利用神经影像数据识别与疾病相关的空间协变模式

摘要

包括主成分分析（PCA）在内的多变量技术已被用于识别功能脑成像中区域变化的特征模式。我们开发了一种算法，用于识别神经退行性疾病诊断、疾病进展评估以及患者群体治疗效果客观评价中的可重复性网络生物标志物。

摘要

尺度化亚轮廓模型（scaled subprofile model, SSM）^1-4 是一种基于主成分分析（PCA）的多变量算法，能够在识别患者组与对照组脑成像数据主要变异来源的同时，排除次要成分（图1）。该方法直接应用于稳态多模态影像的体素对体素协方差数据，可将整组图像数据集降维为若干个显著的线性无关协方差模式及其对应的受试者评分。每个模式被称为群组不变亚轮廓（group invariant subprofile, GIS），是一种正交主成分，代表功能上相互关联的脑区所构成的空间分布网络。通过数据固有的对数转换和均值中心化处理，可消除可能掩盖较小网络特异性贡献的大范围全局均值标量效应^2,5,6。每位受试者在这些模式上的表达程度以一个简单的标量评分表示，该评分可与独立的临床或心理测量指标相关联^7,8。通过对受试者评分（即 模式表达值）进行逻辑回归分析，可获得线性系数，将多个主成分组合成单一的疾病相关空间协方差模式，即 具有更优患者与健康对照区分能力的复合网络^5,6。可在推导数据集中采用自助重采样技术（bootstrap resampling techniques）进行交叉验证⁹。通过在前瞻性数据集中直接评估所推导模式的评分，即可轻松实现前瞻性验证¹⁰。一旦模式得到验证，便可将其用于对个体患者进行评分，评分参照通常为最初用于模式推导的健康对照组样本（与疾病组一同使用）¹¹。这些标准化评分值继而可用于辅助鉴别诊断^12,13，并在网络层面评估疾病进展及治疗效应^7,14-16。本文展示了该方法的一个应用实例：利用我们自主研发的软件，对帕金森病患者与正常对照的氟脱氧葡萄糖正电子发射断层扫描（FDG PET）数据进行分析，推导出表征疾病的特征性协方差模式生物标志物。

引言

神经退行性疾病的研究已广泛采用多种技术，这些技术可定位并量化脑代谢异常，以及研究区域间相互作用的非推断性方法¹⁷。数据驱动的多元分析策略，如主成分分析（PCA）^1,2,4,18和独立成分分析（ICA）^19,20，以及有监督的技术如偏最小二乘法（PLS）²¹和序趋势典型变量分析（OrT/CVA）²²，能够揭示相互关联活动的特征性模式或“网络”。多元分析方法的基本原理，特别是缩放子廓形模型（SSM）^1,2,4-6,18，此前已在JoVE中有所描述³。这种基于PCA的方法最初旨在研究脑区之间在静息状态下获取的脑血流和代谢单一体积图像中异常的功能协方差关系，这些图像来自正电子发射断层扫描（PET）和单光子发射计算机断层扫描（SPECT）等具有高信噪比特性的成像模态。特定疾病的SSM模式是成像生物标志物，反映了患者与正常受试者之间脑区拓扑结构的整体差异^7,16，可能代表单一网络过程，也可能反映多个复杂异常功能的整合²³。代谢协方差模式脑网络与表达值（受试者得分）相关，可用于区分正常组与疾病组，并提供与临床疾病严重程度评分相关的基于网络的测量指标。通常，此类模式的受试者得分随疾病进展而升高，甚至可能在症状出现之前即已表达^14,24。事实上，已有研究针对帕金森病¹⁰（PD）、亨廷顿病²⁵（HD）和阿尔茨海默病⁸（AD）等神经退行性疾病鉴定了相关的网络生物标志物。更重要的是，对于多系统萎缩（MSA）和进行性核上性麻痹（PSP）等非典型帕金森综合征，也已识别出相关的代谢拓扑模式。这些模式已被联合用于临床表现相似的“拟似”综合征个体的鉴别诊断^12,13,26。

