莫嘉杰 張建國 胡文瀚 張凱

0 引言

人類的大腦皮質(zhì)由相互連接的神經(jīng)元構(gòu)成，它們通過高度的折疊來增加大腦皮質(zhì)的表面積，從而顯著地提升了神經(jīng)元的數(shù)量。這種折疊形式在大腦顱骨下以帶狀分布，體現(xiàn)為大腦中溝回的組織形式，它們的平均厚度約為2.5 mm，在不同部位的厚度存在一定變化，但基本在1～4.5 mm之間。不同大腦部位的皮質(zhì)有著相對局部的皮質(zhì)表征，它們不僅表現(xiàn)為構(gòu)筑細胞的差異，同時也體現(xiàn)在其厚度在個體終生的變化和不同個體的差異性上。因此，了解大腦的皮質(zhì)厚度信息對于理解皮質(zhì)變化與個體差異、年齡老化以及腦疾病之間的關(guān)系至關(guān)重要。

過去40年里，結(jié)構(gòu)磁共振成像(structural magnetic resonance imaging，sMRI)技術(shù)取得了飛速的進展，獲得大腦皮質(zhì)信息的能力得到顯著提高。用于研究神經(jīng)解剖的磁共振計算方法、新型量化技術(shù)和后處理技術(shù)也不斷涌現(xiàn)。在癲癇外科領(lǐng)域，磁共振成像技術(shù)徹底改變了臨床醫(yī)師發(fā)現(xiàn)致癇灶的能力，并將研究領(lǐng)域從解剖-電-臨床關(guān)系轉(zhuǎn)向多學(xué)科研究。既往研究認為結(jié)構(gòu)磁共振上清晰的致癇灶陽性發(fā)現(xiàn)是臨床良好預(yù)后的關(guān)鍵因素[1]，跟顱內(nèi)腫瘤、血管畸形的病理不同，癲癇外科常見的皮質(zhì)發(fā)育不良(focal cortical dysplasia，F(xiàn)CD)和海馬硬化(hippocampal sclerosis，HS)等在磁共振上往往隱蔽或者“陰性”，給臨床工作帶來了巨大挑戰(zhàn)[2]。雖然神經(jīng)影像后處理方法的發(fā)展從不同方面提高了研究者對這些視覺上隱蔽或者較難發(fā)現(xiàn)的組織信息的探測能力，但目前這些神經(jīng)影像技術(shù)的進步和發(fā)展未能系統(tǒng)地轉(zhuǎn)化為臨床應(yīng)用，因此本文將針對目前癲癇外科結(jié)構(gòu)磁共振常用的分析方法、計算模型和統(tǒng)計應(yīng)用進行綜述(圖1)。

圖1 神經(jīng)影像分析技術(shù)在癲癇外科的研究進展Figure 1 Emerging trends in neuroimaging analysis methods in epilepsy surgery

1 分析方法

1.1 體素水平(voxel-based)分析

基于體素的形態(tài)測量(voxel based morphometry，VBM)較早由Ashburner和Friston在2000年提出[3]，該方法的基本思想是通過在逐個體素(voxel)上比較兩組受試者的灰質(zhì)密度來探測不同組別被試存在差異的區(qū)域。該方法的基本步驟為：(1) 將每個被試的高分辨率磁共振解剖T1加權(quán)圖形空間歸一化到相同的立體定位空間，如蒙特利爾標(biāo)準(zhǔn)空間[4]；(2) 在每個圖像中分割灰質(zhì)、白質(zhì)和腦脊液；(3) 使用高斯核函數(shù)(平均灰質(zhì)密度)平滑圖像；(4) 使用體素水平的參數(shù)或非參數(shù)方法來比較兩組灰質(zhì)密度的差異或?qū)ふ遗c臨床或認知變量的顯著關(guān)聯(lián)。

VBM方法在早期的癲癇腦成像研究中取得許多成果，并隨著研究方法的更新，已經(jīng)延伸出不同的影像后處理方法，如形態(tài)分析程序(morphometric analysis program，MAP)。該方法基于體素的形態(tài)定量評估皮質(zhì)解剖，逐體素定量地比較個體患者的灰質(zhì)概率圖與正常數(shù)據(jù)庫中的平均灰質(zhì)圖像，既往學(xué)者應(yīng)用MAP技術(shù)有效提高了磁共振陰性致癇灶的檢出率[5-7](圖2)。其他方法還有如PET的統(tǒng)計參數(shù)映射(statistical parametric mapping-PET，SPM-PET)等。

