胡冰，譚萱羽，劉婉晴，李丹陽，張清

作者單位：大連大學(xué)附屬中山醫(yī)院放射科，大連116001

多數(shù)神經(jīng)退行性疾病及精神障礙類疾病發(fā)病機(jī)理復(fù)雜多變，導(dǎo)致較高的發(fā)病率與致殘率，使臨床診療方面存在較大困難。在診斷方面，影像學(xué)從傳統(tǒng)多模態(tài)MRI 分析逐漸向數(shù)據(jù)融合分析發(fā)展，為這些疾病的功能、結(jié)構(gòu)等研究提供了多種手段。傳統(tǒng)多模態(tài)MRI 數(shù)據(jù)分析是基于單個(gè)模態(tài)分別分析，再在統(tǒng)計(jì)階段對數(shù)據(jù)進(jìn)行簡單的比較或相關(guān)性分析，導(dǎo)致最終結(jié)果較分散，可重復(fù)性較低，不能有效利用各模態(tài)之間的先驗(yàn)交互信息。而數(shù)據(jù)融合分析則是在統(tǒng)計(jì)分析之前對數(shù)據(jù)本身進(jìn)行融合，利用各模態(tài)數(shù)據(jù)間的互補(bǔ)性，提供多角度、多層次的綜合視角，從而更深入透徹地揭示與神經(jīng)精神疾病相關(guān)的復(fù)雜病理機(jī)制。

鏈接獨(dú)立成分分析[1](linked independent component analysis，LICA)是一種基于數(shù)據(jù)驅(qū)動(dòng)的多模態(tài)數(shù)據(jù)融合分析方法，可以同時(shí)對不同模態(tài)進(jìn)行獨(dú)立成分分析。相對于其他融合方法，該方法在約束的嵌入方面條件更加寬松，模態(tài)組之間可具有完全不同的單位、信噪比、體素計(jì)數(shù)、空間平滑度和強(qiáng)度分布。此外，該方法能夠自動(dòng)確定每個(gè)模態(tài)的最佳權(quán)重，以提取出單模態(tài)及多模態(tài)獨(dú)立成分。因此LICA 憑借其可重復(fù)性強(qiáng)、可適性高的優(yōu)勢，在神經(jīng)精神疾病，尤其是神經(jīng)退行性疾病及精神障礙疾病等疾病領(lǐng)域應(yīng)用較廣泛。

1 LICA基本原理

獨(dú)立成分分析[2](independent component analysis，ICA)在磁共振數(shù)據(jù)處理的應(yīng)用已經(jīng)開展近二十年，它是一種盲源分離技術(shù)，不需要先驗(yàn)假設(shè)模型，而是基于數(shù)據(jù)驅(qū)動(dòng)將觀察到的磁共振信號直接分離成一系列的獨(dú)立成分，但其只能對單一模態(tài)數(shù)據(jù)進(jìn)行分析處理。

LICA 是在ICA 的基礎(chǔ)上使用模塊化貝葉斯框架，同時(shí)建模和發(fā)現(xiàn)多個(gè)模態(tài)之間的共同特征，這些特征可能具有完全不同的單位、信噪比、體素計(jì)數(shù)、空間平滑度和強(qiáng)度分布。鏈接ICA有兩種配置：一種是“鏈接張量ICA”，另一種是“鏈接矩陣ICA”，在這兩種配置中均使用貝葉斯張量ICA 對每個(gè)模態(tài)進(jìn)行建模，所有模態(tài)之間共享的被試加權(quán)矩陣會(huì)自動(dòng)平衡各模態(tài)的信息，每個(gè)成分(independent component，IC)由單個(gè)被試權(quán)重和每個(gè)模態(tài)中的一張空間地圖組成。LICA根據(jù)變分貝葉斯這一完全概率方法自動(dòng)確定每個(gè)模態(tài)的最佳權(quán)重，甚至可以檢測到單模態(tài)成分，但因其鏈接分析模型可以更好地解釋特異性，因此優(yōu)于單模態(tài)獨(dú)立成分分析。