相比之下，典型的fMRI基于体素的单变量方法仅评估患者与对照组在孤立脑区簇中差异的显著性。近年来，已开发出用于测量不同定义脑区之间功能连接性的方法^27-29。此类功能连接性的定义局限于受试者和特定脑区之间的相互作用，偏离了原始SSM/PCA概念所指的固有空间分布脑网络区域之间的横断面互联性^1,2,23,30。MRI平台的优势在于易于安装、广泛可用、无创，且通常比传统的放射性示踪成像方式（如PET或SPECT）所需的扫描时间更短，因而近年来文献中涌现出大量潜在的研究方法。然而，由此获得的随时间变化的fMRI信号仅能间接反映局部神经活动^31,32。目前所采用的分析算法通常较为复杂，受限于数据集规模庞大、fMRI信号中固有的生理噪声，以及不同受试者和脑区间脑活动的高度变异性^19,23。尽管可以从fMRI“网络”的特性中推断出有关脑组织结构的有趣信息，但这些网络尚不够稳定，无法作为可靠的疾病生物标志物。此外，所得的网络拓扑结构并不一定等同于使用SSM/PCA等成熟功能成像方法所识别的拓扑结构。总体而言，对fMRI拓扑结果的严格交叉验证仍显不足，且在前瞻性单病例扫描数据中成功应用所提取模式的实例极少。

PCA协方差分析的一个优势在于能够通过前几个主成分识别数据变异的最主要来源，但如果显著的特征向量代表的是随机噪声因素而非实际的内在网络响应，则该方法无效。通过仅选择前几个特征向量，并限定于在患者与正常对照评分中表现出显著差异的特征向量，我们可大幅降低噪声成分的影响。然而，对于此处所述的基本方法而言，这些措施可能不足以在典型的fMRI数据集中生成稳健的估计量，以下所述的成像模式除外。

因此，由于局部葡萄糖代谢与突触活动之间存在稳定的直接关系³³，该方法主要被应用于静息态FDG PET数据的分析。然而，鉴于在静息状态下脑血流量（CBF）与代谢活动密切相关^10,11,34，单光子发射计算机断层扫描（SPECT）^35,36以及近期发展的动脉自旋标记（ASL）MRI灌注成像技术^37,38，已被用于评估个体中的异常代谢活动。尽管如此，如前所述，利用静息态fMRI（rsfMRI）可靠地提取空间协变模式仍非易事^31,32。即便如此，对帕金森病（PD）患者与对照受试者的rsfMRI数据进行初步的SSM/PCA分析，已揭示出两种模态——PET与BOLD fMRI低频波动振幅（ALFF）所识别的疾病相关模式之间存在一定的拓扑同源性^39,40。最后，我们还注意到，该方法已成功应用于基于体素的脑形态学（VBM）结构MRI数据^41,42，揭示了与年龄相关脑体积萎缩相关的独特空间协变模式，并在对同一受试者VBM与ASL模式的进一步比较中得到验证⁴³。SSM/PCA空间协变拓扑图与采用不同分析方法和成像平台所识别的类似脑网络之间的关系，仍是当前持续研究的课题。

方案

1. 数据收集与预处理

1. SSM/PCA 方法可应用于从各种来源和成像方式获得的单个体积图像。具体而言，对于现场进行的代谢正电子发射断层扫描（PET）成像，需制备合适的放射性核素示踪剂，例如 [¹⁸F]-氟代脱氧葡萄糖（FDG），并给予每位患者。通常要求患者在至少禁食12小时、停用药物后，睁眼静息状态下进行扫描。
2. 对每位受试者进行扫描，用于个体或群体评估。若需推导成像模式，应扫描数量相等的、性别和年龄相匹配的患者组与对照组。
3. 将数据传输至工作站，并转换为适用于分析平台的适当格式。我们基于 Windows PC 的 MATLAB 分析软件（scanvp、ssm_pca，www.feinsteinneuroscience.org）需要 ANALYZE 或 nifti 格式的图像（Mayo Clinic，Rochester，MN）。该软件提供转换程序，可将 GE Advance（Milwaukee，WI，USA）扫描仪及其他格式的图像转换为 ANALYZE 格式。
4. 使用标准神经影像分析软件包（如统计参数映射软件 SPM，http://www.fil.ion.ucl.ac.uk/spm），将每位受试者的图像标准化至通用的立体定向空间（例如 蒙特利尔神经学研究所 [MNI] 空间），以确保受试者间体素值具有一一对应关系（图 2）。后续步骤将描述仅限灰质区域的掩模处理（图 3）以及对数变换方法。

2. 执行多变量SSM/PCA

多变量SSM/PCA分析操作（图4）可通过外部软件完成。以下列出的步骤主要反映了我们内部程序（图5）自动执行的流程（scanvp/ssmpca，www.feinsteinneuroscience.org，也可作为SPM工具箱ssm_pca获取）。

