阿尔茨海默病（Alzheimer’sdisease，AD）是痴呆症最常见的病因，预计未来几十年患者数量将迅速增加。早期诊断对于适当治疗以减缓认知能力下降和减轻症状非常重要。基于体素的形态测量（Voxel-basedmorphometry，VBM）被广泛用于量化AD的疾病进展。然而，在早期阶段，如轻度认知障碍（MCI）或临床前阶段，准确诊断仍然需要改进。淀粉样蛋白正电子发射断层扫描（PET）可以在早期阶段检测到淀粉样蛋白β沉积，但由于成本高和辐射暴露，该技术尚未广泛应用。虽然几种MRI技术，包括动脉自旋标记（ASL）方法、静息状态功能MRI和弥散法，已被认为可用于AD的诊断，但目前还没有确定的替代VBM的早期诊断方法。多种方法的结合，如VBM、ASL和弥散的混合，可能会提高诊断性能，但这会增加MRI采集时间，这对痴呆患者来说是一个重大负担。

一些定量易感性图谱（quantitative susceptibility mapping，QSM）的研究报道了AD或MCI患者大脑的磁化率升高。QSM是一种估计生物组织磁化率的MRI技术，估计的磁化率与某些脑组织中的铁浓度成正比。因此，QSM有望检测脑铁沉积作为神经退行性变的原因或后果。然而，在应用QSM诊断AD时，存在几个问题。首先，QSM需要额外的扫描时间（全脑大约5分钟），这使得它很难纳入常规检查。其次，目前尚无基于QSM的AD疾病进展评估方法。第三，MCI的诊断能力证据不足。

对于第一个问题，最近提出了同时获得QSM和t1加权图像的序列。在这些序列中，采用多回波GRE，调整参数获得T1和T2*加权图像。研究人员可以在5分钟内获得VBM的t1加权图像和QSM的相位图像；因此，耦合QSM不会增加总扫描时间。

对于第二个问题，基于QSM和VBM创建一个量化AD疾病进展的诊断指标是有用的。一些研究关注的是AD与正常人群之间的磁化率差异，但关于如何从QSM images中生成诊断指标的研究很少。由于在大脑皮层或基底神经节等多个脑区观察到易感性增加，使用多变量分析的方法可能有助于基于QSM图像的诊断。然而，由于纳入了与AD病理无关的信息，多变量分析可能会导致过拟合问题。因此，有必要在避免过拟合问题的同时发展指标。

材料和方法

被试

本观察性研究方案已获得相关机构审查委员会的批准。从2017年到2019年，研究人员前瞻性地招募了来自四个中心（北海道大学、岩手医科大学、德岛大学和名古屋城市大学）的AD和AD所致MCI患者以及认知正常（NC）受试者。书面通知获得了所有患者和受试者的同意。此外，回顾性地纳入了AD和因AD引起的MCI患者，他们有机会通过机构网站选择退出，而不是获得知情同意。

48名AD患者和27名因AD引起的MCI患者根据以下标准被认为符合条件：(1)在知情同意或MRI扫描时年龄在20至89岁之间；(2)在提供知情同意或2017年4月至2019年5月期间进行疑似痴呆的MRI扫描后一个月内进行MRI扫描；(3)因AD诊断为AD或MCI。神经科医生或精神科医生根据《精神疾病诊断与统计手册》第五版（DSM-5）的标准，参考详细的认知功能测试和几种生物标志物，对患者进行诊断。对于生物标志物，所有患者都进行了MRI扫描，一半以上的患者进行了脑脊液检查和/或淀粉样蛋白PET扫描。40例NC患者按以下标准入选：(1)年龄与患者队列相匹配（64岁以上）；(2)符合认知功能测试标准（最小精神状态检查（MMSE≧27）和日文版蒙特利尔认知评估（MOCA-J≧26））。所有参与者的QSM和原始大小图像由神经放射学家检查，以排除脑掩膜（n=1）、运动伪影（n=6）、金属伪影（n=1）、未知伪影（n=2）和偶发病变(如出血（n=1）、微出血（n=3）、静脉畸形（n=1）、囊性病变（n=1）、钙化（n=1）和梗死（n=1）的计算误差。最后，37例AD患者、24例AD所致MCI患者和36例NC受试者被认为符合本研究的条件。人数、性别、年龄和MMSE得分列于表1。此外，为了计算所提出算法的z分数（详细信息将在后面的“计算诊断指数的提出算法”一节中描述），还招募了9名认知正常的受试者作为参考组（年龄范围为61-64岁，MMSE分数为29或30）。