在該模型中，“模態(tài)”被定義為單個(gè)對比度圖像，即從數(shù)據(jù)中提取出的特征，不同的模態(tài)具有不同的單位、信噪比等，單個(gè)數(shù)據(jù)分析可能會(huì)產(chǎn)生多個(gè)不同的對比度圖像，例如，擴(kuò)散張量成像(diffusion tensor imaging，DTI)分析可以生成各向異性分?jǐn)?shù)(fractional anisotropy，F(xiàn)A)、平均擴(kuò)散率(mean diffusivity，MD)分和擴(kuò)散張量模式(diffusion tensor mode，MO)等，因其包含不同的互補(bǔ)信息被視為多模態(tài)，將相似的模態(tài)收集到“k個(gè)模態(tài)組”中，同一模態(tài)組中的模態(tài)空間上彼此對齊，并具有相同的空間掩碼、相似的空間屬性。使用貝葉斯張量ICA 模型對每個(gè)模態(tài)組建模。對于每個(gè)模態(tài)組k，使用張量分解將數(shù)據(jù)表示為若干個(gè)成分之和，其中每個(gè)成分i=1,2,…,L可以表示為體素、被試以及模態(tài)的張量乘積，如下所示：

2 LICA在神經(jīng)退行性疾病中的應(yīng)用

2.1 阿爾茨海默病

阿爾茨海默病(Alzheimer′s disease，AD)是一種與年齡增長密切相關(guān)的中樞神經(jīng)系統(tǒng)退行性疾病，其特征是記憶障礙和認(rèn)知功能逐漸下降等[3]。Groves 等[1]首次提出LICA 這一方法，并將其應(yīng)用于AD 研究。結(jié)果表明AD 患者M(jìn)D 普遍增加、灰質(zhì)體積減小，胼胝體和大鉗FA和MO減少，內(nèi)囊、放射冠和上縱束等上縱束穿過下行纖維的區(qū)域FA和MO增加，筆者推測其原因可能是交叉纖維區(qū)域弱勢纖維選擇性退化導(dǎo)致的代償性增加。

Kincses等[4]用LICA對AD患者的DTI數(shù)據(jù)進(jìn)行了分析，發(fā)現(xiàn)了兩個(gè)具有組間差異的成分。IC0 以軸向擴(kuò)散系數(shù)(axial diffusivity，Da)增加為主，主要分布在胼胝體、放射冠、上縱束等白質(zhì)纖維束交匯處以及中顳結(jié)構(gòu)。IC3主要是Da和MD變化，表現(xiàn)為左側(cè)海馬旁軸向擴(kuò)散率增加左側(cè)楔前葉皮質(zhì)旁MD增加。該研究結(jié)果表明AD 的擴(kuò)散變化主要是由軸向擴(kuò)散率的增加引起的，而且軸向擴(kuò)散率的增加與平均擴(kuò)散率、徑向擴(kuò)散率的增加平行，這可能表明軸突丟失是病理關(guān)鍵，并且支持晚期髓鞘相關(guān)纖維的白質(zhì)解體[5]與華勒氏變性相關(guān)解體[6]并存。

