療緩解后的實驗組,以期對SZ患者診斷、治療及預后評估提供依據。
作者利益沖突聲明:全體作者均聲明無利益沖突。