基于扩散张量成像自动纤维定量分析的轻度认知障碍的分类预测研究

目的 采用扩散张量成像(DTI)的自动纤维定量(AFQ)分析方法,使用支持向量机(SVM)模型方法对轻度认知障碍(MCI)的不同亚型进行分类预测研究以帮助对该病的鉴别诊断.方法 搜集18例遗忘型轻度认知障碍(aMCI)患者、21例非遗忘型轻度认知障碍(naMCI)患者和25名健康对照组(NC)的临床及影像学资料,用AFQ软件包对所有被试的DTI数据进行分析,追踪全脑20条白质纤维束,每条纤维束分成100等份,对每个等份的各向异性分数(FA)值及平均扩散系数(MD)值定量分析,提取出三组被试的脑白质纤维特征,并将其作为分类特征,利用SVM对MCI进行分类预测,记录并比较其分类效力.结果 AFQ成功追踪获得的纤维束包括双侧皮质脊髓束、双侧丘脑放射束、双侧扣带束海马、双侧扣带束扣带回、胼胝体束膝部和压部、双侧下额枕束、双侧弓形束、双侧钩状束、双侧上纵束和双侧下纵束.与NC组相比,aMCI患者在右侧皮质脊髓束中间节段(节点48～ 59)、胼胝体束压部(节点1～8、31 ～50、53～64、74、82～87)FA值降低,左侧上纵束偏前部(节点11～44)、左侧下纵束的中间节段(节点33～48、56～63)及钩束的偏下部(节点66～ 78、97～100)MD值增高.与naMCI患者相比,aMCI患者左侧皮质脊髓束偏上部(节点87～ 100)FA值降低.所有纤维束所有节点的FA值作为分类特征在aMCI和其他两组分类中的具有综合更好的敏感性、特异性和总体准确率,且曲线下面积(AUC)值最大,为0.913.结论 本研究基于DTI的AFQ分析构建的SVM模型获得较为精确的分类预测结果,对MCI的分类预测具有较高的应用价值.