1. 使用现有的 0/1 图像对数据进行掩膜处理，以去除体素空间中不需要的区域，例如白质和脑室。通过 ssmpca 程序，用户可选择使用默认掩膜或其他外部掩膜。图3）或让程序通过移除每个受试者数据最大值的选定固定百分比以下的数值，自动创建掩膜。随后将各个受试者的掩膜相乘，以生成一个复合掩膜。掩膜内的区域定义了分析所用的共同非零体素空间。
2. 将每位受试者的三维掩膜图像体素数据通过依次连接连续层面的扫描线，转换为一个连续的行向量图4a）。构建一个组数据矩阵（D使得每个受试者的数据对应矩阵中的特定行，每列则代表所有受试者中同一特定体素的数据。理想情况下，用于生物标志物推导的矩阵应包含数量相等的正常对照受试者数据行和疾病受试者数据行。
3. 将每个数据条目转换为对数形式。
4. 通过从每行元素中减去各行的平均值或受试者的均值，对数据矩阵进行中心化。所有中心化行的平均值代表一个特征性的群体均值对数图像，称为群体均值谱型（group mean profile）GMP，图4a）。从相应矩阵列元素中减去GMP中的列均值。双中心化矩阵的每一行代表一个 残余 称为受试者残差分布图（SRP）的图像，其元素表示相对于受试者自身及总体的偏离程度 s 和体素 v 组均值（图4b).
   SRP_sv = logD_sv - 平均值_s - 良好生产规范_v
5. 构建被试间协方差矩阵 C 通过计算每对受试者之间的非标准化协方差，得到复合双中心化数据矩阵的协方差矩阵 i, j 的 SRP 所有体素上相应体素元素乘积之和所评估的矩阵行 v (图4b).
   C_ij =∑_v (SRP_iv x SRP_jv)
6. 对受试者间的协方差矩阵应用主成分分析（PCA） C结果将得到一组带有相应特征值的主成分得分特征向量。通过将每个特征向量乘以其对应特征值的平方根，对其进行加权。该组得分特征向量由所得矩阵的各列表示。 S 在 图4c.
7. 相同特征值集合对应的体素特征向量可通过以下两种方法确定：对逐列协方差矩阵进行主成分分析（PCA），或采用图中所示的另一种计算需求较低的替代方法。图 4c）。将先前推导出的得分向量矩阵左乘以其转置矩阵 SRP 基质以生成一个数组 P 按特征值降序排列的体素模式特征向量（图4c，图6，图7a).
   P = SRP^T x S
   每一列向量代表 SSM/PCA 分析中的一个主成分（PC）图像模式，对应于该特征值相对大小所解释的总方差百分比（vaf）。

3. 模式生物标志物的推导

1. 检查先前分析的结果，以确定与高方差解释率（vaf）值相关的主成分（PC）模式。在我们的常规流程中，体素模式向量经过Z变换，使其数值表示相对于均值的正负标准差。随后，在显示前将其重塑为图像格式（图7a）。
2. 在某些情况下，可与疾病相关的已知区域偏离模式可通过视觉识别。数学上，推导出的主成分的正负形式被视为等效解；因此，为符合物理上的合理解释，主成分及其对应的得分均可乘以负一。
3. 每个主成分模式对应的得分以柱状图和散点图形式展示（图7）。可选择生成可选的ROC曲线图（图7d）。为识别疾病特异性模式，需注意患者组与对照组之间受试者得分的区分情况，这可通过相应的双样本t检验的p值和AUC值反映。将分析限制在那些与高vaf值及高区分度相关的主成分上，设定固定的截断值（例如，p < 0.05 且 vaf > 5%）。通常，对于PET数据，仅有一个或两个主成分满足此标准。
4. 主成分选择还可采用其他多种方法⁴⁴。连续特征值的碎石图（图6）可能呈现明显的拐点，即曲线上斜率急剧下降的位置，标志着特征值开始退化，可作为截断依据。另一种方法是纳入解释方差占比最高的所有主成分，直至累计达到50%。一种广泛接受的方法是计算赤池信息准则（AIC）⁴⁵，以确定能够区分患者与对照组且AIC值最低的主成分组合。
5. 所选的一个或多个主成分可进行向量归一化并线性组合，以生成单一的疾病相关模式。我们的软件可选地使用MATLAB函数glmfit，基于对受试者得分应用逻辑回归或其他回归模型来确定组合系数。尽管在推导过程中纳入更多主成分通常可提高患者组与对照组之间的区分度，但所得模式为复合表示，可能并不对应单一的生理网络，或可能包含异常值的偏离（图7a 和 图7c）。
6. 需进一步验证以确保其可靠性及前瞻性意义。可按如下所述进行自助重采样（bootstrap resampling）⁸，以识别原始推导数据集中最可靠的体素，这些体素在重复模式推导中具有最小的标准差。前向验证用于检验独立组别判别的敏感性和特异性，即利用下一节协议中描述的单受试者得分评估方法（图4d），计算前瞻性患者组和对照组的得分。

