论文部分内容阅读
第一部分原发性帕金森病冻结步态患者脑网络连接属性的图论分析
目的:研究原发性帕金森病(Parkinsons disease，PD)冻结步态(freezing of gait， FOG)患者静息态功能磁共振(resting state functional magnetic resonance，Rs-fMRI)脑网络连接属性的改变及其内在机制。
材料和方法:本研究经广州市第一人民医院伦理委员会批准，所有受试者研究前均签署了知情同意书。本研究共招募了55名PD患者，均符合英国帕金森病学会临床诊断标准，根据“步态与跌倒问卷”、“冻结步态问卷”及神经科医生评价后有冻结步态(FOG+)的PD患者25名(平均68.52±8.57岁)、无冻结步态(FOG-)的PD患者30名(平均60.00±10.32岁)；同期通过广告招募健康对照者(healthy control，HC)26人(平均60.19±3.78岁)。所有受试者均接受3.0TMR检查，成像序列包括高分辨T1WI结构像、Rs-fMRI序列及常规MRI序列。根据自动解剖标记(automated anatomical labeling, AAL)图谱，将大脑分成90个解剖脑区。采用GRETNA软件构建90个脑区的功能连接皮尔逊相关(pearson correlation)矩阵及进行阈值化处理，进一步采用图论方法分析全脑网络拓扑属性，包括全局属性(小世界系数、网络效率、局部效率、度中心度及介数中心度)和局部属性(节点聚类系数、节点效率、节点局部效率及节点最短路径长度)，对有统计学差异的脑网络拓扑属性进一步评估其与临床神经量表的关系。使用基于网络的统计(network-based statistics, NBS)方法筛选出超阈值的脑网络连边(P＜0.05,阈值T=3.1)，并采用非参数置换检验评估其统计学意义(置换次数为5000次)。
结果：PDFOG+组、PDFOG-组和HC组脑功能网络均显示出小世界属性(sigma＞1)。在节点和连接方面，与FOG-组和HC组比较，FOG+患者右侧颞上回局部节点效率减低(P＜0.001、P=0.014；Bonferroni矫正)。NBS分析结果发现FOG+和FOG-存在异常的功能连接网络：与HC组比较，FOG-组感觉运动皮层(左侧中央沟盖、右侧中央旁小叶)、默认模式网络(左侧顶下缘角回、双侧楔前叶)和视觉网络(左侧梭状回、右侧颞下回)显示功能连接减低(P＜0.05，FDR校正)；与HC组比较，FOG+组的感觉运动皮层(右侧中央前回、左侧中央后回、右侧辅助运动区、双侧中央沟盖、双侧中央旁小叶)、默认模式网络(双侧楔前叶)、视觉网络(左侧枕下回、双侧梭状回、双侧颞下回)、听觉网络(双侧颞中回)和背侧注意网络(右侧枕上回、双侧枕中回、右侧顶上回)功能连接减低(P＜0.05，FDR校正)。FOG+组右侧颞上回局部节点效率与统一帕金森病评分量表(Unified Parkinson’s Disease Rating Scale， UPDRS)Ⅰ评分成负相关(r=-0.410，P=0.042)。
结论：PDFOG+组、PDFOG-组和HC组的脑功能网络均表现出小世界属性。FOG+组右侧颞上回局部节点效率减低,并与注意情绪功能下降相关；FOG+、FOG-组均显示感觉运动皮层、默认模式网络、视觉网络连接减弱；FOG+组还显示听觉网络和背侧注意网络连接减弱；本研究结果为寻找帕金森病冻结步态患者的影像学标志物提供新的思路。
第二部分机器学习方法分类原发性帕金森病冻结步态的价值
目的：研究通过采用静息态功能磁共振(resting state functional magnetic resonance， Rs-fMRI)和机器学习方法，建立分类帕金森病(Parkinsons disease，PD)冻结步态(freezing of gait，FOG)和健康对照组(healthy control，HC)的个体诊断模型，并进一步推测该病的相关病理机制。
