宋嬈，吳小佳，李傳明，劉歡，郭大靜，湯琳

阿爾茨海默病(Alzheimer disease，AD)是癡呆最常見的原因，通常隱匿起病，患者會逐漸出現(xiàn)記力減退和認(rèn)知功能障礙等，隨著疾病進(jìn)展上述表現(xiàn)逐漸加重。由于絕大多數(shù)患者在出現(xiàn)典型的臨床癥狀時，其神經(jīng)病理改變已存在多年，因而AD的早期診斷尤為重要[1]。2018年，美國國家老年研究所和阿爾茨海默病協(xié)會創(chuàng)建了新的AD研究框架，旨在通過“ATN”生物標(biāo)記物從生物學(xué)上定義AD，其中A代表β淀粉樣蛋白沉積、T代表tau蛋白沉積，N代表神經(jīng)變性[2]。只要同時具備A和T的證據(jù)(即A+和T+)，不管臨床癥狀有無，都可以診斷為AD。不難看出，ATN標(biāo)準(zhǔn)的提出將AD的早期診斷大大提前，有助于在AD臨床前期階段采取干預(yù)措施，延緩病情進(jìn)展[3-5]。

一項(xiàng)針對認(rèn)知正常(cognitively normal，CN)個體的長期認(rèn)知軌跡的研究發(fā)現(xiàn)，基線為A+T+N+的CN個體在隨訪過程中認(rèn)知功能下降的風(fēng)險(xiǎn)最高，且遠(yuǎn)遠(yuǎn)高于A+T+N-組，這可能提示N指標(biāo)對于預(yù)測認(rèn)知進(jìn)展有重要作用[6]。以往的研究中僅使用單個指標(biāo)來評估N，如海馬體積或平均皮層厚度[7-9]，忽略了許多重要的腦區(qū)。作為一門新學(xué)科，影像組學(xué)可以實(shí)現(xiàn)從全腦提取大量高通量成像特征，并對特征進(jìn)行量化分析和模型構(gòu)建，從而間接反映腦內(nèi)病變與病理的潛在關(guān)聯(lián)，有助于提高診斷及預(yù)后評估的準(zhǔn)確性[10-12]。

輕度認(rèn)知障礙(mild cognitive impairment，MCI)被認(rèn)為是正常衰老與AD之間的中間階段，是有可能發(fā)展為AD的潛在目標(biāo)人群。據(jù)估計(jì)，每年有10%～20%的MCI患者轉(zhuǎn)化為癡呆患者[13]。因此，準(zhǔn)確預(yù)測MCI是否以及何時會進(jìn)展為AD至關(guān)重要。本文運(yùn)用影像組學(xué)方法來評估N指標(biāo)，探討基線ATN分類狀態(tài)聯(lián)合臨床危險(xiǎn)因素對MCI患者認(rèn)知障礙進(jìn)展的預(yù)測價(jià)值，并構(gòu)建列線圖預(yù)測模型，用于個性化評估MCI患者的認(rèn)知進(jìn)展情況。