磁共振成像方案

预处理

对混合序列得到的图像进行预处理，得到蒙特利尔神经学研究所（MNI）空间的空间归一化易感性（QSM）和灰质（GM）图像。由于QSM和GM图像都是从一个序列中获得的，因此两幅图像的位置完全匹配，无需配准。因此，QSM图像和asgmg图像一样，可以进行高精度的空间归一化。使用统计参数映射（SPM 12, The Wellcome Centre for Human NeuROImaging, UCL Queen Square Institute of Neurology）和MATLAB R2019a （The Mathworks Inc.）完成以下步骤。

首先，对第一个回波的幅值图像进行分割得到GM图像，然后对所有回波的相位图像进行重构得到QSM图像（图1）。QSM重建过程包括区域生长的相位展开、幅度加权的相位平均、脑表面校正法的背景场去除以及自适应保边滤波的最小二乘估计的偶极子反演。 脑表面校正法可以计算出无边界侵蚀的全脑敏感性图。 在QSM图像上也进行了静脉去除，以减少静脉敏感性对微妙的影响皮层易感性的病理改变。 在去除过程中，采用形态学边缘增强滤波对纹理区域进行增强，并采用阈值分割（0.03 ppm）对纹理区域进行提取。 然后，用周围7 × 7像素方形核的平均磁化率值代替静脉区域来消除静脉。

图1杂交序列示意图

GM和QSM图像分别由第一回波的幅值图像和所有回波的相位图像计算

随后，利用指数李代数（DARTEL）方法对QSM和GM图像进行了空间归一化配准。由于两幅图像的位置完美匹配，将GM图像的流场映射应用于QSM图像的空间归一化。在此归一化过程中，GM图像采用“保留体积”选项来保持GMvolume，QSM图像采用“保留浓度”选项来保持敏感性值。采用全宽半最大值（FWHM）为6mm的三维高斯核对空间归一化的QSM和GM图像进行平滑处理。为了减少由于左右半球之间GM体积或敏感性的微小差异而引起的主体间可变性，通过平均所有平滑图像创建了左右对称图像。然后将GM图像的每个像素值除以总脑容量。最后，通过对参考队列中所有受试者的平均灰质和白质图像进行阈值分割，创建灰质和白质掩模。将灰质掩模相乘到GM图像，将灰质掩模与白质掩模之和相乘到QSM图像。

提出了一种计算诊断指标的算法

本文提出的算法如图2a所示，从预处理后的QSM和GM图像中计算AD的诊断指标（一个标量值）。 研究人员实现了一种多变量方法来利用来自QSM和GM图像中大量体素的信息。为了避免这种方法的过拟合问题，研究人员根据变化方向（增加或减少）和感兴趣区域（ROI）提取与AD病理变化相关的体素。详细的处理流由以下三个步骤组成。

图2本文算法获取阿尔茨海默病诊断指标的流程

a整体流程管道。 b QSM图像体素提取流程。 这条流水线显示了顶叶中增加的体素（AD > NC）作为提取的QSM图像体素

首先，将QSM和GM图像中的每个像素值归一化为z值，因为两幅图像之间的物理单位不同。使用参照组的均值和方差图像计算z值。通过将每个像素值归一化到z-score，磁化率和体积值被转换为无因次量。然后，将这两幅z图像从1.5mm各向同性的体素尺寸插值到8mm各向同性，以缩短计算时间。