材料和方法：采集55名PD病人和26名HC(平均60.19±3.71岁)的多模态MR数据(包括Rs-fMRI序列、高分辨T1WI结构像及常规MR序列)，PD患者根据“步态与跌倒问卷”、“冻结步态问卷”及经神经科医生评价后诊断为冻结步态(FOG+)组25例(平均68.52±8.57岁)与无冻结步态(FOG-)组30例(平均60.00±10.32岁)。采用基于MATLAB2013b的DPABIV3.0软件进行影像数据的预处理和基于自动解剖标记(automated anatomical labeling, AAL)模板构建全脑大尺度功能连接网络，并将其作为分类特征。然后，采用基于MATLAB2013b的LIBSVM软件包运用F分值法进行特征降序排列并使用径向核函数(radical basis function, RBF)构造的支持向量机(support vector machine，SVM)模型进行分类，使用留一法交叉验证来评估该模型的性能。
结果：当取F分值最高的前7个特征时，对FOG+、FOG-和HC受试者的正确区分率为74%。本研究得到28个选定频率相对高的用于区分FOG+、FOG-和HC的脑网络连接特征，这些连接特征主要位于背侧注意网络(左背外侧额上回、右眶部额上回、左眶部额中回、双侧眶内额上回)、默认网络(双侧角回、双侧顶下缘角回、左楔叶)、视觉网络(双侧距状裂周围皮层、右枕中回)、听觉网络(双侧颞横回、左颞中回、右颞上回)、感觉运动网络(右中央前回、右辅助运动区)的网络内部或网络之间的连接。
结论：基于脑功能网络属性的SVM-RBF分类器能对FOG+、FOG-和HC的进行较好的分类。PDFOG+、FOG-病人在背侧注意网络、默认网络、视觉网络、听觉网络、感觉运动网络的功能连接性方面出现异常，推测这些静息态脑网络对于判别FOG+及FOG-的PD患者具有较大的价值。
目的:研究原发性帕金森病(Parkinsons disease，PD)冻结步态(freezing of gait， FOG)患者静息态功能磁共振(resting state functional magnetic resonance，Rs-fMRI)脑网络连接属性的改变及其内在机制。
材料和方法:本研究经广州市第一人民医院伦理委员会批准，所有受试者研究前均签署了知情同意书。本研究共招募了55名PD患者，均符合英国帕金森病学会临床诊断标准，根据“步态与跌倒问卷”、“冻结步态问卷”及神经科医生评价后有冻结步态(FOG+)的PD患者25名(平均68.52±8.57岁)、无冻结步态(FOG-)的PD患者30名(平均60.00±10.32岁)；同期通过广告招募健康对照者(healthy control，HC)26人(平均60.19±3.78岁)。所有受试者均接受3.0TMR检查，成像序列包括高分辨T1WI结构像、Rs-fMRI序列及常规MRI序列。根据自动解剖标记(automated anatomical labeling, AAL)图谱，将大脑分成90个解剖脑区。采用GRETNA软件构建90个脑区的功能连接皮尔逊相关(pearson correlation)矩阵及进行阈值化处理，进一步采用图论方法分析全脑网络拓扑属性，包括全局属性(小世界系数、网络效率、局部效率、度中心度及介数中心度)和局部属性(节点聚类系数、节点效率、节点局部效率及节点最短路径长度)，对有统计学差异的脑网络拓扑属性进一步评估其与临床神经量表的关系。使用基于网络的统计(network-based statistics, NBS)方法筛选出超阈值的脑网络连边(P＜0.05,阈值T=3.1)，并采用非参数置换检验评估其统计学意义(置换次数为5000次)。
