方法：對來自LADIS（Leukoaraiosis and Disability Study）的560名老年人的MRI掃描進行分析，采用自動化的基于圖譜和卷積神經網絡的分割方法，得出白質高信號（WMH）、腔隙性梗死、擴大的血管周圍間隙（EPVS）、慢性皮質梗死及全腦和區域性腦萎縮的體積測量數據。受試者進行了為期3年的年度神經心理學檢查和為期7年的日常生活工具性活動（IADL）評估。

      結果：對認知表現和功能結果具有最強預測力的是WMH、灰質和海馬體的總體體積（P<0.001，適用于全局認知功能、處理速度、執行功能和記憶，以及P<0.001，適用于不良功能結果）。腔隙性梗死、EPVS（擴大的血管周圍間隙）和皮質梗死的體積與部分結果測量顯著相關，但其貢獻較弱。在多變量線性混合模型中，WMH、腔隙性梗死、灰質和海馬體的體積仍然是認知損害的獨立預測因素。基于Z分數的這些標志物的聯合測量強烈預測了認知和功能結果（P<0.001），甚至超過了單個腦部變化的貢獻。

      結論：通過影像分割工具量化的小血管病相關腦部變化的全球負擔是長期認知下降和功能障礙的強大預測因素。WMH、腔隙性梗死、灰質和海馬體體積的聯合測量可以用作與血管性認知障礙相關的影像標志物。本文發表在Stroke雜志。 

引言

      腦小血管病（SVD）是中風的常見原因，也是血管性認知障礙的主要亞型。SVD的神經影像特征包括小的皮質下梗死、腔隙性梗死、白質高信號（WMH）、擴大的血管周圍間隙（EPVS）、微出血和腦萎縮，這些特征與認知表現有不同程度的關聯。

      最近，SVD被認為是一種動態的全腦疾病，因為其病變類型具有彌漫性、常見的微血管病理和不同的進展。綜合考慮臨床隨訪的全面影像數據可能是表征SVD病程的最佳方法。用于組合MRI發現的視覺評分系統已經引入，以表示SVD和腦血管疾病的總負擔。這些量表是務實的，但靈敏度有限。由于SVD累積的腦部變化是一個連續體，值得研究全球病變負荷的連續測量，而不是順序量表。

      不同類型的小血管病變的計算機生成的MRI分割工具已經可用。腦體積、WMH和梗死受到了最多的關注，而量化腔隙性梗死和EPVS的方法較少。本研究旨在使用MRI量化工具找到主要SVD相關腦部變化的最佳組合。我們檢查了WMH、腔隙性梗死、EPVS、慢性皮質梗死以及全腦和區域性腦體積的體積數據，以確定與認知下降最強關聯的測量指標。構建了一個代表腦部變化全球負擔的聯合連續測量，并驗證了其對長期認知和功能結果的預測價值。

方法

本研究的相關數據可根據合理要求從通訊作者處獲得。

參與者和設計

     數據來自LADIS（Leukoaraiosis and Disability Study）——一項縱向多中心合作研究，調查與年齡相關的WMH在功能殘疾中的作用。共招募了639名65至84歲的受試者，參與者來自11個歐洲中心。入選和排除標準詳見在線數據補充材料。在基線時，根據修改后的Fazekas量表，受試者被分類為具有輕度至重度WMH。所有受試者在日常生活工具性活動（IADL）中獨立或只有輕微損傷。

      在基線（2001-2003年），受試者接受了腦MRI和臨床評估，包括標準的神經學檢查、功能狀態評估和神經心理學檢查。在隨訪中，每年重復進行臨床和神經心理學評估，持續3年。基線時有639名受試者進行了臨床評估，第一次隨訪有582名，第二次隨訪有554名，第三次隨訪有523名。神經心理學評估的受試者數量分別為638、569、496和468。

      進行了最長達7年的延長隨訪（2008-2009年），通過電話采訪收集代理人/知情者的數據，使用IADL量表，重點關注過去3個月的活動。定義功能獨立性轉變為殘疾為IADL評分從0或1增加到≥2。在隨訪期間，94名受試者死亡。總的來說，有633名（99%）受試者的功能殘疾或死亡結局數據可用。