Doan等[7]運(yùn)用LICA分析了AD、輕度認(rèn)知障礙(mild cognitive impairment，MCI)和主觀認(rèn)知障礙(subjective cognitive impairment，SCI)患者的五個(gè)DTI 指標(biāo)、兩個(gè)交叉纖維指標(biāo)以及白質(zhì)連接密度(white matter connection density，CDM)，識別出對AD 高度敏感的多模態(tài)成分，且其結(jié)果分布比單模態(tài)分析更為廣泛。其主要成分IC0 是一個(gè)對疾病嚴(yán)重程度高度敏感的多模態(tài)成分，擴(kuò)散率指標(biāo)占該成分的33%，包括枕、顳、頂、額葉以及胼胝體、穹窿，該成分與認(rèn)知呈正相關(guān)，與執(zhí)行功能呈負(fù)相關(guān)，反映全腦擴(kuò)散率隨著認(rèn)知障礙的進(jìn)展而增加，這與Cremers 等[8]的研究相符。FA、MO 和f1 (dominant fiber map，f1)的普遍協(xié)調(diào)下降表明非癡呆者在大多數(shù)白質(zhì)區(qū)域保留了優(yōu)勢纖維，如胼胝體膝部和穹窿，F(xiàn)A、MO及f1的增加主要局限于半卵圓中心、皮質(zhì)脊髓束。半卵圓中心、胼胝體壓部的f2 (non-dominant fiber map，f2)增加表明非癡呆者的非優(yōu)勢纖維方向保持不變。此外，CDM 約占IC0 的5%，它提供了基于交叉纖維模型的全腦體素概率束成像的白質(zhì)連接的獨(dú)特特征，AD 中已知與疾病有關(guān)的通路CDM 降低，如穹窿、鉤狀束和胼胝體膝部，而投射通路、包括雙側(cè)皮質(zhì)脊髓束在內(nèi)的運(yùn)動(dòng)相關(guān)通路的CDM 增加，這一結(jié)論支持了AD 逆行模型假說[5]。此外，相較于基于感興趣區(qū)的傳統(tǒng)分析，IC0 對AD 與SCI 之間產(chǎn)生了更大的分類效應(yīng)和更高的組分類準(zhǔn)確性(AUC=0.80)，這表明LICA 是一種研究AD 患者白質(zhì)差異性的敏感方法。IC21 是一個(gè)與年齡無關(guān)但與認(rèn)知呈負(fù)相關(guān)的診斷成分，主要表現(xiàn)為兩側(cè)胼胝體和內(nèi)囊的CDM 增加，該成分可以識別分類AD 和MCI (AUC=0.70)，推測可能是由于AD 患者更依賴保留的白質(zhì)束，而不是更受影響的邊緣系統(tǒng)。該研究結(jié)果表明AD 譜中的病理生理過程與白質(zhì)結(jié)構(gòu)畸變相關(guān)，其大小與臨床嚴(yán)重程度密切相關(guān)，為AD 的白質(zhì)結(jié)構(gòu)研究提供了一個(gè)新的視角。但是研究僅從DTI模態(tài)出發(fā)，發(fā)現(xiàn)了AD患者白質(zhì)相關(guān)變化，未來的研究應(yīng)該著重于跨成像模態(tài)(結(jié)構(gòu)MRI、擴(kuò)散MRI、功能MRI等)組合特征。

圖1 多模態(tài)數(shù)據(jù)Y 的鏈接獨(dú)立成分分析示意圖，X(k)代表空間地圖，W(k)代表模態(tài)權(quán)重，H 代表共享的被試加權(quán)矩陣，E(k)代表殘差。1A：鏈接張量ICA，每個(gè)模態(tài)組對應(yīng)單獨(dú)的張量ICA，其數(shù)據(jù)維度為Nk × Tk × R (體素×模態(tài)×被試)。每個(gè)模態(tài)組包含一個(gè)或多個(gè)模態(tài)數(shù)據(jù)；1B：鏈接矩陣ICA，所有模態(tài)通過被試加權(quán)矩陣H 鏈接在一起。Fig. 1 The diagrammatic sketch of the LICA that models multimodal data Y, spatial map X(k), modality weights W(k), a shared subject-weighting matrix H,residual E(k). 1A: Linked tensor ICA, each modal group corresponds to a separate tensor ICA, and its data dimension is Nk × Tk × R (voxels×modalities×subjects).Each of the modality groups contains one or more modalities.1B:Linked flat ICA,all modes are linked together through subject weighting matrix H.

