Front Aging Neurosci：基于机器学习的阿尔茨海默病和轻度认知障碍神经心理功能障碍分析

全国科技工作者日，祝全体脑科学工作者节日快乐！

阿尔茨海默病（AD）是一种最常见的神经退行性疾病，AD早期通常伴有轻度认知障碍（MCI），但是目前对AD和MCI的诊断仍然存在很大的挑战。近年来，机器学习算法的进步和数据的更新，使得我们有机会通过分析大型数据集来建立预测模型为临床诊断和治疗提供新的视角。
本研究对149例MCI、85例AD患者和140例认知正常的老年参与者进行了神经心理学测试、磁共振结构像（T1）、静息态功能磁共振成像（fMRI）和弥散加权成像（DWI）扫描。
通过Omniscient Neurotechnology（曦嘉）的Infinitome影像处理软件进行预处理并在此基础上通过其专利技术超级空心树（Hollow Tree Super，HoTS）工具从机器学习模型中提取特征，基于神经心理学测试结果，识别MCI、AD患者和认知正常受试者大脑中的共性特征和潜在差异。

在本研究中，研究人员首先对所有受试者进行全面的神经心理学测试评估（表1）。

表1 人口统计学数据

接着研究人员应用HoTS方法确定与神经心理学测试中各个维度的功能评价在大脑功能连接组特征中的反映。测试数据模型分别为波士顿命名测试（BNT）、波士顿命名测试——发音和流利度（BNT-A）、霍普金斯语言学习测试即时回忆（HVLT-I）、霍普金斯语言学习测试5分钟延迟回忆（HVLT-D）、Rey Osterrieth复杂图模仿（ROCF-I）、Rey Osterrieth 复杂图形回忆（ROCF-R）、形状轨迹测试A部分（STT-A）、形状轨迹测试B部分（STT-B）、韦氏记忆量表逻辑记忆（WMS-LM）、时钟绘图测试（CDT）和MOCA-B。

结果分为语言（BNT）、语言学习和记忆（HVLT-I、HVLT-D、WMS-LM）、注意力和执行功能（BNT-A、STT-A、STT-B）、视觉空间功能等领域（ROCF-I、ROCF-R、CDT）和MOCA-B。

其中，共有11项神经心理学测试数据模型的AUC值大于0.65（图2A），证实模型预测结果较好。具体结果如下：

图2 静息态fMRI区域预测神经心理学测试中的功能障碍

01

在语言学习和记忆相关的测试（表2）中发现：HVLT-I的得分不佳与多个核心网络相关，包括默认模式网络（DMN）、中央执行网络（CEN）、突显网络（SN）和视觉网络（VN）。

在解剖学上，这些区域位于右侧背外侧前额叶皮层（DLPFC）、右前运动区、右岛叶、左DLPFC、左内侧额叶和左枕叶皮质。上述脑区分布表明该模型很有可能与下额枕束（IFOF）的连接性变化相关。因此，研究人员推测霍普金斯语言学习测试-即刻回忆的功能缺陷与工作记忆相关的区域有关。

表2 与语言学习和记忆相关的神经精神测试表现的预测因子

02

CEN和DMN与HVLT-D分值（代表功能障碍程度）最相关，而VN、SN和DMN与HVLT-D无相关性。值得注意的是，语音区域的右侧类似物R-55^b和R-45与HVLT-D得分相关。

在观察言语情景记忆时， WMS-LM分值与DMN、CEN、SMN和VN相关；而内侧颞叶同DMN、CEN、SN以及右侧杏仁核边缘部分并没有观察到与得分之间的相关性。

03

在与注意力和执行功能相关的测试中（表3），对于BNT-A测试发现，与分值最为相关的区域是CEN、DMN、DAN和 SMN等脑网络。相反，该测试分值正常的区域主要与DMN相关，尤其是其边缘部分。

此外，STT-A中分值与多个脑网络相关，包括DMN、CEN、DAN和SMN，其中CEN和SMN与得分无相关性。在STT-B中，DAN、CEN、DMN、SMN和 VN与该分值相关；而SN、DAN和SMN与分值无相关性。

表3 与注意力和执行功能相关的神经精神测试表现的预测因子

04

ROCF-I的得分主要与皮层下结构和SN相关；而VN和DMN未发现与 ROCF-I的得分相关。DAN和VN区域的功能连通性是 ROCF-R 分值的预测因子，而DMN和CEN的边缘和语言部分并未发现与ROCF-R 分值相关。此外，CDT得分主要与DMN和SMN的语言区域有关，而在SMN、CEN和DMN中并未发现这种相关性（表4）。

表4 与视觉空间功能相关的神经精神测试表现的预测因子

05

最后，MOCA-B的分值与CEN, VN和SMN有关；而与SMN, SN,DMN和VN不存在相关性。

在对各种测试结果的区域进行探讨后，研究人员进一步分析了与每个神经心理学测试结果相关的区域之间的重叠。结果发现，每个测试得分都与各种网络相关，其中CEN最常见，其次是DMN（图2B）。

最终研究人员确定了20个脑部分区，这些分区在至少两项神经心理学测试中是功能表现不佳的预测指标（图2C）。在检查与功能缺陷不相关的脑部分区时，DMN和CEN的比例很高（图3A）。14个分区在至少两项神经心理学测试中是功能良好表现的预测指标（图 3B），且大多数分区都与DMN相关联。

图3 预测神经心理学测试中没有缺陷的静息状态fMRI区域

接着研究人员又按照与每项测试相关的认知领域对区域进行分组。在语言学习和记忆中，4/6在至少两项测试中表现较差，而R-6d区与WMS-LM中的较差表现和HVLT-I中的良好表现相关，L-23d区与WMS-LM和HVLT-I的较好表现有关（图4A、B）。与注意力和执行功能相关的脑区位于额叶和顶叶内（图4C，D）。最后，所有与视觉空间功能相关的脑区都在颞枕区及右侧丘脑（图4E，F）。

图5 认知领域的共性可能为筛查、诊断和治疗提供潜在目标

总 结总结

诊断和治疗AD仍然是现代医学的首要挑战之一。本研究利用机器学习提出的MCI和AD模型，提供了对神经心理功能障碍的解剖学相关性的进一步解读。同时证明AD中的功能障碍与DMN、CEN、感觉运动网络、视觉网络等的相互作用导致。

有趣的是这种机器学习模型能够窥视AD疾病这个黑匣子，并直接从全脑网络连接层面解释AD的网络组成和网络之间的关系。

关注AD的全脑网络变化，有助于厘清功能正常的个体与功能下降或认知保留不全个体之间的差异，也可能会帮助尽早识别AD的早期生物标志物，增强靶向治疗，进而改善疾病预后。

原文链接：

https://www.frontiersin.org/articles/10.3389/fnagi.2022.854733/full

编译作者：brainnews创作团队

关于曦嘉

我们为全球的神经外科医生、神经学家、神经科学家、大脑技术革新者和大众提供个体化的连接组学脑绘图软件以及先进的机器学习分析方法，帮助他们更好地理解和治疗大脑疾病，并挖掘和提升大脑的潜力。

如果您对大脑连接组学感兴趣，可关注“曦嘉科技”公众号，预约免费咨询和产品演示。

官网：www.xijiabrainmap.com

邮件：[e-mail]