材料與方法

1.臨床資料

自阿爾茨海默病神經(jīng)影像學(xué)計(jì)劃(ADNI)數(shù)據(jù)庫(http://www.loni.usc.edu/du)納入472例受試者的數(shù)據(jù)，包括認(rèn)知正常(CN)被試147例、MC1患者197例和AD患者128例。在5年的隨訪時間內(nèi)，MCI患者中有100例進(jìn)展為癡呆，其余97例認(rèn)知功能保持穩(wěn)定，記錄MCI患者認(rèn)知障礙進(jìn)展(從MCI進(jìn)展為癡呆)的時間以及認(rèn)知狀態(tài)保持穩(wěn)定的時間。CN被試在基線及整個隨訪期內(nèi)均保持為CN。所有受試者均有完整的基線臨床和實(shí)驗(yàn)室檢查資料。主要指標(biāo)：年齡、性別、受教育年限、體質(zhì)指數(shù)(body mass index，BMI)、載脂蛋白Eε4(apolipoprotein ε4，APOEε4)等位基因(采用聚合酶鏈反應(yīng)-限制性片段多態(tài)性方法進(jìn)行APOE基因分型)、Fazekas分級(用于評價(jià)腦白質(zhì)病變的嚴(yán)重程度，包括側(cè)腦室旁白質(zhì)和腦深部白質(zhì)，分為0～3級)、CSF淀粉樣蛋白Aβ42水平、CSF磷酸化tau(P-tau)水平、簡易智力狀態(tài)量表(Mini-Mental State Examination，MMSE)評分、阿爾茨海默病評估量表(Alzheimer's Disease Assessment Scale-Cognitive subscale，ADAS-Cog)11和13評分、臨床癡呆評定量表(Clinical Dementia Rating，CDR)評分、臨床活動調(diào)查問卷(Functional Activities Questionnaire，F(xiàn)AQ)得分、臨床活動調(diào)查問卷(Geriatric Depression Scale，GDS)得分、雷伊聽覺詞語即刻測試(Rey Auditory Verbal Learning Test- immediate，RAVLT-I)得分、RAVLT學(xué)習(xí)(learning)測試(RAVLT-L)得分、RAVLT 遺忘(forgetting)測試(RAVLT-F)得分、雷伊聽覺詞語每項(xiàng)遺忘(percent forgetting)測試(RAVLT-PF)得分及動物詞匯流暢性測試(Animal Fluency Test，AFT)得分。

T1WI采用三維磁化準(zhǔn)備快速梯度回波(magne-tization-prepared rapid gradient-echo，MPRAGE)序列或等效序列獲得。其中，261例受試者使用Siemens Trio Tim 3.0T磁共振掃描儀進(jìn)行全腦掃描，掃描參數(shù)：TR 2300 ms，TE 3.0 ms，TI 900 ms，翻轉(zhuǎn)角9°，層厚1.2 mm，矩陣240×256；128 例受試者使用GE 3.0T磁共振掃描儀，掃描參數(shù)：TR 7.0 ms，TE 2.8 ms，TI 400 ms，翻轉(zhuǎn)角11°，層厚1.2 mm，矩陣256×256；83例受試者使用Philips Intera 3.0T磁共振掃描儀，掃描參數(shù)：TR 6.8 ms，TE 3.1 ms，TI 0 ms，翻轉(zhuǎn)角9°，層厚1.2 mm，矩陣256×256。所有受試者掃描參數(shù)的相關(guān)信息于2020年經(jīng)批準(zhǔn)后在ADNI官方網(wǎng)站下載獲得。

2.影像組學(xué)特征的提取

本研究中僅基于T1WI序列進(jìn)行影像組學(xué)特征的提取。使用FreeSurfer 6.0軟件(http://surfer.nmr.harvard.edu)對每例受試者的T1WI圖像進(jìn)行預(yù)處理及自動分割。主要過程包括頭動校正，去除非腦組織、坐標(biāo)變換、灰白質(zhì)分割、皮質(zhì)表面模型重建、區(qū)域標(biāo)記、配準(zhǔn)和統(tǒng)計(jì)分析?；贒estrieux Atlas圖譜，提取全腦148個皮層腦區(qū)的表面積、平均厚度、厚度標(biāo)準(zhǔn)差、積分校正高斯曲率、積分校正平均曲率、內(nèi)在曲率指數(shù)、折疊指數(shù)和體積；基于Desikan Killiany圖譜，提取14個皮質(zhì)下結(jié)構(gòu)的體積，包括雙側(cè)丘腦、尾狀核、殼核、蒼白球、海馬、杏仁核和伏隔核。最終，我們共提取1198(148×8+14=1198)個影像組學(xué)特征。

3.建立和評價(jià)影像組學(xué)模型

在CN及AD患者中，首先通過Mann-WhitneyU檢驗(yàn)去除非顯著性特征，采用Spearman秩相關(guān)分析去除冗余特征，閾值取0.9。接著，采用最小絕對收縮與選擇算子(least absolute shrinkage and selection operator，LASSO)、逐步回歸分析及赤池信息準(zhǔn)則法(Akaike information criterion，AIC)來確定最佳影像組學(xué)特征(圖1)。最后，采用多元Logistic回歸分析建立影像組學(xué)標(biāo)簽。采用受試者操作特性(receiver operating characteristic，ROC)曲線分析CSF Aβ42(即A)、CSF P-tau(即T)和影像組學(xué)標(biāo)簽(即N)在鑒別CN和AD中的診斷效能，計(jì)算曲線下面積(area under the curve，AUC)、敏感度和特異度，并確定3者的閾值作為A、T、N的陽性分界值。