结果：PDFOG+组、PDFOG-组和HC组脑功能网络均显示出小世界属性(sigma＞1)。在节点和连接方面，与FOG-组和HC组比较，FOG+患者右侧颞上回局部节点效率减低(P＜0.001、P=0.014；Bonferroni矫正)。NBS分析结果发现FOG+和FOG-存在异常的功能连接网络：与HC组比较，FOG-组感觉运动皮层(左侧中央沟盖、右侧中央旁小叶)、默认模式网络(左侧顶下缘角回、双侧楔前叶)和视觉网络(左侧梭状回、右侧颞下回)显示功能连接减低(P＜0.05，FDR校正)；与HC组比较，FOG+组的感觉运动皮层(右侧中央前回、左侧中央后回、右侧辅助运动区、双侧中央沟盖、双侧中央旁小叶)、默认模式网络(双侧楔前叶)、视觉网络(左侧枕下回、双侧梭状回、双侧颞下回)、听觉网络(双侧颞中回)和背侧注意网络(右侧枕上回、双侧枕中回、右侧顶上回)功能连接减低(P＜0.05，FDR校正)。FOG+组右侧颞上回局部节点效率与统一帕金森病评分量表(Unified Parkinson’s Disease Rating Scale， UPDRS)Ⅰ评分成负相关(r=-0.410，P=0.042)。
结论：PDFOG+组、PDFOG-组和HC组的脑功能网络均表现出小世界属性。FOG+组右侧颞上回局部节点效率减低,并与注意情绪功能下降相关；FOG+、FOG-组均显示感觉运动皮层、默认模式网络、视觉网络连接减弱；FOG+组还显示听觉网络和背侧注意网络连接减弱；本研究结果为寻找帕金森病冻结步态患者的影像学标志物提供新的思路。
第二部分机器学习方法分类原发性帕金森病冻结步态的价值
目的：研究通过采用静息态功能磁共振(resting state functional magnetic resonance， Rs-fMRI)和机器学习方法，建立分类帕金森病(Parkinsons disease，PD)冻结步态(freezing of gait，FOG)和健康对照组(healthy control，HC)的个体诊断模型，并进一步推测该病的相关病理机制。
材料和方法：采集55名PD病人和26名HC(平均60.19±3.71岁)的多模态MR数据(包括Rs-fMRI序列、高分辨T1WI结构像及常规MR序列)，PD患者根据“步态与跌倒问卷”、“冻结步态问卷”及经神经科医生评价后诊断为冻结步态(FOG+)组25例(平均68.52±8.57岁)与无冻结步态(FOG-)组30例(平均60.00±10.32岁)。采用基于MATLAB2013b的DPABIV3.0软件进行影像数据的预处理和基于自动解剖标记(automated anatomical labeling, AAL)模板构建全脑大尺度功能连接网络，并将其作为分类特征。然后，采用基于MATLAB2013b的LIBSVM软件包运用F分值法进行特征降序排列并使用径向核函数(radical basis function, RBF)构造的支持向量机(support vector machine，SVM)模型进行分类，使用留一法交叉验证来评估该模型的性能。
结果：当取F分值最高的前7个特征时，对FOG+、FOG-和HC受试者的正确区分率为74%。本研究得到28个选定频率相对高的用于区分FOG+、FOG-和HC的脑网络连接特征，这些连接特征主要位于背侧注意网络(左背外侧额上回、右眶部额上回、左眶部额中回、双侧眶内额上回)、默认网络(双侧角回、双侧顶下缘角回、左楔叶)、视觉网络(双侧距状裂周围皮层、右枕中回)、听觉网络(双侧颞横回、左颞中回、右颞上回)、感觉运动网络(右中央前回、右辅助运动区)的网络内部或网络之间的连接。
结论：基于脑功能网络属性的SVM-RBF分类器能对FOG+、FOG-和HC的进行较好的分类。PDFOG+、FOG-病人在背侧注意网络、默认网络、视觉网络、听觉网络、感觉运动网络的功能连接性方面出现异常，推测这些静息态脑网络对于判别FOG+及FOG-的PD患者具有较大的价值。