Doan等[9]運(yùn)用LICA 分析了AD、MCI 和SCI 患者的灰質(zhì)結(jié)構(gòu)，并使用LASSO分類器(lesat absolute shrinkage and seletion operator，LASSO)評估了LICA 成分對AD 以及早期和晚期正常衰老的敏感性和診斷準(zhǔn)確性，發(fā)現(xiàn)3 個(gè)成分對AD 的診斷和認(rèn)知狀態(tài)敏感性較高，IC0 以皮質(zhì)厚度和灰質(zhì)密度為主，是衰老和AD 之間的共同特征，隨著年齡的增長，皮質(zhì)廣泛變薄，這與Vidal-Pineiro 等[10]的發(fā)現(xiàn)一致，灰質(zhì)密度則是雙向性變化，既有增高也有減低，表明皮質(zhì)厚度和灰質(zhì)密度之間存在腦區(qū)域差異，推測其可能與年齡差異有關(guān)。而IC5與IC9則是AD特異性特征。IC5 以晚期內(nèi)側(cè)顳葉萎縮為主，AD 患者內(nèi)嗅皮層、海馬和島葉的皮質(zhì)厚度和灰質(zhì)密度協(xié)調(diào)性減低，但該研究表明內(nèi)側(cè)顳葉萎縮并非AD的特異性表現(xiàn)，這一點(diǎn)與Fjell等[11]的研究一致。IC9代表皮質(zhì)厚度和灰質(zhì)密度的前后梯度變化，是唯一與診斷相關(guān)但與年齡無關(guān)的成分，表現(xiàn)為對稱性分布的皮質(zhì)厚度和灰質(zhì)密度由前向后呈梯度降低，如楔前葉、后扣帶回皮質(zhì)變薄，灰質(zhì)密度減低。在分類方面，發(fā)現(xiàn)LICA 多模態(tài)成分可以高精準(zhǔn)度預(yù)測AD 和衰老[早期(18～45 歲)、晚期(45～90 歲)和全年齡范圍R2分別為0.42、0.62 和0.77]，還觀察到AD 和健康人之間的高分類性能(AUC=0.87)，符合理想生物標(biāo)志物的要求。Doan等[9]還發(fā)現(xiàn)早發(fā)性AD枕葉和頂葉萎縮最為嚴(yán)重，而晚發(fā)性AD 則是海馬明顯萎縮，支持早發(fā)性和晚發(fā)性AD 發(fā)病機(jī)制并不相同。該研究表明衰老和AD 之間既有共同的特征，也有獨(dú)有的特征，共同的大腦變化是全局性的，而差異變化更趨向于局部，為AD 的研究提供了一個(gè)新的方向。該研究同樣僅對AD 患者的結(jié)構(gòu)MRI 進(jìn)行了分析，未來的研究應(yīng)結(jié)合功能MRI評估AD患者的腦影像變化。

2.2 帕金森病

帕金森病(Parkinson′s disease，PD)是一種神經(jīng)退行性運(yùn)動(dòng)障礙，病理改變主要是黑質(zhì)中的多巴胺能神經(jīng)元進(jìn)行性退變[12]和α-突觸核蛋白的廣泛聚集[13]。運(yùn)動(dòng)遲緩、靜止性震顫和異常步態(tài)為其運(yùn)動(dòng)癥狀特征，神經(jīng)認(rèn)知和精神癥狀為非運(yùn)動(dòng)癥狀。