圖2 MAP技術(shù)后處理范例Figure 2 Example of morphometric analysis program post-processing

1.2 表面水平(surface-based)分析

基于表面形態(tài)分析(surface-based morphometry，SBM)較早由Besson等[8]在2008年提出，是紋理分析(texture analysis)的進階，其基本過程是通過重建大腦皮質(zhì)的三維表面，并提取代表大腦皮質(zhì)形態(tài)學(xué)特征，實現(xiàn)精確判定大腦皮質(zhì)面數(shù)據(jù)網(wǎng)格點(vertex)解剖區(qū)域定位和組間差異分析的計算。其基本計算過程如下：

(1) 對個體T1 影像進行密度標(biāo)準(zhǔn)化和射頻偏壓場不均性校正；

(2) 在個體空間圖像分割灰質(zhì)、白質(zhì)和腦脊液，估計不同組織邊界；

(3) 進行皮質(zhì)重建，通過半球分離、曲面細分及圖像變形使灰質(zhì)/白質(zhì)交界和軟腦膜表面網(wǎng)格化，重建出白質(zhì)表面(white matter surfaces)和軟腦膜表面(pial surfaces)；

(4) 拓撲結(jié)構(gòu)修正以及基于皮質(zhì)水平的配準(zhǔn)，空間平滑；

(5) 在“vertex”層面進行組間被試全腦范圍的參數(shù)檢驗或非參數(shù)檢驗。

在表面分析中，常用的指標(biāo)包括皮質(zhì)厚度、表面積以及復(fù)雜度等。相對VBM方法容易受到腦成像腦溝影響對檢測皮質(zhì)異常的靈敏度有限、Voxel-wise的平滑會降低皮質(zhì)間改變的特異度和增加了部分容積效應(yīng)等問題，SBM方法能有效克服這些不足，其對皮質(zhì)特征測量的優(yōu)勢使其在癲癇、退行性疾病等逐漸成為主流[9-11]。

VBM和SBM都同屬計算神經(jīng)解剖學(xué)，是通過各種測度來測量腦皮質(zhì)形狀和密度信息的影像后處理方法。VBM能夠全腦定量測量腦組織成分的局部體積和密度信息，從而刻畫局部腦區(qū)的特征和病理變化，但其體素信息是總體結(jié)果，不能厘清皮質(zhì)厚度、面積、皺褶度等內(nèi)在屬性對測量的影響。而SBM采用網(wǎng)格化表面的分析方法，采用的空間是一個基于表面的球面二維空間而非傳統(tǒng)的三維Talairach坐標(biāo)空間，更符合大腦皮質(zhì)本質(zhì)上是一張二維薄層的客觀事實，能夠更真實反映大腦皮質(zhì)結(jié)構(gòu)的內(nèi)在拓撲本質(zhì)[12]。但也存在無法評估皮質(zhì)下及白質(zhì)形態(tài)等問題。

就目前為止，基于體素的形態(tài)測量仍舊在評估灰質(zhì)體積的總體變化方面具有優(yōu)勢，但是灰質(zhì)體積可由兩種改變引起，即皮質(zhì)厚度和皮質(zhì)表面積。這兩種變化反映了人類皮質(zhì)的不同結(jié)構(gòu)特征，并且可能受到不同細胞因素的驅(qū)動(即皮質(zhì)表面積的皮質(zhì)微柱數(shù)和皮質(zhì)厚度內(nèi)微柱的細胞數(shù))。鑒于灰質(zhì)體積與皮質(zhì)表面積而非厚度有更密切的聯(lián)系，因此還需要更多的研究來闡明這VBM和SBM這兩種技術(shù)之間的關(guān)系，但在癲癇疾病中皮質(zhì)厚度的測量方法比體積研究所獲得的結(jié)果更為具體。此外，皮質(zhì)厚度提供了一個不易受個體位置變化影響的皮質(zhì)形態(tài)的直接指標(biāo)，因為無論位置差異，提取灰質(zhì)都遵循灰質(zhì)表面，尤其是在基線和隨訪的受試者內(nèi)部比較中。因此，在未來的研究中，SBM方法將成為灰質(zhì)研究的主要方法。

