结构MRI诊断早期阿尔茨海默病的进展

侯 芬，刘 霞

[1.长沙市中医医院(长沙市第八医院)放射科，湖南 长沙 410100；2.深圳市精神卫生中心 深圳市康宁医院精神影像中心，广东 深圳 518000]

阿尔茨海默病(Alzheimer disease, AD)是一种以进行性认知功能衰退和记忆能力损害为特征的中枢神经系统退行性疾病，发病机制尚不明确，是诱发老年痴呆的重要病因[1], 严重影响患者生活质量，给社会和家庭带来沉重负担。随着世界范围内人口老龄化速度的不断加快，预计至2050年，全世界AD患者将高达2 660万[2]。既往临床诊断早期AD缺乏可靠指标，多数患者确诊时已属中晚期，而此时疗效欠佳，导致患者平均生存期较短(约5.5年)[3]。轻度认知障碍(mild cognitive impairment, MCI)6年后转化为痴呆的比率高达80%[4-5]。随着神经影像学技术的不断发展，结构磁共振成像(structural magnetic resonance imaging， sMRI)在AD的早期诊断中发挥了重要作用。sMRI利用人体的不同组织器官以及正常与异常组织间氢质子的不同弛豫特性来进行成像。大脑组织中，皮质T1长于白质，脑脊液T1和T2均较长，主要由于自由水的比重较高。脑部不同组织在sMRI上可显示出相异的灰度特征。sMRI关于灰质的研究主要包括皮层厚度及基于体素的脑形态学(voxel-based morphometry, VBM)，可体现脑组织结构的生物物理学属性。本文对sMRI在AD早期诊断中的应用进展进行综述。

1 sMRI对MCI向AD转化的预测分析及其相应的早期干预措施

sMRI可早于临床量表得分变化显示MCI患者大脑结构异常[6]。Misra等[7]采用sMRI观察MCI患者与AD以及正常老年人(normal control, NC)大脑结构特征之间的联系，对MCI向AD转化进行预测，发现转化为AD的MCI患者与AD患者具有相似的大脑病变结构特征，随访期内未转化的MCI患者与NC具有相似的大脑结构特征。海马及颞叶是学习记忆相关的重要脑区，二者萎缩是AD的重要病理表现。冠状位海马体积测量已成为临床上早期诊断AD的重要参考指标之一。有学者[8-9]发现AD最早发生改变的部位是海马和内侧颞叶的内嗅皮层。姚志军[10]采用基于VBM的sMRI分析NC、MCI及AD患者大脑皮层的形态学结构改变，观察大脑皮层灰质体积、脑结构网络参数(聚类系数、特征路径长度及节点系数等)以及大脑皮层厚度变化情况，认为MCI是处于NC与AD之间的一种过渡状态。Gomar等[11]采用sMRI观察转化为AD的MIC患者，发现条目编码的情景记忆与内嗅皮层厚度密切相关，而关系编码的情景记忆与海马旁回厚度和海马体积密切相关；同时MIC患者条目编码和关系编码的情景记忆功能均已受损，受损程度与上述部位的皮质厚度和体积减少具有相关性。上述研究提示内嗅皮层厚度、海马旁回厚度及海马体积可作为预测MCI向AD转化的重要指标[12-13]。

研究[14]发现，丰富的环境刺激(如多感官及社会性刺激、自愿物理运动)会对大脑结构(海马及颞叶)产生影响。其中重复经颅磁刺激[15-17]是一种安全、无创、价廉的颅外刺激方法，能增加海马新生神经元数量，促进海马神经元及突触的可塑性，影响神经元活性，有效延缓AD认知功能损伤。相比AD，MCI的神经元尚未达到死亡状态，与认知功能相关的海马及颞叶皮层仍具有一定的突触可塑性,使大脑仍具有对外来干预的有效响应能力，故对AD的早期干预能有效缓解衰老，减缓认知障碍发生，促进受损后大脑恢复。

2 sMRI在AD早期超微脑结构改变中的应用

超高场7.0T MR设备的临床应用使进一步清晰呈现脑区成为可能。Kerchner等[18]采用7.0T MRI观察AD患者海马的超微结构，发现轻度AD患者海马CA1-辐射层与腔隙分子层区萎缩明显，且延迟记忆表现与CA1-辐射层与腔隙分子层(r2=0.69，P=0.005)、CA1-椎体细胞层(r2=0.5，P=0.034)和内嗅皮层(r2=0.62，P=0.012)的宽度呈正相关，而齿状回/CA3的大小与记忆表现无显著相关性，提示可根据CA1-辐射层与腔隙分子层的宽度预测延迟记忆能力，通过观察CA1-辐射层与腔隙分子层的萎缩情况可了解AD患者记忆功能障碍的严重程度，有助于追踪疾病的严重性。Berron等[19]发现采用7.0T MRI可手工分割内侧颞叶各个亚区，明确划分了内嗅皮层、嗅周皮层(细分为BA35和36区)、海马旁回和海马，而海马又细分为CA1、CA2、CA3和齿状回，甚至可单独分离横跨海马长轴的终叶传导束，为早期发现AD和精神疾病脑结构变化提供了更有力的工具。

3 人工智能联合sMRI建立AD预测模型

随着计算机技术的发展，人工智能联合sMRI数据，建立AD预测模型，使个体化预测AD成为可能。以AD早期诊断相关的关键脑区作为特征向量，运用机器学习[20-23]的支持向量机和基于流形正则化极限学习机方法建立AD神经影像学数据库，可准确鉴别AD与MIC和NC[24]。

4 展望

sMRI对于早期脑微细结构的改变较敏感，有助于早期诊断AD，但sMRI研究方法(皮层厚度测量及VBM)仍需不断改进，以尽可能扩大变形的自由度，减少误差，更好地用于AD的诊断及病理生理机制研究。

此外，以sMRI成像数据为主要依据的预测模型已初步建立，还需临床进一步验证，并不断优化。除利用特征脑区之外，sMRI还需结合能够反映AD的功能连接与认知功能损害相关情况的fMRI[25-28]、可分析AD患者海马和海马亚区代谢浓度变化及其临床意义的MRS[29]、可通过构建不同网络模型了解AD患者白质纤维结构改变[30]的DTI对AD进行更深入的探讨，以不断提高早期诊断AD的准确性[31]。