Klein 等[14]使用LICA 研究了早期PD 的皮質(zhì)變化，發(fā)現(xiàn)了一個(gè)與診斷明顯相關(guān)的多模態(tài)成分，該成分主要由背外側(cè)前額葉皮質(zhì)、扣帶回、運(yùn)動(dòng)前皮質(zhì)和頂上小葉的FA 減少所決定，表明PD 早期的皮質(zhì)多模態(tài)變化主要以擴(kuò)散率為主，提示皮質(zhì)微結(jié)構(gòu)的不完整，且其程度與認(rèn)知能力相關(guān)。而該成分中中邊緣皮質(zhì)、體感皮質(zhì)和上頂葉皮質(zhì)MD 的增加表明組織完整性或細(xì)胞總體性喪失。此外，該成分中還包括頂葉外側(cè)和右前額葉皮質(zhì)的稀疏擴(kuò)散率減少。該研究證實(shí)并拓展了既往關(guān)于PD患者FA的研究，為早期PD患者的認(rèn)知狀態(tài)和皮質(zhì)微觀結(jié)構(gòu)之間提供了聯(lián)系，而且這些變化在單模態(tài)分析中未被發(fā)現(xiàn)。

Andica 等[15]使用軸突定向彌散和密度成像(neurite orientation dispersion and density imaging，NODDI)和LICA評估了與帕金森病神經(jīng)認(rèn)知和精神障礙相關(guān)的白質(zhì)微結(jié)構(gòu)改變，探尋到一個(gè)與診斷明顯相關(guān)的多模態(tài)成分IC1，細(xì)胞內(nèi)體積分?jǐn)?shù)(intracellular volume fraction，ICVF)占最高權(quán)重(59%)。ICVF 作為NODDI 的一個(gè)指數(shù)，反映了神經(jīng)軸突密度。PD患者軸突密度普遍降低，表明PD白質(zhì)病理的一個(gè)主要因素是以ICVF 減少為標(biāo)志的軸突丟失，而且與神經(jīng)認(rèn)知和精神障礙有關(guān)，與不伴有神經(jīng)認(rèn)知和精神障礙的患者相比，前者軸突密度下降更廣泛，以后部為主，如胼胝體大鉗、扣帶回、內(nèi)囊后肢及上縱束等一些長聯(lián)合纖維。證明PD患者的大腦后部在神經(jīng)認(rèn)知和精神障礙進(jìn)展中起著重要作用，這與Zhang等[16]、Kamagata 等[17]的研究結(jié)果相吻合。該研究結(jié)果表明ICVF 可作為一種與帕金森病神經(jīng)認(rèn)知和精神障礙相關(guān)的大腦皮層微觀結(jié)構(gòu)變化的生物標(biāo)志物。

2.3 亨廷頓病

亨廷頓病(Huntington′s disease，HD)是一種由HTT 基因突變引起胞嘧啶-腺嘌呤-鳥嘌呤(cytosine-adenine-guanine，CAG)三核苷酸重復(fù)序列異常增殖的遺傳性神經(jīng)退行性疾病，其癥狀包括運(yùn)動(dòng)障礙、認(rèn)知功能障礙以及精神癥狀[18]。盡管潛在基因突變相同，但每種癥狀的突出程度卻有高度的異質(zhì)性，這可能是由不同神經(jīng)回路的退行性變程度的差異導(dǎo)致的。