2 統(tǒng)計應(yīng)用

在比較患者和健康對照組腦結(jié)構(gòu)差異時，往往涉及不同的比較過程，并且在具體研究中由于研究假設(shè)的不同，研究者往往需要選擇合適的統(tǒng)計檢驗方法。如對不同組被試的腦結(jié)構(gòu)數(shù)據(jù)或者同一組被試前后測的腦結(jié)構(gòu)數(shù)據(jù)的比較往往涉及正態(tài)分布先驗下的t檢驗，而對個體變異更感興趣的研究則更多地使用相關(guān)或者回歸方法來進行統(tǒng)計。由于腦結(jié)構(gòu)數(shù)據(jù)的高維特性，以及相關(guān)研究往往在小樣本情況下進行，因此，嚴格地使用先驗假設(shè)的統(tǒng)計方法對于研究結(jié)果的可靠性和魯棒性都極為重要。本部分將結(jié)合具體問題來簡要介紹在癲癇的結(jié)構(gòu)影響數(shù)據(jù)中常用的統(tǒng)計方法，并且對這些方法的適用情況進行討論。

2.1 差異驅(qū)動統(tǒng)計

基于體素的兩樣本t檢驗較常用于表面分析的組間比較中[13，14]，其在單一體素水平生成一個t值，是組間對比效應(yīng)量的主要步驟，P值后續(xù)根據(jù)研究設(shè)計(探索性研究或驗證性研究)決定是否進行多重比較校正。

Hotelling’st2檢驗是兩組間t檢驗進行多元分析的延伸，是多元分析中用于組間均向量的比較[15]。比如神經(jīng)影像分析可測量出多種形態(tài)特征(皮質(zhì)厚度、溝回深度、溝回曲率等)，單變量t檢驗僅能進行單獨分析，而Hotelling’st2檢驗?zāi)芫C合所有形態(tài)學(xué)的信息進行結(jié)果解讀，適用于在多變量的研究當(dāng)中。

2.2 協(xié)變驅(qū)動統(tǒng)計

相關(guān)分析是影像量化特征和臨床信息之間相關(guān)關(guān)系的統(tǒng)計指標(biāo)，如癲癇病程對皮質(zhì)厚度的影響等。常用的有Pearson相關(guān)和Spearman相關(guān)，前者強調(diào)兩個連續(xù)變量之間的線性關(guān)系，即當(dāng)一個變量增加時，另一個變量增加一致量，這形成了一種遞增直線關(guān)系；而后者強調(diào)兩個連續(xù)變量之間的單調(diào)關(guān)系，即一個變量在另一個變量增加時增加，但數(shù)量不一致。另外，當(dāng)考慮一個變量和多個變量存在相關(guān)(如皮質(zhì)厚度可能與疾病病程和發(fā)作頻率同時存在相關(guān)關(guān)系)可用復(fù)相關(guān)。而如當(dāng)考慮其他變量對試驗有影響，需要進行變量控制的情況(如皮質(zhì)厚度和疾病病程相關(guān)，但是患者的年齡、大腦容積可能是混雜因素，需要控制)，可使用偏相關(guān)。

回歸分析是對具有相關(guān)關(guān)系的兩個或以上變量之間的共變關(guān)系進行測定，以確立相應(yīng)的數(shù)學(xué)表達式，從一個已知量來推測另一個未知量。相關(guān)分析是回歸分析的基礎(chǔ)，回歸分析是相關(guān)分析的深入，在用于根據(jù)影像特征對疾病自動分類中存在潛在價值例如提取海馬硬化相關(guān)影像特征，對其進行自動識別[2]。

這里需提醒兩個容易混淆的概念——協(xié)方差(covariance)和協(xié)方差分析，并且有必要對協(xié)方差分析和偏相關(guān)分析進行區(qū)分：協(xié)方差表示的是兩個變量總體誤差的期望，一般表示兩個變量之間的相關(guān)關(guān)系，而相關(guān)系數(shù)(correlation)是協(xié)方差的歸一化(normalization)，消除了兩個變量量綱/變化幅度不同的影響，能夠單純反映兩個變量在每單位變化的相似程度。而協(xié)方差分析實際是方差分析的引申和擴大，基本原理是將線性回歸與方差分析結(jié)合起來，檢驗和控制協(xié)變量(不可控因素)在方差分析中的影響；偏相關(guān)分析是測量排除不可控因素(數(shù)值變量)外的變量之間的相關(guān)程度。

