受试者招募与心理评估
获取跨诊断患者和健康对照的样本，并进行TMT心理测试
招募74名患者和41名健康对照，使用M.I.N.I.评估健康对照，进行TMT-A和TMT-B测试并记录完成时间
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
利用7特斯拉结构脑MRI预测连线测验表现
Predicting trail-making test performance using 7-Tesla structural cerebral MRI
实验完整度
中使用7T MRI测量74例患者和41例对照的形态学数据，深度学习模型预测TMT表现，SHAP分析特征重要性。
主要模型
74名跨诊断患者 41名健康对照 7T MRI结构脑影像数据
重点核对
样本量：74名患者和41名健康对照 MRI扫描参数：7T Magnetom Terra，MP2RAGE序列，TI=840ms/2370ms，TE=1.99ms，TR=4500ms，分辨率0.75mm各向同性 TMT测试：TMT-A连接1-25数字，TMT-B连接1-13和A-L交替，记录完成时间（秒） 模型训练：10次随机留出循环，严格留一被试交叉验证，最大200轮，Adam优化器学习率0.2 分类终点：基于中位数时间分为高于/低于中位数两组，报告平均准确率
摘要
精神药物治疗的疗效缺乏改善，凸显了需要一种更个体化的治疗方法来最优利用药物效应。为实现这一目标，有必要识别能够预测心理属性和治疗结局的因素。我们假设脑形态可能作为心理测试表现的预测因子。使用7特斯拉MRI系统测量了74名跨诊断患者和41名健康对照。基于Schaefer 100图谱进行脑区划分，确定灰质体积（GMV）、皮质厚度和脑回化值。利用这些形态学数据，借助深度学习模型预测连线测验（TMT）-A和B的表现。进行SHAP分析以识别对模型重要的关键变量。预测TMT表现的准确率非常好，为0.795。影响预测的最决定性特征是脑回化。指示组间差异的区域集中在额叶皮层以及颞叶和顶叶区域。形态学特征可以高准确度预测测试表现。这些结果支持在临床实践中实施跨诊断方法以更好地解决潜在的病理生理学。基于神经影像数据的症状预测似乎是一个可实现的目标。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否基于7T结构脑MRI的形态学特征，利用深度学习模型预测连线测验（TMT）的表现？
- 核心机制
- 脑形态学特征（尤其是脑回化）能够以高准确率预测TMT表现，模型主要依赖感觉运动网络、边缘网络、默认模式网络和背侧注意网络的脑回化以及部分区域的灰质体积。
- 主要证据
- 深度学习模型在10次留出循环中预测TMT表现的准确率为0.795（标准差0.068），SHAP分析显示脑回化是最关键特征，涉及额叶、颞叶和顶叶等区域。
- 研究意义
- 结果支持在临床实践中采用跨诊断方法，基于神经影像数据的症状预测似乎是一个可实现的目标，有助于开发更个体化的治疗概念。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
7T MRI数据采集
获取高分辨率结构脑影像
使用7T Magnetom Terra扫描仪和32通道头线圈，采用MP2RAGE序列采集T1加权图像
图像预处理与形态学特征提取
从MRI图像中提取灰质体积、皮质厚度和脑回化值
使用CAT12.9工具箱进行VBM预处理，包括不均匀性校正、配准、分割；基于Schaefer 100图谱划分脑区；表面处理提取皮质厚度和脑回化
深度学习模型训练与分类
基于形态学特征预测TMT完成时间是否高于中位数
使用前馈神经网络，三损失目标函数和softmax激活，输入304个特征，两个隐藏层（64和32单元），10次留出循环，严格留一被试交叉验证
SHAP分析解释模型
识别对模型预测最重要的脑形态学特征
使用Python的SHAP包计算所有10次留出循环的平均SHAP值，绘制汇总图和水fall图
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
验证样本或模型特征
验证心理测试表现
MRI数据采集与预处理
深度学习建模与分类
模型解释与统计分析
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| MRI数据采集 | 7T Magnetom Terra扫描仪 | Siemens Healthineers | -- |
| 1Tx 32Rx头线圈7T临床版 | Nova Medical | -- | |
| 图像格式转换 | MRIcron软件 | -- | -- |
| 图像质量检查 | FSLeyes View软件 | -- | -- |
| VBM预处理 | v7771软件 | FIL Methods Group, University College London | -- |
| MATLAB R2023a v9.14 | The MathWorks | -- | |
| CAT12.9工具箱 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 受试者招募与分组 | 样本来源：74名患者来自Universitätsklinik Aachen，41名健康对照；患者诊断分布（49名MDD，8名精神分裂症等）；纳入标准：右利手，无MRI禁忌症 阅读提示：Methods - Recruitment小节 |
| MRI数据采集参数 | 扫描仪型号：7T Magnetom Terra；序列：MP2RAGE；TI=840ms/2370ms，FA=5°/6°，TE=1.99ms，TR=4500ms，分辨率0.75mm各向同性，208层 阅读提示：Methods - MRI parameters小节 |
| 图像预处理与特征提取 | 预处理软件：CAT12.9工具箱；配准方法：测地线方法；图谱：Schaefer 100；表面配准模板：FsAverage；特征类型：GMV、皮质厚度、脑回化 阅读提示：Methods - Preprocessing小节 |
| 深度学习模型训练 | 网络结构：输入304特征，隐藏层64和32单元；损失函数：三损失函数；优化器：Adam，学习率0.2；最大轮数200；10次留出循环；严格留一被试交叉验证 阅读提示：Methods - Classification小节；Fig. 1 |
| TMT测试与分类 | TMT-A和B测试流程；分类阈值：中位数时间（TMT-A 25.169秒，TMT-B 55.928秒）；排除标准：2名患者因拉丁字母知识不足排除出TMT-B分析 阅读提示：Methods - Psychological testing小节；Results第一段 |