圖1 采用LASSO回歸和5折交叉驗(yàn)證法篩選影像組學(xué)特征。a)影像組學(xué)特征的LASSO系數(shù)分析；b)每次折疊的均方誤差曲線。 圖2 影像組學(xué)特征及其回歸系數(shù)值柱形圖，以左側(cè)海馬旁回的平均皮層厚度的回歸系數(shù)較大。 圖3 基于聯(lián)合模型預(yù)測概率的中位數(shù)作為臨界值對MCI患者進(jìn)行Kaplan-Meier分析，Kaplan-Meier曲線顯示隨著生存時間延長，高風(fēng)險(xiǎn)組患者的生存率呈明顯下降趨勢。a)訓(xùn)練集；b)驗(yàn)證集。

4.MCI人群的ATN分類

根據(jù)上述過程獲得的陽性分界值，確定每例MCI患者A、T、N的陽性(+)和陰性(-)，根據(jù)ATN結(jié)果(A、T、N結(jié)果的組合形式)，將MCI患者分成8個亞組。

5.篩選認(rèn)知障礙進(jìn)展相關(guān)臨床危險(xiǎn)因子

采用分層隨機(jī)抽樣方法將MCI患者按照7:3的比例分為訓(xùn)練集例和驗(yàn)證集。在訓(xùn)練集中，以結(jié)局和時間作為cox回歸模型的因變量(認(rèn)知障礙進(jìn)展則賦值為1，保持穩(wěn)定賦值為0；記錄MCI患者認(rèn)知障礙進(jìn)展時間及認(rèn)知狀態(tài)保持穩(wěn)定的時間，以月為單位)，以Fazekas分級、年齡、性別、受教育年限、飲酒史、BMI、APOEε4等位基因及11項(xiàng)量表(ADAS-Cog11、ADAS-Cog13、CDR、FAQ、GDS、MMSE、RAVLT-I、RAVLT-L、RAVLT-F、RAVLT-PF和AFT)評分為自變量，進(jìn)行單變量(P<0.001)和多變量(P<0.05)Cox回歸分析，以獲得與認(rèn)知障礙進(jìn)展相關(guān)的臨床危險(xiǎn)因子。

6.疾病進(jìn)展的預(yù)測模型

在訓(xùn)練集，分別采用單因素和多因素Cox比例風(fēng)險(xiǎn)回歸分析，建立基于單獨(dú)ATN分類及聯(lián)合ATN分類與臨床危險(xiǎn)因子的預(yù)測模型，并在驗(yàn)證集中進(jìn)行驗(yàn)證。采用一致性指數(shù)(concordance index，C-index)對模型的預(yù)測效能進(jìn)行評估。此外，選取訓(xùn)練集中基于聯(lián)合模型預(yù)測概率的中位數(shù)作為臨界值進(jìn)行Kaplan-Meier(KM)生存曲線分析，并基于此臨界值將MCI患者分為低風(fēng)險(xiǎn)進(jìn)展組和高風(fēng)險(xiǎn)進(jìn)展組，并采用對數(shù)秩檢驗(yàn)(log-rank test)比較兩組認(rèn)知障礙進(jìn)展情況的差異。在多因素Cox比例風(fēng)險(xiǎn)模型的基礎(chǔ)上，構(gòu)建聯(lián)合ATN分類和臨床危險(xiǎn)因子的列線圖，采用校準(zhǔn)曲線(calibration curve)評價(jià)列線圖的擬合度。