2.3 計算模型

一般線性模型(general linear models，GLM)由于廣泛應(yīng)用于神經(jīng)影像學(xué)統(tǒng)計分析，其能對“voxel”或“vertex”的數(shù)據(jù)進行線性回歸，以確定數(shù)據(jù)是否具有顯著性。分析時根據(jù)數(shù)據(jù)類型和先驗假設(shè)選擇不同模型進行統(tǒng)計計算，簡單的包括簡單回歸(simple regression)、方差分析(analysis of variance，ANOVA)和多重回歸(multiple regression)。GLM還包含其他形式，如混合效應(yīng)模型(mixed effects models)、層級模型(hierarchical models)、時間序列模型(timeseries models)、穩(wěn)健回歸(robust models)以及正則化回歸模型(penalized regression models)(套索回歸LASSO、嶺回歸Ridge等)。最后還有一種廣義線性模型(generalized linear models)，它包含了非正態(tài)誤差(non-normal errors)、不同誤差分布和邏輯回歸(logistic regression)。

GLM的基本模型為：

G{E(Y)}=β0+β1X1+β2X2+…+βkXk

式中：X為自變量；Y為因變量；G{ }為連接函數(shù)。

該模型可以分解為三個要素：

(1) GLM1為隨機要素，因變量Y的每個觀測值Yi相互獨立且服從指數(shù)型分布族，常見有正態(tài)分布、泊松(Poisson)分布、二項分布和擬高斯分布等。

(2) GLM2為系統(tǒng)要素，即解釋變量的線性組合，表示為μ=β1X1+…+βkXk，可看出同經(jīng)典線性回歸模型，仍保持線性結(jié)構(gòu)。

(3) GLM3為連接要素，G(μ)=η或E(Y)=μ=G-1(η)。其中G嚴格單調(diào)且可導(dǎo)，稱為聯(lián)系函數(shù)(link function)，常見的有對等(identity)、對數(shù)(log)和Logit等，其建立了隨機要素與系統(tǒng)要素之間的關(guān)系?？梢姡珿LM對因變量的預(yù)測值不直接等于解釋變量的線性組合，而是該線性組合的一個函數(shù)變換[16]。

3 影像分析面臨的問題

3.1 效能分析

效能分析(power analysis)通過估計試驗樣本量從而增加統(tǒng)計結(jié)論的可信力和可解釋性。其通過檢驗統(tǒng)計量和效能設(shè)置，對樣本量進行估計。

3.2 選擇合適的統(tǒng)計模型

對于臨床研究，研究者往往從患者和匹配的對照組之間是否存在腦結(jié)構(gòu)差異的假設(shè)出發(fā)來設(shè)計研究方案。在這種假設(shè)下，往往討論兩組被試或者多組被試間的差異。雖然在參數(shù)檢驗框架下一個很重要的步驟是檢驗數(shù)據(jù)是否符合要執(zhí)行的檢驗對樣本數(shù)據(jù)分布的要求，但是由于在實際統(tǒng)計時是基于體素(voxel/vertex)來逐個檢驗組間差異的，受到巨大數(shù)據(jù)量的影響，很難一一檢驗這些比較中的數(shù)據(jù)是否符合某種具體的先驗分布，因此，在樣本量足夠大的情況下，往往默認這種情況，并執(zhí)行參數(shù)檢驗。但是，有許多小樣本研究也忽略此問題，而直接使用參數(shù)檢驗，這可能提升此類研究第一類錯誤的發(fā)生率。

3.3 檢驗統(tǒng)計量

檢驗統(tǒng)計量(test statistic)用以測量零假設(shè)(null hypothesis)和數(shù)據(jù)之間的一致性，通過計算檢驗統(tǒng)計量以及對應(yīng)的P值來決定是否否定零假設(shè)。神經(jīng)影像的組分析一般使用t值作為檢驗統(tǒng)計量，但Cohen’sd值(組間均數(shù)差除以合并標(biāo)準(zhǔn)差)也常使用[11，13-14]。