4. 使用预定义生物标志物对单个受试者进行前瞻性评分评估

1. 一旦确定了显著的 SSM-GIS 生物标志物模式，即可通过一个简单的内部向量积运算，从个体的扫描数据中评估该模式在其体内的表达得分，即个体的 SRP 向量与 GIS 模式向量的点积（图 4d，图 7d）。
   得分 = SRPs • 模式
2. 前述运算由我们的 TPR 程序自动完成。然而，若需独立计算受试者的 SRPs 向量，则需在对数转换后的数据上应用相应的内在 GIS 掩模，并如步骤 2.4 所述，减去该受试者的均值以及预定义参考组对应的体素值 GMP，以确保所得得分可与预设的参考范围进行比较。新一组受试者的得分也可类似地作为一系列前瞻性单个受试者得分进行评估。若需使用不同的参考组或实验条件，可在保持模式不变的前提下对 GMP 重新校准。

结果

以下展示了一种应用多变量SSM/PCA分析方法推导帕金森病（PD）神经影像学生物标志物模式的简单示例。我们使用ssmpca程序分析了十名临床确诊的PD患者（6男/4女，年龄59岁±7岁标准差）和十名年龄与性别匹配的正常对照者（6男/4女，年龄58岁±7岁标准差）的PET FDG图像，患者病程长短不一（9年±5年标准差）。这二十幅经过空间预标准化处理的图像最初根据“疾病受试者”或“对照组”类别以及默认掩模进行选择（图3）。程序输出了前16个主成分（PC）的图像文件及其对应的得分列表，并生成了按顺序排列的特征值碎石图（图6）。屏幕上显示了依次排列的PC图像及其相关的柱状图和散点图，用于初步审查，如图7a和图7b所示。需要注意的是，第一主成分解释了最大的方差贡献率（vaf，24%），其对应的受试者得分通过双样本t检验比较和ROC特征（AUC=0.99，特异性为0.95时的敏感性=0.93）可显著区分患者与对照组（p=0.0002）。基于上述原因，该成分本身即可被视为一种生物标志物，且事实上其...

讨论

Moeller 等⁴最初提出的SSM/PCA模型已发展^1-3成为一种简单且稳健的神经影像数据分析技术。然而，该方法在应用中存在一些模糊之处，我们已在本文及以往的出版物中^5-7,10试图加以澄清。其中部分问题在正文中有阐述，但因其重要性在此再次强调。如引言部分所述，SSM/PCA主要适用于静息态FDG PET数据，但也成功应用于其他单体积成像技术及扫描平台，包括H₂^15O PET和99mTc-ECD SPECT，以及灌注ASL和体积VBM MRI。将其成功应用于时间序列的rsfMRI数据，尚需未来开发出更先进的技术⁴⁸。

SSM 的主要优势在于其能够识别数据中的变异来源，并将这些变异分离为空间上正交的组分。在大多数研究中，仅有少数几个显著组分可归因于疾病效应，从而显著减少了相关数据集的规模。为了识别疾病特异性组分，理想情况下应在联合组分析中纳入数量相等的疾病受试者以及性别和年龄匹配的健康对照受试者^2,5。在这种情况...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
图像采集
PET扫描仪	GE Medical Systems	GE Advance	GE、西门子和飞利浦生产的任意PET、PET/CT及PET/MRI扫描仪
PC工作站	Lenovo	任意型号	http://www.lenovo.com/us/en/
放射性药物
[18F]-氟代脱氧葡萄糖	Feinstein医学研究所	常规生产	亦由Cardinal Health分发 http://www.cardinal.com/
软件
ScanVP	Feinstein医学研究所	版本5.9.1、版本6.2，即将发布	www.feinsteinneuroscience.org
SPM	伦敦大学学院神经病学研究所	spm99-spm8	http://www.fil.ion.ucl.ac.uk/spm
Windows	Microsoft	任意版本
Matlab	Mathworks	Matlab版本7.0、7.3	http://www.mathworks.com/
JMP	SAS	版本5	http://www.jmp.com/