      各中心的當地倫理委員會批準了該研究。所有參與者均簽署了書面知情同意書。

磁共振成像獲取

      在各中心按照相同的協議對受試者進行了腦MRI檢查。序列包括T1加權的三維磁化準備快速獲取梯度回波、T2加權快速自旋回波和液體衰減反轉恢復（FLAIR）圖像，具體描述見僅在線數據補充材料。

圖像分析

白質高信號、腔隙、梗死和血管周圍間隙

     WMH、腔隙、EVPS和慢性皮質梗死使用U形卷積神經網絡（CNN）進行分割。CNN是深度學習模型，輸入大量訓練樣本并基于訓練樣本建立模型來預測輸出。在本研究中，輸入數據是不同的MRI序列（T1/T2/FLAIR），輸出數據是ground truth分割。

      本研究中使用的CNN架構是Guerrero等人提出的U形殘差網絡。簡而言之，網絡由12層組成，約有100萬個參數。它包含8個殘差單元、3個反卷積層和一個最終卷積層，輸出每個體素的類別概率。

圖像分析

       在最初的639名受試者中，由于MRI序列不完整，78例被排除在本研究之外，1例因預處理過程中多模式配準失敗而被排除。圖像分析方法及其驗證結果詳見僅在線數據補充資料。圖像分析策略的概述見圖1，分割結果的示例見圖2。評估包括基于STRIVE（神經影像學血管變化報告標準）指南的WMH、腔隙性梗死、EPVS和腦萎縮。慢性皮質梗死也被納入考慮，作為SVD中偶爾伴隨的發現和潛在的臨床結局貢獻者。然而，由于缺乏敏感性和彌散加權成像數據，微出血和最近的皮質下梗死未被評估。

圖2. 腦結構、白質高信號（WMH）、腔隙、皮質梗死和擴大的血管周圍間隙（EPVS）的分割結果示例。頂部為原始T1/液體衰減反轉恢復圖像。底部為覆蓋在原始圖像上的分割結果（以顏色顯示）。

       WMH、腔隙、梗死和EPVS使用U形卷積神經網絡在液體衰減反轉恢復和T2及T1序列上進行分割，如圖1所示。分割使用了10倍交叉驗證。用于訓練的真實分割數據通過手動和半自動方法生成。對卷積神經網絡結果進行了自動后處理，利用多圖譜分割的空間信息和概率強度圖譜的強度信息來去除可能的錯誤分割。此外，還檢查了分割的重疊部分。腦結構的體積通過T1圖像使用自動圖像量化工具（Combinostics公司，芬蘭）測量，腦部分被分割成133個區域，使用多圖譜方法。首先，從原始79個手動分割的圖譜中選擇28個最佳匹配圖譜，并將這些選定的圖譜非剛性地配準到T1圖像。腦分割通過期望最大化算法從28個圖譜分割中生成。本次分析包括全腦組織、腦灰質（GM）、白質、葉區和海馬體的體積。所有體積使用Buckner等人描述的方法進行顱內體積標準化。

神經心理評估

      LADIS 認知測試電池包括簡易精神狀態檢查量表、血管性癡呆評估量表-認知分量表（VADAS）、Stroop測試和連接點測試。簡易精神狀態檢查量表和VADAS總分用于評估整體認知功能。認知子領域的處理速度、執行功能和記憶通過心理測量學穩健的復合評分進行評估，詳見僅在線數據補充資料。

統計分析

      使用線性混合建模（限制最大似然估計，無結構協方差結構）分別調查每個MRI測量在3年隨訪中的4個認知評分的預測價值，以允許隨訪數據不完整。在排除多重共線性后，將在主效應和MRI×時間交互（表示隨時間變化）方面與認知表現相關性最強并通過家庭式Bonferroni多重比較校正的測量同時輸入多變量線性混合模型。具有顯著獨立貢獻的測量值通過平均每個體積測量的標準化Z分數組合成單一的全局SVD相關腦變化評分。最后，使用Cox比例風險模型分析單個和組合的MRI測量在預測不良功能結果方面的顯著性。

