基于MR T1WI的放射组学检测肌萎缩侧索硬化患者的脑内异常
目的 基于MRI的放射组学检测肌萎缩侧索硬化(ALS)患者的脑内异常.方法 搜集2018年5月至2021年6月于江苏大学附属医院临床确诊的34例ALS患者(ALS组)及25名健康志愿者(对照组).以修订版ALS功能评分量表(ALSFRS-R)评价ALS患者运动功能,蒙特利尔认知评估量表(MoCA)评价患者认知功能.采用牛津大学脑功能磁共振成像研究中心软件库(FSL)及3D-slicer软件对图像进行预处理及感兴趣区(ROI)的分割,放射组学模块(PyRadiomics)用于组学特征的提取,而R 4.0.0软件用于特征降维.随后构建Logistic回归诊断模型,绘制受试者工作特征曲线(ROC)并计算曲线下面积(AUC)探索放射组学特征的诊断性能,将对应的特征参数可视化,显示异常脑区的分布情况.最后将具有显著差异的组学特征与临床修订版ALSFRS-R及MoCA评分进行皮尔逊(Pearson)相关性分析.结果 成功提取到851个组学特征,经降维后筛选出2个重要、独立而有统计学差异的组学特征,分别为Wavelet-HLL-Energy和Wavelet-HLL-Autocorrelation.ROC分析发现两个特征对ALS具有出色的诊断性能,二者联合时诊断性能明显提升[Wavelet-HLL-Energy:AUC=0.811(95％CI:0.687～0.901);Wavelet-HLL-Autocorrelation:AUC=0.778(95％CI:0.651～0.876);特征联合:AUC=0.862(95％CI:0.748～0.938)].相对应地,组学特征的参数映射图也显示出常规MR T1WI图像所不能显示的脑内灰白质异常脑区,包括分布于支配躯体运动功能执行的相关脑区(主要为中央前回大脑皮质),以及额叶、颞叶及枕叶等非运动脑区.重要的组学特征与 ALSFRS-R 评分(Wavelet-HLL-Energy:r=0.452,P=0.007;Wavelet-HLL-Autocorrelation:r=0.408,P=0.017)和 MoCA 量表评分(Wavelet-HLL-Energy:r=0.477,P=0.004;Wavelet-HLL-Autocorrelation:r=0.404,P=0.018)均显著相关.结论 基于MR T1WI的放射组学特征能够有效检测ALS患者及其中枢神经元变性所导致的脑区异常,有望为ALS疾病的临床诊断及病情评估提供一种新的辅助方案.
肌萎缩侧索硬化、磁共振成像、放射组学、检测、脑区
41
R745;TP391;R651.1
国家自然科学基金81301194
2023-01-07（万方平台首次上网日期，不代表论文的发表时间）
共6页
1808-1813
