白质高信号演变的病灶水平亚型：超越空间位置

Lesion-Level Subtypes of White Matter Hyperintensity Evolution Beyond Spatial Location

作者信息Raul Gonzalez-Gomez, Enzo Tagliazuchi, Cecilia Gonzalez Campo, Vicente Medel, David A Bennett, Yasser Iturria-Medina

PMID42659615

期刊Neurology

发布时间2026-09-22

DOI10.1212/WNL.0000000000218472

来源查看原文

实验完整度

高

包含多模态MRI纵向数据、无监督聚类、临床关联分析（多变量模型）、敏感性分析和独立队列外部验证。

主要模型

ADNI队列参与者 PPMI队列参与者独立外部验证队列（173名参与者，涵盖认知正常衰老和额颞叶痴呆）

重点核对

病灶识别阈值：簇内至少100个体素，核心100体素平均病变概率>0.2 纵向变化计算：年化差值（随访-基线）/间隔年数，平均间隔24.3个月聚类特征：多模态指标年变化率，包括WMH、T1w、弥散指标、功能指标统计模型：多变量回归校正年龄、性别、教育年限、诊断组、TIV 外部验证：独立队列（173名参与者）重复主要萎缩相关发现

摘要

背景与目的：白质高信号（WMHs）是衰老和神经退行性疾病中常见的脑血管病理神经影像标志物。尽管具有临床相关性，但WMH通常使用全局负荷指标进行量化，这些指标假设病理过程相对均一。然而，越来越多的证据表明病灶之间存在显著的生物学异质性。我们旨在识别超越解剖位置的病灶水平WMH亚型，并评估其与神经退行性变和血管风险的相关性。方法：我们进行了一项纵向观察性研究，分析了403名参与者的3224次MRI扫描，涵盖认知正常衰老、轻度认知障碍、阿尔茨海默病和帕金森病。基线和2年随访时的影像包括结构、弥散和静息态MRI。共识别出2107个WMH病灶，使用无监督聚类根据病灶特异性纵向变化导出亚型。使用多变量模型和错误发现率校正评估与神经退行性变和血管风险因素的相关性。结果：确定了三种病灶亚型（L1-L3），通常在同一体内共存。L1病灶最常见（48.1%），在认知正常个体中占主导，表现出相对稳定的轨迹，与脑萎缩无关。L2病灶为较少见（11.3%）的不稳定亚型，与体重增加相关（比值比[OR] 1.33，95% CI 1.22–1.45；pFDR ≤ 0.001），提示代谢易感性。L3病灶（40.6%）为不稳定亚型，与脑萎缩（β = −0.11，95% CI −0.16至−0.05；pFDR < 0.001）、年龄较大（OR 1.15，95% CI 1.07–1.23；pFDR < 0.001）和血管风险（以脉压变化反映，OR 1.09，95% CI 1.03–1.15；pFDR = 0.006）相关。在考虑L3病灶负荷后，全局WMH负荷与脑萎缩不再相关。聚类稳健性得到敏感性分析（排除解剖位置）和独立队列外部验证（重复主要萎缩相关发现）的支持。讨论：WMH并非均质实体，而是包含生物学上不同的病灶亚型，具有不同的神经生物学和临床意义。因此，病灶组成可能比全局WMH负荷提供更有信息量的框架，用于理解脑血管对衰老和神经退行性变的贡献，对风险分层、临床解释和靶向干预具有潜在意义。

研究队列构建与多模态MRI数据采集

获取覆盖正常衰老和神经退行性疾病的纵向多模态MRI数据，以识别病灶水平WMH演变。

从ADNI和PPMI队列中选择403名参与者，在基线和约2年随访（平均24.3个月）时在同一物理扫描仪上进行3T MRI扫描，包括T1w、FLAIR、DWI和rs-fMRI。所有图像经过视觉质量控制。

病灶识别与多模态指标提取

识别单个WMH病灶，并提取其纵向多模态变化特征，以表征病灶演变。

从FLAIR-derived WMH概率图中使用3D连通成分分析（26体素连接性）识别病灶簇，仅保留至少100个体素的簇。对于每个病灶簇，选取峰值体素，保留100个最近体素作为病灶核心。提取每个病灶在T1w、弥散指标（如GFA、ISO、QA、fa、ad、rd等）和功能指标（如fALFF、Hurst指数、谱熵、功率谱斜率）中的年化变化率。