      所有分析均調整年齡、性別、教育年限和研究中心。通過額外控制高血壓和糖尿病以及隨訪期間的中風事件，重新運行包含多個MRI預測因子的模型。由于所有結果保持不變，這些分析未被報告。對WMH、腔隙、皮質梗死和EPVS體積應用對數變換以解決分布的非正態性。

結果

樣本特征

      具有完整MRI分割數據的受試者（n=560）在年齡、性別、教育年限、WMH Fazekas評分或基線簡易精神狀態檢查評分方面與被排除的受試者無顯著差異（P>0.05）。樣本特征見表1。

表1. 研究樣本的特征（n=560）

      這部分總結了使用高級影像分析工具對小血管病相關腦變化的定量分析方法，并探討了這些變化在認知和功能衰退預測中的獨立和組合預測價值。研究使用了多種MRI序列和先進的神經網絡分割方法，結合長達7年的隨訪數據，驗證了這些影像標志物在認知和功能結果中的顯著預測能力。

MRI分割結果

       總病變體積和腦結構的MRI分割結果顯示在僅在線數據補充資料的表I中，主要MRI預測指標之間的相關性顯示在表II中。

各MRI指標與認知的個體關聯

      使用線性混合模型研究的3年隨訪中各個MRI體積與認知評分之間的關聯結果顯示在表2中。在調整年齡、性別、教育和中心后，所有WMH體積與所有認知評分中的總體表現較差（主效應）和處理速度、執行功能和VADAS總評分的下降率更陡峭（與時間的交互作用）顯著相關。總的來說，腦室周圍和前部WMH與認知評分的關系比其他白質區域略強，盡管區域之間的差異較小。

表2. 3年隨訪中磁共振成像指標對認知功能的個體預測值

      慢性皮質梗死對認知表現的預測價值相對較低。總體和區域梗死體積對處理速度和執行功能的總體水平和變化預測較弱。較高的梗死體積與認知表現的負面主效應相關，但每年隨訪變化的估計存在差異（數據未顯示），且這些關系在多重比較校正后未能保留。

      總EPVS體積與處理速度的整體表現和下降以及記憶和VADAS總評分的下降顯著相關。

      總腦體積和區域腦體積顯示出與所有認知評分下降的強烈關聯。總腦灰質和額葉體積是處理速度和執行功能的最強預測因子，而海馬體積最顯著地預測了記憶和VADAS總評分。

      基于上述與認知功能的關系（表2），選擇并一起輸入WMH總量、腔隙、EPVS、大腦灰質和海馬體積到一個調整了混雜因素的線性混合模型中。皮質梗死在這一階段被排除在外，因為它們與認知衰退的關聯較弱。如表3所示，WMH總量獨立于其他病變類型顯著預測了所有4個認知評分。腔隙體積獨立預測了執行功能。大腦灰質體積與處理速度相關，而海馬體積與VADAS總評分、執行功能和記憶相關（表3）。EPVS對任何認知測量均無獨立貢獻。

表3. 全局小血管疾病負擔的組合模型：磁共振成像預測因子在3年隨訪期間對整體認知表現的獨立顯著性

線性混合模型的主效應 F 值（P 值）已調整年齡、性別、教育年限和研究中心的影響。EPVS 表示擴大了的周圍血管間隙；GM 表示灰質；VADAS 表示血管性癡呆評估量表-認知分量表；WMH 表示白質高信號區。

小血管疾病相關腦部變化的全局評分作為認知功能的預測指標 

       通過計算在上述多變量模型中顯著的標準化MRI測量值（Z分數）的平均值，構建了一個定量的SVD相關腦部變化的全局評分，即WMH總量、腔隙、大腦灰質和海馬體積。首先反轉了灰質和海馬體積的尺度，以使所有變量的較高分數反映較高程度的腦部變化。這個全局評分證明了它與較差的總體表現水平和更陡的認知評分下降率有強烈且一致的關聯，超過了單個體積的影響。在與個體分析相同的線性混合模型中，全局評分顯著預測了處理速度（主效應F 120.6，P<0.001；與時間的交互作用F 37.3，P<0.001）、執行功能（F 148.3，P<0.001；F 21.5，P<0.001）、記憶（F 54.4，P<0.001；F 7.4，P<0.001）和VADAS總評分（F 101.2，P<0.001；F 5.1，P=0.002，分別）。