其次，提取与AD病理相关的特定体素（图2b）。先前的几项研究表明，AD患者易感性增加，大脑体积减小，这些变化发生在特定区域。因此，通过在变化方向和ROI方面限制一些特定的体素，研究人员希望减少由于不必要的体素而导致的过拟合问题。在将训练数据中AD组和NC组的均值对每个体素进行比较，只提取具有特定方向的体素。在ROI相关的提取中，QSM和GM图像中的区域分别通过使用自动解剖标记（AAL2）图谱进行提取。

最后，将两个图像数据集中提取的所有体素值合并为一个特征向量（图2a）。这个向量的每个元素表示每个提取体素的z-score。然后计算诊断值d作为特征向量与AD和NC组的判别超平面之间的符号距离。利用自动核缩放的线性支持向量机（SVM）从训练数据中预先计算出超平面。选择支持向量机作为判别算法，在受试者数量少的情况下具有较高的泛化性能。选择线性核是因为特征的数量远远大于主题的数量。使用MATLAB R2019a统计和机器学习工具箱实现线性支持向量机。符号距离可以被解释为代表NC引起的AD严重程度的一维度量，因此，可以认为它可以区分AD与MCI以及MCI与NC。

建议指标的优化

从变化方向和ROI两方面对体素提取方法进行了优化。在所有评估中，诊断性能是根据区分AD、MCI和NC组的受试者工作特征曲线（AUC）下的面积来评估的。 以AD与NC、MCI与NC、AD与MCI的平均AUC最大化为优化过程。该指标的计算采用留一交叉验证的方式，即利用提取的体素和从所有其他受试者的数据中预先确定的超平面计算每个受试者的诊断指标，并对所有受试者进行计算。

在变化方向的优化方面，比较了三种提取模式的诊断性能：仅增加体素（AD < NC），仅减少体素（AD < NC）和两种类型的体素（未提取）。分别对QSM和GM图像进行比较。感兴趣的区域不受限制，因此使用AAL2图集中定义的所有体素进行比较。

在区域优化中，从AAL 120个区域中总结出的10个区域中选择ROI（补充表1），即额叶皮质、岛叶皮质、边缘系统、枕叶皮质、顶叶皮质、基底节区、颞叶皮质、小脑、大脑皮质（额叶皮质、岛叶皮质、枕叶皮质、顶叶皮质和颞叶皮质的总和）和全脑区。 研究人员计算了QSM和GM图像中所有区域组合的AUC。

常规指标与建议指标的比较

对该指标的诊断性能进行了评价，并与传统的基于VBM的指标进行了比较。传统的方法是利用“基于体素的阿尔茨海默病特异性区域分析系统（VSRAD）进展”实现的，这是一种MRI软件，用于计算内侧颞叶兴趣体积（VOI）中灰质体积的z分数，该体积是通过基于IR脉冲的t1加权序列获得的。

统计测试

采用AUC和MannWhitney U检验对所提指标和常规指标的鉴别性能进行了评价。AUC解释如下：0.9-1=优；0.8-0.9=良好；0.7-0.8=一般；0.5-0.7=糟糕的。采用单侧DeLong检验来确定与常规指数（仅基于VBM）相比，拟议指数（基于QSM和VBM）是否改善了AUC。p值0.05为显著性差异的阈值。所有统计分析均使用MATLAB 2019a和R软件(3.5.2）