Garcia-Gorro 等[19]首次將LICA 應(yīng)用于HD，根據(jù)亨廷頓病統(tǒng)一評定量表(Unified Huntington′s Disease Rating Scale，UHDRS)的診斷置信分?jǐn)?shù)(diagnostic confidence score，DCS)，將HD基因攜帶者分為顯性和預(yù)顯性兩組，對其灰質(zhì)和白質(zhì)數(shù)據(jù)進(jìn)行融合分析，結(jié)果發(fā)現(xiàn)HD 的認(rèn)知和運(yùn)動(dòng)癥狀具有共同的神經(jīng)生物學(xué)基礎(chǔ)，而精神癥狀則呈現(xiàn)出不同的神經(jīng)特征，這與Kim 等[20]研究一致，其原因可能是所涉及的皮質(zhì)-紋狀體回路及多巴胺能途徑不同。該研究還發(fā)現(xiàn)與認(rèn)知-運(yùn)動(dòng)癥狀相關(guān)的空間地圖和與精神癥狀相關(guān)的空間地圖之間存在較大差異，而且重疊程度較低。認(rèn)知和運(yùn)動(dòng)癥狀與涉及該功能腦區(qū)的皮質(zhì)厚度、灰質(zhì)體積及結(jié)構(gòu)連通性減低有關(guān)，如輔助運(yùn)動(dòng)區(qū)和軀體感覺皮層的皮質(zhì)厚度變薄和灰質(zhì)體積減小，皮質(zhì)脊髓束和胼胝體連通性減低，且各模態(tài)對此貢獻(xiàn)程度大致相同。精神癥狀則是與情緒處理相關(guān)腦區(qū)中皮質(zhì)厚度變薄、灰質(zhì)體積減小和白質(zhì)連通性的減低相關(guān)，且以明顯左側(cè)化的皮質(zhì)厚度變薄為主，這與Tu 等[21]關(guān)于抑郁癥的研究一致。此外，該研究還表明HD 患者的抑郁癥狀與紋狀體變性無關(guān)，因此抑郁癥狀在疾病不同階段各有變化，但與疾病進(jìn)展無關(guān)[20]，然而認(rèn)知和運(yùn)動(dòng)障礙與疾病分期有顯著關(guān)系，隨著疾病的進(jìn)展而惡化[22]。該研究表明對HD 的研究應(yīng)考慮個(gè)體差異，開拓了一種新的視角。

3 LICA在精神障礙疾病中的應(yīng)用

3.1 精神分裂癥

精神分裂癥(schizophrenia，SZ)是一種以妄想、幻覺和思維混亂為特征的精神類疾病，具有顯著的認(rèn)知功能障礙[23]。關(guān)于SZ患者腦多模態(tài)MRI研究向來是熱點(diǎn)，包括皮質(zhì)厚度、表面積、灰質(zhì)體積的減少[24]、額顳白質(zhì)束破壞[25]、額顳葉之間的連接改變[26]。

Brandt 等[27]采用LICA 測試了在n-back 工作記憶任務(wù)中由靜息態(tài)磁共振激活產(chǎn)生的任務(wù)陽性(額頂網(wǎng)絡(luò))和任務(wù)陰性(默認(rèn)網(wǎng)絡(luò))腦網(wǎng)絡(luò)與大腦灰質(zhì)指標(biāo)之間的關(guān)聯(lián)，結(jié)果發(fā)現(xiàn)SZ患者的額頂葉網(wǎng)絡(luò)激活與額顳葉灰質(zhì)厚度之間存在顯著且穩(wěn)健的功能-結(jié)構(gòu)關(guān)系，額頂網(wǎng)絡(luò)的激活隨著厚度的增加而增強(qiáng)，表明大腦結(jié)構(gòu)和功能在相關(guān)區(qū)域的整合中斷，該發(fā)現(xiàn)與Nemoto 等[28]的文章所述一致，反映神經(jīng)元和突觸水平的改變對認(rèn)知網(wǎng)絡(luò)及加工產(chǎn)生了影響。該研究表明，認(rèn)知加工過程中的大腦激活與大腦形態(tài)計(jì)量學(xué)之間存在復(fù)雜的耦合關(guān)系，擴(kuò)展了先前關(guān)于SZ額顳部異常的發(fā)現(xiàn)。