MRI測量值與功能結果之間的關聯 

      功能結果較差定義為在長達7年的隨訪期間，受試者轉變為殘疾或死亡。通過控制混雜因素的個體Cox回歸分析發現，較差的結果顯著由WMH總量（HR，4.2 [95% CI，2.9–5.9]；P<0.001）、腔隙（HR，8.1 [95% CI，3.0–21.7]；P<0.001）、大腦灰質（HR，0.990 [95% CI，0.986–0.993]；P<0.001）和海馬體積（HR，0.57 [95% CI，0.49–0.67]；P<0.001）預測，但不由EPVS或皮質梗死體積預測（P>0.05）。在一個包含4個顯著MRI測量值的多變量模型中，WMH（HR，2.6 [95% CI，1.7–3.8]；P<0.001）、腔隙（HR，3.2 [95% CI，1.1–9.4]；P=0.034）和海馬體積（HR，0.67 [95% CI，0.55–0.81]；P<0.001）仍然是獨立的預測因子。最后，SVD相關腦部變化的綜合評分與功能結果顯著相關，獨立于混雜因素（HR，2.7 [95% CI，2.2–3.3]；P<0.001）。

討論 

      迄今為止，還沒有統一的程序來評估與腦SVD相關的不同類型的腦部變化。在本研究中，本研究利用卷積神經網絡和基于圖譜的腦MRI分割方法提供的豐富信息，來描述老年個體中SVD的多種病理變化。確定了與長期認知和功能結果關聯最強的體積，并結合核心特征來代表SVD相關腦部變化的全局負擔。結果表明，綜合測量比單獨的測量更能有效地預測認知衰退。

     單獨考慮時，WMH和灰質總量與3年隨訪期間的總體和特定領域的認知表現具有最強的關系。腔隙體積顯著與總體認知功能、處理速度和執行功能相關，但與記憶無關。前部區域在預測認知功能方面略優于后部區域，可能反映了額-皮質網絡的功能障礙。在區域腦體積中，海馬體積也與認知評分有很強的關聯，尤其是與總體認知功能和記憶領域。然而，EPVS和慢性皮質梗死體積與認知衰退的關聯較弱。在多變量模型中，WMH總量、腔隙、灰質和海馬體積在3年隨訪期間仍然是認知功能的獨立預測因子。

      MRI分割體積的個體貢獻與早期使用視覺量表或體積測量的研究一致。在LADIS研究中，認知障礙與WMH Fazekas評分和半自動體積測量、腔隙的數量和位置以及全腦和內側顳葉萎縮的視覺評分有關。其他幾項研究也確認了WMH、腔隙和腦萎縮在SVD認知衰退中的決定性作用。然而，盡管EPVS是SVD中常見的影像學發現，但并未始終預測認知衰退。

      選擇MRI特征用于全局腦部變化測量是基于體積與多種縱向認知和功能結果之間關聯的顯著性。由于單個體積與不同結果之間的關系有所不同，所選成分在綜合評分中被賦予了相同的權重。重要的是，反映全局和區域灰質體積減少的腦萎縮與血管病變一起被考慮。我們早期的研究揭示了萎縮和血管變化之間對認知衰退的協同作用。在SVD中，WMH和腔隙與灰質萎縮和全腦體積密切相關。特別是，海馬和內側顳葉萎縮與SVD相關，即使在沒有阿爾茨海默病病理的情況下也會導致認知障礙。腦萎縮當然不僅與純SVD相關，因為SVD會促進并發的神經退行性過程。在我們的研究中，海馬萎縮背后的機制尚不清楚，因為沒有特定的早期阿爾茨海默病并發癥的生物標志物。然而，比起在病因學上分離這些過程，它們在預測認知衰退和殘疾方面的明顯貢獻更為重要。