结果

建议指标的优化

图3显示了针对变化方向的优化结果。 如图a所示，在QSM图像中，提取增加体素（AD < NC）提高了所有识别的AUC，而提取减少体素（AD < NC）降低了AUC。 相反，如图b所示，在GM图像中，提取减少的体素（AD < NC）会略微提高平均AUC，而提取增加的体素（AD < NC）会降低AUC。 因此，在接下来的优化中，研究人员在QSM图像中提取增加体素，在GM图像中提取减少体素。 图4显示了有关感兴趣区域的优化结果。从平均AUC可以看出，额叶（0.657）、边缘系统（0.669）和颞叶皮层（0.646）适合于QSM图像的个体使用（十字标记），边缘系统（0.807）适合于GM图像的个体使用（星号）。 如图4箭头所示，选择顶叶和边缘系统时，平均AUC最高，为0.829分别为QSM和GM图像的ROI。 因此，将这些区域（图4箭头）作为优化区域。

图3优化的变化方向

在三种提取模式下，对区分三组的AUC进行了比较：仅增加体素（AD < NC），仅减少体素（AD < NC），以及两种类型的体素（未提取）。“平均值”是指区分每对（AD与NC、MCI与NC、AD与MCI）的AUC的平均值

图4感兴趣区域的优化

对于GM和QSM图像的所有ROI组合，显示了三组（AD， MCI和NC）的识别AUC。平均AUC最大的优化区域是GM体积的边缘系统和敏感性的顶叶皮层（箭头）。“平均值”是指区分每对（AD vs. NC, MCI vs. NC, AD vs. MCI）的AUC的平均值。

常规指标与建议指标的比较

图5显示了传统指标和优化后的建议指标诊断性能的比较结果。如图a所示，NC组、MCI组、AD组的建议指数依次升高，三组之间存在显著性差异。该指标在区分AD和NC方面表现优异（AUC= 0.939, p =1.1 ×10−10），在区分MCI和NC方面表现良好（AUC= 0.867, p =1.8 ×10−6），但在区分AD和MCI方面表现较差（AUC= 0.681, p =0.018）。 如b和c所示，与传统方法相比，拟议指数的AUC在所有情况下都有所改善。特别是，在MCI和NC之间，所提出指数的AUC显著提高（从0.769提高到0.867,p <0.05）。

图5用于区分AD、MCI和NC组的传统(VSRAD)和优化建议方法的区分性能

比较了两种方法的A盒图、(B)ROC曲线和(C)AUC

讨论

在本研究中，研究人员提出了一种基于QSM和VBM杂交序列的阿尔茨海默病早期诊断新指标。在混合序列中，VBM的t1加权图像和QSM的相位图像在5min内同时获得。因此，与传统的VBM序列相比，扫描时间没有增加太多。该指数按NC、MCI和AD组的顺序依次增加，这表明该指数可以作为监测疾病进展的生物标志物。与传统的基于VBM的指数相比，所提出的指数显著提高了MCI和NC组之间的诊断性能。这些初步结果表明，提出的QSM和基于VBM的指标提高了阿尔茨海默病早期的诊断性能。在常规视觉评估的基础上增加这样一个定量指标可能会提高对痴呆的诊断效果。

诊断性能的提高主要有两个原因。首先是基于体素的多元分析采用分析方法代替传统方法所使用的基于VOI的单变量分析。在该算法中，研究人员利用了大量体素的信息，同时避免了过拟合问题。通过使用与AD病理变化相关的各种信息，AD、MCI和NC组之间的区分性能得到改善。第二个原因是所提出的索引同时基于QSM和VBM图像，而传统的索引仅基于VBM图像。在研究人员的结果中，与仅使用QSM或VBM的情况相比，同时使用QSM和VBM图像的诊断性能（平均AUC）得到了提高。提示病理易感性的改变有助于提高阿尔茨海默病的诊断效能。

