全腦功能連接模式分析研究及臨床應用進展

Basic information

中國介入影像與治療學 2021年 第18卷 第7期

Contents

Background

• 目前僅有少數研究嘗試定量預測個體水平智力評分。
• 全腦功能連接(functional connectivity,FC)模式是fMRI研究的焦點，可通過線性(如pearson相關)和非線性方法(如同步似然性)加以度量。

Concepts

• 基于fMRI獲得的反映腦功能的指標包括FC、局部一致性和低頻振幅等。
• FC可反映不同腦區間神經生理活動的相關關系，而腦區之間自發活動隨時間變化的相關程度亦可反映其間FC強度。
• 與BOLD信號呈正相關的腦區之間表現為功能協同，而呈負相關的腦區之間表現為功能拮抗。
• 個體全腦FC模式也可用于預測流體智力水平。
• 抑郁癥為全腦異常疾病。
• SVM(support machine)算法：給定一度特征(如FC)和標簽(如疾病和健康)，基于訓練數據集訓練SVM，該數據集將該組特征映射到其各自的標簽，以尋找能最大限度區分訓練數據的最佳超平面；當給定一個特征數據集時，可以訓練SVM模型來預測新的數據集。
• CPM(connectome-based predictive modeling)算法：將受試者整個大腦的FC數據及其行為變量作為輸入，通過選擇相關FC建立一般線性模型來預測個體行為特征，再以另一受試者的FC特征預測其相關行為特征，從而建立基于影像學數據的行為學預測模型。

Key points

• 人類的FC模式具有單一性，在每個個體中均獨一無二。

• 無論是任務還是靜息狀態下，全腦FC模式均有助于識別個體特征，為內在固有的、具有高度特異性的個體影像學特征，與臨床、行為學等信息密切相關。

• FCM(functional cnnectivity matrix)基于全腦水平構建，通過現有腦圖譜分割全腦獲得不同區域，可計算圖譜內每對腦區之間的相關系數，最終以腦區為節點、以腦區之間的FC為邊，獲得反映全腦FC狀態的矩陣。

• 基于fMRI構建全腦FC模式流程：

  1. 對fMRI數據進行預處理，包括將DICOM數據轉換為NIFTI數據、去除最初n個時間點、時間校正及頭動校正等；

  2. 根據腦圖譜(如AAL-116模板等)將每一受試者的大腦分割成多個區域作為ROI，即網絡節點；

  3. 將每個ROI內所有體素的時間序列進行加權平均，得到各區域內的平均時間序列，而后計算區域間的Pearson相關系數，作為腦網絡圖中節點的邊，從而得到一個M×M對稱連接矩陣，即該受試者的全腦FCM(其中M表示不同大腦區域或節點數量，矩陣的每個元素表示兩個節點之間的FC強度)；

  4. 對被試的全腦FCM進行Fisher's r-to-z變換操作，使其時間相關系數更符合正態分布。

Future considerations

• 未來需要更多大樣本、跨數據庫的研究。
• 目前缺乏基于靜息狀態下的動態FC模式以及基于任務態的FC模式的相關研究。
• 更高效、優秀的ML(machine learning)算法等待思考開發。