Doan等[29]用LICA對SZ和雙相情感障礙的灰質(zhì)結(jié)構(gòu)進(jìn)行了研究，發(fā)現(xiàn)了6個(gè)具有生物學(xué)意義的成分，其中2個(gè)成分反映了全腦皮質(zhì)厚度和表面積，IC1以全腦表面積為主，且是SZ特有，SZ患者的全腦表面積減小，這一發(fā)現(xiàn)與Gupta等[24]的文中所述相符。IC2反映全腦皮質(zhì)厚度，SZ和雙相情感障礙患者整體皮質(zhì)變薄，且雙相情感障礙患者更甚，這與Takayanagi 等[30]的研究一致。另有4 個(gè)成分反映大腦的局部變化。IC5 主要由皮質(zhì)厚度和灰質(zhì)密度圖(gray matter density maps，GMD)驅(qū)動(dòng)，SZ 和雙相情感障礙患者扣帶回、島葉等區(qū)域皮質(zhì)厚度和GMD 增加，白質(zhì)密度(white matter density, WMD)降低，這種變化模式符合氣球模型假設(shè)，即隨著白質(zhì)的生長，皮質(zhì)柱拉伸并變薄，表明SZ和雙相情感障礙患者皮質(zhì)厚度和GMD的增加可能是由于白質(zhì)體積以及皮質(zhì)柱分化減少所致。IC8 由顳葉外側(cè)、頂葉和額葉內(nèi)側(cè)皮質(zhì)厚度變薄以及顳葉、枕葉和海馬GMD減低決定，而且該成分和處理速度呈正相關(guān)性，SZ比雙相情感障礙更強(qiáng)(P=0.0037 vs.P=0.0435)，與Karbasforoushan 等[31]的研究相符。IC12表現(xiàn)為皮質(zhì)厚度的由前向后呈梯度變薄，類似于Chen 等[32]文章中的前后區(qū)域化模式，而且這種變化超過了整體皮質(zhì)變薄(IC2)，體現(xiàn)了LICA的一個(gè)重要優(yōu)勢，就是能夠?qū)⒄w皮質(zhì)變薄單獨(dú)建模成一個(gè)獨(dú)立成分，從而揭示IC12所反映的更細(xì)微的相對皮質(zhì)厚度變化。IC25 反映了SZ 患者小腦GMD減少，有力地支持了既往關(guān)于SZ和雙相情感障礙[33]的研究，也符合Moberget 等[34]的研究，強(qiáng)調(diào)了小腦與嚴(yán)重精神障礙的病理生理學(xué)的相關(guān)性[35]。值得注意的是這些發(fā)現(xiàn)在以前的單模態(tài)分析方法中并未顯示。此外，該研究的群體分類結(jié)果表明腦成像、認(rèn)知表現(xiàn)和多基因風(fēng)險(xiǎn)的之間具有互補(bǔ)價(jià)值，添加多基因風(fēng)險(xiǎn)和成像特征可以顯著提高分類準(zhǔn)確性(AUC=0.85)。

3.2 抑郁癥

抑郁癥是一種病程長且易復(fù)發(fā)的心境障礙類精神疾病，表現(xiàn)為持久的情緒低落、意志力的減退、思維遲緩等[36]。Maglanoc 等[37]采用LICA 對抑郁癥患者的皮質(zhì)微結(jié)構(gòu)、白質(zhì)擴(kuò)散指標(biāo)和靜息態(tài)功能磁共振的默認(rèn)網(wǎng)絡(luò)(default mode network，DMN)振幅進(jìn)行融合分析，發(fā)現(xiàn)有兩個(gè)灰質(zhì)結(jié)構(gòu)為主的成分(IC1、IC7)與年齡呈負(fù)相關(guān)，年齡越大，全腦體積越小，表面積越小，全腦皮質(zhì)變薄，這與Fjell 等[38]的研究相符合。IC1與性別之間也存在相關(guān)性，女性的全腦體積及表面積比男性小，這與牟靜平等[39]研究一致。而IC2是一個(gè)白質(zhì)微結(jié)構(gòu)變化為主的多模態(tài)成分，F(xiàn)A 權(quán)重最高，隨著年齡的增加，全腦FA降低，徑向擴(kuò)散系數(shù)(radial diffusivity，Dr)與MD 在一定程度上增加，這與既往關(guān)于老化[40]的研究一致。IC5 的主要貢獻(xiàn)者為DMN 振幅，與年齡呈負(fù)相關(guān)，這與Mowinckel 等[41]的研究相同，而且男性比女性具有更高的DMN 振幅，補(bǔ)充了Mowinckel等[41]、Weissman-Fogel等[42]的發(fā)現(xiàn)。IC13同樣是一個(gè)以FA 為主的多模態(tài)成分，表現(xiàn)為女性的皮質(zhì)脊髓束、部分上縱束和丘腦后輻射的FA 較男性更低，這與Ritchie 等[43]的研究一致。