7.統(tǒng)計(jì)分析

使用SPSS 24.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。分類變量用頻數(shù)(百分比)來描述，呈正態(tài)分布的連續(xù)變量采用均值(標(biāo)準(zhǔn)差)來描述，呈非正態(tài)分布的連續(xù)變量采用中位數(shù)(上、下四分位數(shù))來描述。對連續(xù)變量的多組間比較采用單因素方差分析或Kruskal-WallisH檢驗(yàn)，多重兩兩比較采用Tukey或Nemenyi檢驗(yàn)。對分類變量采用卡方檢驗(yàn)或Fisher精確檢驗(yàn)，并采用Bonferroni方法進(jìn)行兩兩組間比較。以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

1.一般臨床資料

AD、MCI和CN組的臨床資料及組間比較結(jié)果見表1。基線時，三組之間教育年限、BMI、APOEε4基因、CSF Aβ42和P-tau水平以及所有認(rèn)知量表評分的差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)。進(jìn)一步組間多重兩兩比較，CN組與AD組之間受教育年限以及MCI組與AD組之間BMI的差異具有統(tǒng)計(jì)學(xué)意義(P<0.05)；APOEε4基因的組間差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)；AD組、MCI組和CN組的CSF Aβ42水平依次增高，組間差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)；AD組、MCI組及CN組的CSF P-tau水平依次減低，組間差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)；除外GDS評分和RAVLT-F評分，其余認(rèn)知量表評分的組間差異均有統(tǒng)計(jì)學(xué)意義(P<0.05)。

表1 不同認(rèn)知狀態(tài)被試的臨床資料及組間比較結(jié)果

2.影像組學(xué)標(biāo)簽的構(gòu)建

經(jīng)特征篩選后，最終共獲得15個最佳影像組學(xué)特征用于建立組學(xué)標(biāo)簽，各個影像組學(xué)特征的名稱和回歸系數(shù)見圖2，以左側(cè)海馬旁回的平均皮層厚度的權(quán)重較大。

A、T、N三個指標(biāo)鑒別CN與AD的效能指標(biāo)見表2。

表2 ATN指標(biāo)鑒別CN與AD的診斷效能

根據(jù)ROC曲線結(jié)果，CSF Aβ42≤952 pg/mL為A+，CSF P-tau >24.38 pg/mL為T+，影像組學(xué)標(biāo)簽值>0.4561為N+。

3.MCI患者ATN各亞組的分布情況

根據(jù)A、T、N的閾值，本研究中MCI患者的ATN結(jié)果分為8種類型(亞組)，占比最大的是A-T-N-組42例(21.3%)，其次是A+T+N-組39例(19.8%)和A+T+N+39例(19.8%)，其它各亞組分別為A-T+N-組18例(9.1%)、A+T-N-組17例(8.6%)、A+T-N+組16例(8.1%)、A-T-N+組13例(6.6%)和A-T+N+組13例(6.6%)。

4.MCI患者認(rèn)知障礙進(jìn)展相關(guān)臨床危險(xiǎn)因子

單因素和多因素Cox回歸分析結(jié)果見表3。單因素Cox回歸分析結(jié)果顯示，APOEε4等位基因、ADAS-Cog11評分、ADAS-Cog13評分、FAQ評分、MMSE評分、RAVLT-I評分、RAVLT-L評分、RAVLT-PF及AFT評分是認(rèn)知障礙進(jìn)展的危險(xiǎn)因素。多因素Cox回歸分析結(jié)果顯示，APOEε4等位基因、FAQ評分和AFT評分是認(rèn)知障礙進(jìn)展的危險(xiǎn)因素。

表3 訓(xùn)練集中各項(xiàng)臨床特征與認(rèn)知障礙進(jìn)展相關(guān)性的單因素和多因素Cox回歸分析結(jié)果

5.預(yù)測模型的效能

基于ATN分類的認(rèn)知障礙進(jìn)展預(yù)測模型及ATN分類結(jié)合3個臨床危險(xiǎn)因子的聯(lián)合預(yù)測模型在訓(xùn)練集的C-index分別為0.849(95%CI：0.786～0.912)和 0.972(95%CI：0.661～0.782)，在驗(yàn)證集分別為0.849(95%CI：0.754～0.944)和0.906(95%CI：0.661～0.782)。