无监督聚类识别WMH亚型

基于病灶水平的多模态纵向特征，将病灶划分为具有相似演变模式的亚型。

对病灶特征（年化变化率）进行残余化（调整基线年龄、性别、教育年限、基线病灶概率、原始病灶范围、总颅内体积、队列），并z标准化。使用高斯混合模型进行聚类，选择贝叶斯信息准则最低的模型（k=2–10）。

评估亚型与神经退行性变及血管风险的相关性

检验不同WMH亚型是否与脑萎缩、脑脊液扩张及血管/代谢风险因素有不同关联。

使用多元回归模型评估亚型计数与随访灰质体积和CSF体积的关联；使用二项广义线性模型评估亚型相对频率与临床变化（ΔPP、ΔHR、ΔWeight）、教育年限、APOE ε4等位基因计数的关联。所有模型调整基线年龄、性别、诊断组、TIV和总WMH体积。

敏感性分析和外部验证

验证聚类结果的稳健性和泛化性。

排除空间坐标后重复聚类，评估与原始聚类的重合度；进行1000次80/20随机子抽样评估聚类稳定性；在独立队列（173名参与者，约1年随访）中外部验证主要发现。

实验环节	名称	品牌	货号
影像预处理	计算解剖工具箱	--	12.9
统计参数映射	SPM	12
高级归一化工具	--	--
病灶分割	病灶分割工具	--	--
弥散MRI预处理	QSIPrep	--	--
功能MRI预处理	fMRIPrep	--	25.0.2

实验环节

名称

品牌

货号

影像预处理

12.9

SPM

病灶分割

弥散MRI预处理

功能MRI预处理

25.0.2

环节	核对要点
研究队列与数据采集	参与者数量403（ADNI 303，PPMI 100），诊断组分类（CN 176，MCI 94，AD 34，PD 99），扫描参数（3T，T1w/FLAIR/DWI/rs-fMRI），同一物理扫描仪，平均间隔24.3个月。阅读提示：Methods: Study Design and Participants, MRI Data Acquisition and Preprocessing
病灶识别与特征提取	病灶簇最小体素数（至少100），病灶核心体素数（100），平均病变概率阈值（>0.2），扩散方向保留（30个），rs-fMRI保留体积（180），功能指标（fALFF, Hurst, entropy, power slope）等。阅读提示：Methods: Lesion Identification, Lesion-Wise Metrics Extraction
聚类分析	特征选择（年化变化率），残差化协变量（年龄、性别、教育、基线WMH概率、原始病灶范围、TIV、队列），聚类方法（高斯混合模型，k=2-10，BIC选择），是否包含空间坐标。阅读提示：Methods: Lesion Clustering
关联分析	多变量模型调整变量（年龄、性别、教育、诊断组、TIV、总WMH体积），FDR校正阈值（pFDR<0.05），临床变化（ΔPP, ΔHR, ΔWeight）计算方法。阅读提示：Methods: Analysis of Lesion Patterns

环节

核对要点

研究队列与数据采集

参与者数量403（ADNI 303，PPMI 100），诊断组分类（CN 176，MCI 94，AD 34，PD 99），扫描参数（3T，T1w/FLAIR/DWI/rs-fMRI），同一物理扫描仪，平均间隔24.3个月。

阅读提示：Methods: Study Design and Participants, MRI Data Acquisition and Preprocessing

病灶识别与特征提取

病灶簇最小体素数（至少100），病灶核心体素数（100），平均病变概率阈值（>0.2），扩散方向保留（30个），rs-fMRI保留体积（180），功能指标（fALFF, Hurst, entropy, power slope）等。

阅读提示：Methods: Lesion Identification, Lesion-Wise Metrics Extraction

聚类分析

特征选择（年化变化率），残差化协变量（年龄、性别、教育、基线WMH概率、原始病灶范围、TIV、队列），聚类方法（高斯混合模型，k=2-10，BIC选择），是否包含空间坐标。

阅读提示：Methods: Lesion Clustering

关联分析

多变量模型调整变量（年龄、性别、教育、诊断组、TIV、总WMH体积），FDR校正阈值（pFDR<0.05），临床变化（ΔPP, ΔHR, ΔWeight）计算方法。

阅读提示：Methods: Analysis of Lesion Patterns

大家都在搜

大家都在搜