4 小結(jié)與展望

LICA 作為一種多模態(tài)數(shù)據(jù)融合方法，有著相較于其他融合方法的獨(dú)特優(yōu)勢，在假定所有模態(tài)對被試的影響相同的同時(shí)，自動(dòng)確定各個(gè)模態(tài)的最優(yōu)權(quán)重，而且對于各模態(tài)組的單位、噪聲水平、空間平滑度和強(qiáng)度分布并無特殊要求。該方法能夠充分挖掘多模態(tài)MRI 數(shù)據(jù)信息，從不同角度探索神經(jīng)精神疾病在大腦功能以及結(jié)構(gòu)上的變化，并且該方法已經(jīng)在多種神經(jīng)精神疾病的病理生理機(jī)制、臨床診斷及分類識別等方面取得了豐碩的成果。然而該方法也存在如下的不足之處：(1)對于多模態(tài)的選擇問題，如何保持融合后各個(gè)模態(tài)優(yōu)勢最大化，減少融合過程中的信息損失，采用何種模態(tài)融合能取得較優(yōu)結(jié)果，因此在融合分析時(shí)需進(jìn)行多種模態(tài)組合結(jié)果比較，甚至與單一模態(tài)結(jié)果進(jìn)行比較；(2)研究不應(yīng)僅針對各種影像數(shù)據(jù)，還可以充分利用其他可采集到的如病理切片、基因及臨床行為學(xué)等數(shù)據(jù)進(jìn)行融合分析，能夠更好地從不同角度揭示各種神經(jīng)精神疾病的機(jī)制，挖掘與感興趣指標(biāo)密切關(guān)聯(lián)的腦影像變化，輔助臨床診療，甚至實(shí)現(xiàn)認(rèn)知能力與治療療效的個(gè)體化預(yù)測；(3)該方法在處理分析大尺寸高維度數(shù)據(jù)時(shí)對硬件要求較高，運(yùn)算量較大，而且它假設(shè)各模態(tài)之間的被試影響一致，這種約束屬于強(qiáng)約束，制約了該方法的進(jìn)一步應(yīng)用。

如今，深度學(xué)習(xí)在各個(gè)研究領(lǐng)域有著廣泛的應(yīng)用。深度學(xué)習(xí)是一種數(shù)據(jù)驅(qū)動(dòng)學(xué)習(xí)技術(shù)，其模型特點(diǎn)是數(shù)據(jù)量大、神經(jīng)網(wǎng)絡(luò)層數(shù)深、結(jié)構(gòu)復(fù)雜等，導(dǎo)致其可解釋性較差。多模態(tài)融合技術(shù)可以充分利用多模態(tài)之間的互補(bǔ)性，獲得更完整特征信息，使得在保證模型效果的情況下，可以在學(xué)習(xí)的過程中對不同的特征進(jìn)行不同程度的強(qiáng)化，這對深度學(xué)習(xí)的可解釋性有一定的幫助。隨著神經(jīng)精神疾病MRI 數(shù)據(jù)研究的進(jìn)一步深入以及對算法的創(chuàng)新改進(jìn)，相信LICA 在多模態(tài)數(shù)據(jù)融合分析中能夠得到更廣泛的應(yīng)用以及更大的發(fā)展與突破。

作者利益沖突聲明：全體作者均聲明無利益沖突。