聯(lián)合預(yù)測模型在訓(xùn)練集及驗(yàn)證集的KM生存曲線分析結(jié)果見圖3。將模型預(yù)測認(rèn)知障礙進(jìn)展概率的中位數(shù)0.02作為區(qū)分低風(fēng)險(xiǎn)和高風(fēng)險(xiǎn)進(jìn)展組的臨界值，在訓(xùn)練集中，高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)進(jìn)展組的中位生存時間分別為36和60個月，兩組間差異有統(tǒng)計(jì)學(xué)意義(Log-rank test，P<0.0001)；在驗(yàn)證集中，高風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)進(jìn)展組的中位生存時間分別為48和60個月，兩組間兩組間差異無統(tǒng)計(jì)學(xué)意義(P=0.052)。基于ATN分類和臨床危險(xiǎn)因子繪制個體化預(yù)測MCI患者1、3、5年認(rèn)知進(jìn)展風(fēng)險(xiǎn)的列線圖(圖4)，其校準(zhǔn)曲線(圖5)顯示在訓(xùn)練集和驗(yàn)證集中列線圖預(yù)測結(jié)果與實(shí)際觀察結(jié)果之間差異無統(tǒng)計(jì)學(xué)意義(P=0.119、0.778)，模型擬合效果較好。

圖4 基于ATN分類和臨床危險(xiǎn)因子繪制個體化預(yù)測MCI患者1、3、5年認(rèn)知進(jìn)展風(fēng)險(xiǎn)的列線圖。圖5 列線圖模型評估MCI認(rèn)知進(jìn)展的校準(zhǔn)曲線，對角線(灰色)代表理想曲線，綠色、紫色及紅色實(shí)線分別代表1、3、5年的實(shí)際預(yù)測曲線，理想曲線與實(shí)際預(yù)測曲線越靠近，預(yù)測效果越好。a)訓(xùn)練集；b)驗(yàn)證集。

討 論

本研究基于全腦的影像組學(xué)特征建立了AD的診斷模型，獲得較高的診斷效能，并將其首次應(yīng)用于對AD患者神經(jīng)退行性變(N指標(biāo))進(jìn)行評價(jià)；此外，我們聯(lián)合基線ATN分類狀態(tài)和認(rèn)知障礙進(jìn)展相關(guān)臨床特征來構(gòu)建預(yù)測模型，并繪制可視化列線圖，有效地評估了MCI患者未來5年內(nèi)認(rèn)知進(jìn)展的風(fēng)險(xiǎn)。

AD患者的神經(jīng)損傷廣泛發(fā)生于皮層和皮層下區(qū)域，MRI上腦萎縮可以反映神經(jīng)退行性變的程度。Lehmann等[14]報(bào)道了AD患者雙側(cè)后扣帶回、楔前葉和后頂葉的皮質(zhì)厚度減小。皮層下區(qū)域如殼核、丘腦和基底節(jié)區(qū)也表現(xiàn)出與認(rèn)知障礙相關(guān)的萎縮改變[15]。在本研究中，我們基于全腦影像組學(xué)特征建立的影像組學(xué)模型能有效區(qū)分CN和AD患者(AUC=0.998)。相較于既往研究中采用海馬體積或平均皮層厚度的方法[7]，本研究中獲得的影像組學(xué)模型表現(xiàn)出更高的敏感度和特異度。通過全面捕捉腦結(jié)構(gòu)的變化特征，影像組學(xué)方法實(shí)現(xiàn)了對神經(jīng)退行性變的更準(zhǔn)確和更敏感的評估，有助于進(jìn)一步豐富ATN分類系統(tǒng)。