       目前的研究是首次同時分析多種SVD相關腦部變化的自動MRI分割特征的臨床意義之一。Staals等人建議的視覺綜合評分已被發現與一般認知能力和執行功能的下降相關，但結果并不一致。對于視覺SVD評分，不同的病變類型是通過二分法評分進行評估的。因此，連續的體積測量預計在檢測全局腦部變化方面更為敏感。最近，一個計算機生成的全腦萎縮和血管疾病的全局測量被提出，并顯示與認知的關系比單獨的WMH體積和視覺總SVD評分更強。另一項研究還報告說，與單個測量相比，SVD特征的組合在中風后的認知表現中起到了更大的作用。這些研究受限于相對較小的樣本量和簡短的認知測量。海馬體積以前未包含在全局SVD負擔的測量中。

      我們的研究優勢包括大規模和特征明確的受試者樣本、在病變量化方面達到高精度的新穎圖像分析方法以及縱向設計。我們發現使用當前分割方法檢測到的腦部變化估計值與手動描繪得到的結果密切吻合。具體而言，WMH體積與作為基準的半自動WMH分析高度一致。腔隙、皮質梗死和EPVS在與專家手動描繪的比較中也達到了良好的準確度。我們應用詳細的神經心理評估，產生了心理測量學上可靠的綜合指標，用于評估整體認知功能和特定領域的認知功能。這些評估每年重復進行，為期3年，而IADL功能結果的評估延長至7年。這些關聯獨立于年齡、性別、教育水平、研究中心和主要血管風險因素。

      由于受試者是基于腦成像發現的WMH在臨床環境中招募的，該樣本代表了具有不同程度SVD的混合人群，但結果不能直接推廣到其他老年人群。由于缺乏磁敏感加權MRI序列，我們無法在分析中包括腦微出血，盡管它們被認為是典型SVD神經影像學特征的一部分，并被確定為認知功能障礙的風險因素。我們也無法區分近期的皮質下梗死或腦微梗死。盡管本研究提供了迄今為止對多種成像特征的最廣泛的量化方法之一，但該方法仍不全面，呼吁進一步的研究。

       本研究中使用的成像數據相對異質，代表了圖像質量在臨床上的正常變異。一些圖像的對比度相當低，T2和液體衰減反轉恢復序列的切片厚度為5 mm（T1為1 mm）。因此，最小的EPVS和腔隙不清晰。腔隙和EPVS在T1圖像中常常具有相似的外觀，這可能導致分割混淆。由于LADIS樣本是基于與年齡相關的WMH招募的，皮質梗死病例數量相對較少（共73例梗死），卷積神經網絡的訓練集仍然有限。使用高分辨率和高質量的成像數據以及更大的訓練集將提高分割精度。需要進一步的研究利用先進的成像技術來確認這些病變類型對認知衰退的預測價值。

      各種自動圖像量化工具正逐漸成為臨床實踐的一部分。盡管有望使圖像解釋更加客觀和一致，但用戶也應了解這些工具的局限性。需要視覺檢查以驗證結果，以便在解釋中考慮可能的錯誤。在本研究中，顱內體積的歸一化是基于與參考模板的配準間接完成的，與實際顱內體積歸一化相比，這可能引入偏差。

      本研究的另一個局限性是隨訪神經心理數據可能存在的流失偏差，因為認知衰退較嚴重的受試者更可能退出。線性混合模型被用作統計方法，以允許不完整的觀察并在縱向設置中利用所有可用數據。

結論

     通過一種能夠識別多種類型腦SVD和腦萎縮成像特征的穩健MRI分割方法，我們顯示WMH、腔隙、大腦灰質和海馬體積對老年人認知和功能結果具有最大的獨立預測價值，隨訪時間長達7年。上述4種成像結果的綜合連續測量在認知衰退的預測中表現出極高的預測性，超過了單個腦血管病標志物的貢獻。SVD相關腦部變化的全局量化提供了一種與血管性認知障礙相關的綜合神經影像學指標，可能比單一MRI發現更有效，更適合作為干預研究的替代指標。