为了量化基于QSM的AD的疾病进展，研究人员使用了两种方法提取与AD病理变化相关的体素，即变化方向和感兴趣的区域。在变化方向的结果中，通过限制AD易感性增加的体素（AD>NC），诊断性能得到提高。一些研究报道了AD患者大脑易感性增加，易感性增加与β淀粉样蛋白沉积呈正相关。这些研究表明AD患者的大脑中存在铁的病理积累，研究人员的结果与以往的研究在质量上是一致的。在ROI方面，使用额叶或顶叶作为QSM图像区域时，AUC增加。一些研究发现额叶和顶叶是阿尔茨海默病患者铁沉积强烈的区域之一，研究人员的结果与这些研究一致。因此，这些区域的铁沉积代表了AD的病理变化之一，研究人员的研究结果表明，限制与变化相关的体素可以提高QSM图像的诊断性能。

本研究存在一些局限性。首先，需要进一步的病理验证。采用DSM-5标准及多种生物标志物对AD和MCI进行综合诊断。对于生物标志物，所有患者都进行了MRI扫描，一半以上的患者进行了CSF测试和/或淀粉样蛋白PET扫描。然而，需要对所有患者进行淀粉样蛋白或tau PET的比较研究，以进一步检查易感性增加是否与病理改变有关。今后还需要进行纵向分析。在本研究中，研究人员对所有患者进行了横断面诊断，但长期的临床随访可能会提高对AD所致MCI的诊断准确性。此外，通过纵向分析，研究人员可以从MCI到AD转换的预测精度方面评估所提出的指标。其次，基于相同的数据进行优化和评价。建议的指标还应在另一项前瞻性研究中进行评估。第三，多元分析方法存在改进的空间。在本研究中，考虑到相对较小的队列，研究人员使用线性支持向量机。在未来，研究人员将通过使用更复杂的方法来改进技术，例如卷积神经网络，用于更大的队列。

综上所述，研究人员提出了一种基于QSM和VBM杂交序列和分析的新诊断指标，用于阿尔茨海默病的早期诊断。初步结果表明，与传统的VBM指数相比，所提出的QSM和基于VBM的指数提高了MCI和正常对照组的区分性能。

精读分享

研究目的

提出并验证一种结合定量磁化率成像和体素形态学测量的新型诊断指标，以提高阿尔茨海默病尤其是早期阶段如轻度认知障碍的诊断准确性，并解决传统VBM方法在敏感性和特异性方面的不足。

方法与数据

数据来源：来自四个研究中心的97名受试者，其中包含37名阿尔茨海默病患者、24名阿尔茨海默病相关轻度认知障碍患者以及36名认知正常对照，均接受了统一参数下的3T MRI扫描。

分析方法：采用混合序列同时获取T1加权图像和相位图像以生成VBM和QSM数据，并通过优化后的体素筛选与线性支持向量机算法构建诊断指数，再利用ROC曲线分析比较新方法与传统VBM方法的效能。

主要发现

    当选取顶叶磁化率升高和边缘系统灰质体积减少作为关键特征时，该新指标在区分阿尔茨海默病与正常对照时表现优异（AUC=0.94），在区分轻度认知障碍与正常对照时亦具有较高效能（AUC=0.87），并且整体优于传统VBM指标。

意义与局限性

意义：为阿尔茨海默病的早期影像学诊断提供了一种新的量化工具，有望改善早期识别和干预的效果。

局限性：研究样本量有限，尤其是纵向验证不足，同时诊断指标的优化和验证基于同一数据集，可能存在过拟合风险，且未能与淀粉样蛋白或tau PET全面对照。

结论

参考文献

Sato R, Kudo K, Udo N, Matsushima M, Yabe I, Yamaguchi A, Tha KK, Sasaki M, Harada M, Matsukawa N, Amemiya T, Kawata Y, Bito Y, Ochi H, Shirai T. A diagnostic index based on quantitative susceptibility mapping and voxel-based morphometry may improve early diagnosis of Alzheimer's disease. Eur Radiol. 2022 Jul;32(7):4479-4488. doi: 10.1007/s00330-022-08547-3. Epub 2022 Feb 8. PMID: 35137303.

解读：李孜怡

审核：褚凡