3.4 多重校正

多重比較校正(multiple comparison correction)在腦成像領(lǐng)域是一個重要的統(tǒng)計問題。在進行組間統(tǒng)計時，需針對每一體素(voxel/vertex)逐一進行分析，如果直接進行檢驗，出現(xiàn)統(tǒng)計學(xué)顯著的簇(cluster)很可能是假陽性的結(jié)果，量化假陽性可能性的方法包括：錯誤發(fā)現(xiàn)率(false discovery rate，F(xiàn)DR)，它控制了所有被拒絕的檢驗中假陽性的比例；整體錯誤率(family-wise-error rate，F(xiàn)WER)，它指的是多重比較時，出現(xiàn)假陽性的可能性。因此需要引入多重校正方法，目前常用的包括FDR校正、Bonferroni校正、FWE校正、置換(permutation)校正和Cluster校正。

3.4.1 FDR 校正[17]

這種方法控制所有陽性結(jié)果中假陽性的比例。將所有(N個)體素(voxel/vertex)計算的P值進行從小到大排序，找到第n個P值大于 0.05n/N。

3.4.2 Bonferroni校正

此方法是用指定顯著水平(一般是0.05)除去多重比較的數(shù)目，得到一個比較低的閾限。但是這種方法往往比較苛刻，只在比較數(shù)目比較少的時候適用。面對神經(jīng)影像的數(shù)據(jù)，Bonferroni校正顯得不太合適，因為其服從一個基本假設(shè)是每次實驗是否獨立，但像神經(jīng)影像這樣鄰近體素(voxel/vertex)的信號往往具有高相關(guān)性。

3.4.3 FWE校正

FEW校正直接控制整體犯錯誤概率。人們常選用隨機場理論(random field theory，RFT)進行FWE校正[18]，其基本假設(shè)就是空間鄰近的體素(voxel/vertex)具有相關(guān)性(也可以說是存在由空間平滑造成的相關(guān))，則在檢驗前，先估算數(shù)據(jù)的平滑程度，再基于這一指標(biāo)計算某個體素不是由隨機因素引起顯著的概率。其假設(shè)要求平滑程度至少要為數(shù)據(jù)最小空間分辨率的2～3倍(而且平滑程度越大，檢驗效果越寬松)。

3.4.4 Permutation校正

對原始數(shù)據(jù)進行多次(1000次或以上)隨機化/置換迭代，得到的將是一個隨機的零分布，考察真實數(shù)據(jù)在這一分布中的位置，然后進行一次排序(permutation)，如果在分布的兩級(單側(cè)5%或雙側(cè)2.5%)，則認為真實數(shù)據(jù)不屬于隨機的零分布，而是符合預(yù)期的假設(shè)。

3.4.5 Cluster校正

這種方法以顯著差異的簇為校正單位，較Voxel或Vertex-wise的校正寬松。首先需要定義團塊：設(shè)置校正前閾值(cluster-defining threshold，CDT)(包括檢驗統(tǒng)計量或P值)，滿足該閾值的空間上相鄰的體素組成一個團塊，全腦內(nèi)將形成大小各異的簇。然后根據(jù)分析自由度和一般線性模型殘差的空間自相關(guān)的近似水平，對簇大小與利用高斯隨機場理論(Gaussian-RFT)[19]或置換檢驗下預(yù)期簇大小的零分布進行比較，最后選擇閾值。所以體素(voxel/vertex)有一個閾限設(shè)定，簇也有一個閾限設(shè)定，隨后也能進行P值的多重校正。

既往研究認為基于簇的校正方法的假陽性錯誤率明顯高于基于體素的校正方法，這可能是由于基于簇的校正方法還須假定空間自相關(guān)函數(shù)具有高斯形狀，這一特定假設(shè)可能不符合實際[20]。目前正在發(fā)展的方法是無閾值簇群增強校正(threshold-free cluster enhancement,TFCE)[21]，這是一種將結(jié)合強度(intensity)(檢驗統(tǒng)計量)和空間擴展度(spatial extensity)整合為一體的方法，或者說這種方法結(jié)合了簇的強度和大小的信息，把統(tǒng)計值積分再乘以其閾上的面積，該方法的應(yīng)用越來越廣泛。