在本研究中，我們基于腦脊液和影像學(xué)標(biāo)志物對MCI患者進(jìn)行分組，并觀察各組患者5年內(nèi)的認(rèn)知進(jìn)展情況。其中，CSF內(nèi)異常淀粉樣蛋白和P-tau蛋白沉積及有神經(jīng)退行性變(A+T+N+)的患者進(jìn)展風(fēng)險(xiǎn)最高。在一項(xiàng)將ATN分類系統(tǒng)應(yīng)用于認(rèn)知功能正常個體的研究中發(fā)現(xiàn)，在長期縱向隨訪中，只有A+T+N+組中患者的認(rèn)知能力下降程度始終大于A-T-N-組。[6]。另一項(xiàng)對主觀認(rèn)知下降(subjective cognitive decline，SCD)人群的研究結(jié)果顯示，在5年隨訪期內(nèi)，A+T+N+組患者的臨床進(jìn)展率最高，表現(xiàn)為從SCD進(jìn)展到MCI再到AD[16]。這些結(jié)果可能表明，3種生物標(biāo)志物同時異常對癡呆前階段AD患者認(rèn)知功能損害逐步進(jìn)展具有重要提示作用。有趣的是，我們發(fā)現(xiàn)A+T-N+、A-T-N+、A-T+N+與A+T+N-組具有相似的進(jìn)展風(fēng)險(xiǎn)，他們的進(jìn)展風(fēng)險(xiǎn)僅次于A+T+N+組。由此我們推測，當(dāng)MCI患者不滿足ATN框架下的AD診斷標(biāo)準(zhǔn)(即A+T+N+或A+T+N-)時，N+的出現(xiàn)可能預(yù)示未來進(jìn)展的高風(fēng)險(xiǎn)。

Meta分析結(jié)果顯示神經(jīng)心理學(xué)量表評分是MCI進(jìn)展的可靠且必要的預(yù)測指標(biāo)[17]。本研究結(jié)果顯示基線狀態(tài)具有較高FAQ評分和較低AFT評分的MCI患者表現(xiàn)出更高的進(jìn)展風(fēng)險(xiǎn)。Huang等[18]發(fā)現(xiàn)，基線FAQ評分表現(xiàn)出比影像學(xué)特征和腦脊液生物標(biāo)志物更強(qiáng)的預(yù)測能力，是很好的進(jìn)展預(yù)測因子。此外，我們觀察到基線時MCI患者中APOEε4等位基因攜帶者的比例介于認(rèn)知正常的老年人與AD患者之間，差異具有統(tǒng)計(jì)學(xué)意義，且APOEε4等位基因與MCI進(jìn)展密切相關(guān)。APOEε4等位基因是公認(rèn)的AD易感因子，APOEε4等位基因的存在可使MCI的發(fā)生風(fēng)險(xiǎn)增加1.4倍[19]，攜帶APOEε4等位基因的MCI患者未來5年內(nèi)進(jìn)展為AD的風(fēng)險(xiǎn)明顯高于未攜帶者[20]。因此，本研究建立的預(yù)測模型中納入的臨床預(yù)測因子具有較高的普遍應(yīng)用價(jià)值。

本研究初步探索了基于MRI的影像組學(xué)模型、ATN分類結(jié)果聯(lián)合臨床危險(xiǎn)因子的列線圖預(yù)測模型對MCI患者TTP的預(yù)測價(jià)值。通過將各危險(xiǎn)指標(biāo)的貢獻(xiàn)率以線段的長短表示，列線圖直觀簡潔地展示了不同ATN組合患者未來1、3和5年出現(xiàn)進(jìn)展的概率，具有很強(qiáng)的可視性和臨床實(shí)用性。本研究結(jié)果顯示該模型具有較好的預(yù)測效能，在訓(xùn)練集和驗(yàn)證集中的C-index分別為0.927和0.906。校正曲線表明對于估計(jì)MCI患者1、3和5年的生存率，列線圖估計(jì)值與實(shí)際值之間有較好的一致性。

本研究存在一定局限性：第一，本研究仍處于初級探索階段，基于MRI影像組學(xué)的ATN分類系統(tǒng)能否廣泛的運(yùn)用于不同認(rèn)知狀態(tài)的人群中尚需進(jìn)一步研究。第二，列線圖預(yù)測模型的建立是基于ADNI數(shù)據(jù)庫的一項(xiàng)回顧性分析，受到納入和排除標(biāo)準(zhǔn)的限制，樣本量較小，其預(yù)測性能有待于未來在多數(shù)據(jù)庫及大樣本研究中進(jìn)一步驗(yàn)證。