總體而言，沒有任何一種統(tǒng)計校正方法是完美的，在實際應(yīng)用中應(yīng)根據(jù)研究目的及數(shù)據(jù)實際情況平衡檢出率和假陽性率兩個方面，基于體素的校正方法假陽性率低，但檢出率也相對較低，更適合差異顯著的情況；而基于簇的校正方法檢出率高，但假陽性率也相對較高，更適合差異不顯著情況[22]。

3.5 可重復(fù)性分析

可重復(fù)性分析(reproducibility analysis)可進一步增加統(tǒng)計分析的可靠性，一般可利用Bootstrap方法估測組間對比的一致性，通過進行兩組間多次(1 000次或以上)隨機重采樣，進行相同的統(tǒng)計分析和多重校正，最后可得出1 000次隨機迭代的概率結(jié)果，使結(jié)果解讀更具科學(xué)性和魯棒性。

4 小結(jié)

本文重點闡述癲癇外科結(jié)構(gòu)磁共振科研工作中較常遇到的分析方法、計算模型和統(tǒng)計應(yīng)用等方面進行全面的闡述，如分析方法中介紹了目前科研方向，包括VBM、SBM分析方法，以及常用的統(tǒng)計軟件和可視化工具包；計算模型介紹了現(xiàn)在常用的不同驅(qū)動目的的分析方法和GLM模型，后者內(nèi)含多種形式，根據(jù)數(shù)據(jù)和先驗假設(shè)進行不同的選擇；而統(tǒng)計方法是本文的重點闡述部分，其中包括統(tǒng)計方法選擇、檢驗統(tǒng)計量解釋、多重校正介紹以及增加實驗可信度的方法。

基于體素分析方法的創(chuàng)建和發(fā)展，成為了現(xiàn)代計算神經(jīng)影像學(xué)的理論基礎(chǔ)和重要基石，SPM和Fsl等軟件包的推出使得分析過程更加規(guī)范和便捷。除此以外，在體素水平上進一步研發(fā)的表面水平分析方法目前成為了研究熱點，尤其在獲取皮質(zhì)折疊、溝回信息等方面[23]。在選定好分析方法后，對統(tǒng)計應(yīng)用的選擇也異常重要，根據(jù)具體場景，選擇差異驅(qū)動或協(xié)變驅(qū)動的統(tǒng)計方法，而且根據(jù)數(shù)據(jù)分布和類型選擇合適的分析方法，如參數(shù)或非參的選擇。此外，神經(jīng)影像學(xué)統(tǒng)計和臨床變量統(tǒng)計不全一樣，前者常設(shè)計多重校正的問題，本文也介紹了多種多重校正的方法，引入了檢驗統(tǒng)計量的描述，并且建議使用可重復(fù)性分析，使結(jié)果更有說服力。

本文介紹的統(tǒng)計分析從最常用的結(jié)構(gòu)磁共振影像入手，未覆蓋目前常見的其他模態(tài)如斷層神經(jīng)成像(computed tomography，CT)、功能磁共振(functional magnetic resonance imaging，fMRI)、磁共振張量成像(diffusion tensor imaging，DTI)、磁共振波譜分析(magnetic resonance spectroscopy，MRS)和代謝成像(positron emission tomography，PET)等，個別模態(tài)的處理細節(jié)未展開敘述，但是神經(jīng)影像統(tǒng)計分析的思維和方法是相通的，可以相互借鑒和運用。隨著顯著增加的跨尺度多模態(tài)成像數(shù)據(jù)的增加，挖掘影像表型特征復(fù)雜度和多樣性的提高，未來神經(jīng)成像研究的模型建立、統(tǒng)計分析、特征描述可能依賴更先進的計算設(shè)備和算法，以及強大的儲存、管理和可視化復(fù)雜數(shù)據(jù)的新技術(shù)。同時，新發(fā)現(xiàn)的再重復(fù)性驗證需要大量公開的、合作的共享數(shù)據(jù)和詳細的分析流程，才能更好地促進科研成果向臨床轉(zhuǎn)化。

致謝感謝中南大學(xué)羅熙康和華南師范大學(xué)陳宇峰對本文的幫助。