专栏名称: AI与医学
分享前沿的人工智能与医学交叉研究,提供医疗科研服务。关注大壮,科研顺畅。做医护人员科研的小助手,为您全心全意服务。
目录
相关文章推荐
51好读  ›  专栏  ›  AI与医学

顶刊速读:《Brain》 抑郁症的大尺度病变症状映射识别风险和韧性能力大脑区域

AI与医学  · 公众号  ·  · 2024-12-27 09:17

正文

请到「今天看啥」查看全文


点击👆蓝字或👇名片,关注"AI与医学"




类型:超精简版

选文: 大壮

编辑: 小黄


Trapp, Nicholas T et al. “Large-scale lesion symptom mapping of depression identifies brain regions for risk and resilience.” Brain : a journal of neurology vol. 146,4 (2023): 1672-1685. doi:10.1093/brain/awac361 IF: 10.6 Q1

0.前言

由于抑郁症是全球导致残疾的首要原因,改善对情绪障碍解剖学基础的理解对于指导更有效的治疗方法至关重要。 理解支撑情绪的神经回路是情感神经科学的核心目标,对解剖学基础的深入理解可以指导情绪障碍的更精确干预措施。

1.研究简介

1.1 研究背景:

  • 以往研究主要依赖于功能性成像的相关数据,限制了对因果关系的推断,而 利用脑损伤研究方法可以推断出与特定功能相关的解剖部位,为理解情绪和抑郁症提供因果关系。

  • 缺乏大规模系统性的研究来利用现代方法绘制局灶性脑损伤后抑郁情绪的解剖学图谱。

  • 通过大规模研究评估脑损伤位置与抑郁症状的关系,识别出与抑郁严重程度更高(风险区域)或更低(韧性区域)相关的脑区。

1.2 研究方法

  • 选取了526名具有获得性、局灶性脑损伤的个体, 对每位参与者进行了结构成像以确定脑损伤的位置, 使用贝克抑郁量表-II(BDI-II)评估参与者的抑郁症状。

  • 采用稀疏典型相关分析(SCCAN)方法,将脑损伤位置与BDI-II评分相关联,以识别与抑郁症状严重程度相关的脑区。

  • 利用从病变-症状映射分析中识别出的与抑郁症状最强相关的脑区,通过静息态功能连接磁共振成像(rs-fcMRI)数据,确定与这些区域功能连接的脑网络。

  • 使用每个损伤掩模作为种子点,进行确定性纤维束追踪分析,以评估与损伤位置相关的结构网络。

  • 对功能性和结构性网络映射结果进行统计分析,以确定与“风险”和“韧性”区域相关的脑网络 ,解释特定脑损伤与抑郁症状之间的关系。


2.实验结果

2.1病灶覆盖率

  • 脑损伤重叠图显示,两个患者队列中,内侧前额皮质(mPFC)的损伤覆盖面积最大,特别是在右侧大脑半球的覆盖略多。

  • 损伤覆盖面积最小的区域包括脑干、小脑和丘脑。

2.2贝克抑郁量表

图表展示了两个样本中贝克抑郁量表-II得分的分布情况。

具体结果如下:

  • 参与者的BDI-II得分从0到48不等(量表最大得分为63分)。

  • 得分在两个样本中均匀分布在所有抑郁严重程度级别。

  • 抑郁程度分类:

最小抑郁:根据BDI-II标准,347名患者被分类为“最小抑郁”。

轻度抑郁:84名患者被分类为“轻度抑郁”。

中度至重度抑郁:95名患者符合“中度至重度抑郁”的标准。

2.3病变-症状映射结果

  • 研究发现多个大脑区域与抑郁严重程度显著相关(r=0.11, P=0.013)。

显著的“风险”区域包括双侧中至前岛叶和左侧前额叶深部白质。

显著的“韧性”区域包括右侧眶额皮质(OFC)、右侧内侧前额叶皮质(mPFC)和右侧颞下皮质。


  • 分析共识别出24个“风险”峰值区域(15个灰质,9个白质)和20个“韧性”峰值区域(13个灰质,7个白质)。


  • 事后分析显示“韧性”区域与低于正常水平的抑郁症状相关,而非仅与“缺乏风险”相关。 损伤“风险”区域的患者临床显著抑郁比例更高,而损伤“韧性”区域的患者比例更低。

  • 与“风险”或“韧性”区域重叠超过10%的患者BDI-II得分显著高于或低于未与这些区域重叠的患者。


2.4病变-网络映射结果

2.4.1功能性LNM

  • 从15个“风险”灰质峰值和13个“韧性”峰值中提取的第一主成分分别解释了个体差异的43%和39%。

  • “风险”PCA网络与显著/腹侧注意网络最为相似(相关系数r=0.805)。

韧性”PCA网络与默认模式网络最为相似(相关系数r=0.914)。


  • 使用不同的方法 得到的“风险”和“韧性”网络图谱相似性很高。


  • 两种替代方法生成的图谱几乎相同(相关系数r=0.996。


  • 对爱荷华队列和VHIS队列分别进行分析,未校正的损伤网络映射结果在两个队列间高度相关,但在校正多重比较后,没有发现在任一独立队列中显著的结果。

2.4.2结构LNM

  • 与抑郁风险最相关的白质纤维束包括左侧的背侧额叶白质路径,特别是额桥纤维束、额斜纤维束和联合纤维束。


  • 与韧性相关的白质纤维束包括小脑流出束以及腹侧额叶白质束,主要是小束和钩束,这些发现在右侧半球更强

3.结语

(1) 采用了多变量病变-症状映射和网络映射方法,强调了在神经科学中运用复杂统计方法来分析大脑与行为之间关系的重要性。

(2) 研究考虑了损伤大小、教育水平和智商等个体差异因素,提醒我们在研究中需要控制这些变量以减少混杂效应。


感谢您的阅读,如果您对这项研究感兴趣或想了解更多关于AI在医学中的应用,请继续关注我们,我们会定期分享最新的科研成果和健康资讯。别忘了点赞和转发哦!👍🔄

广告

快来看,大壮卖艺,提供医工交叉科研服务



— THE END —

排版:大壮

美工:大壮

注:本文仅用于分享和研究AI与医学相关学术论文

如存在侵权,请告知,及时删





病理AI


顶刊速看:《npj Digital Medicine》IF=12.4 基于组织病理学图像的深度学习预测小细胞肺癌的预后和治疗反应

顶刊快看:Nature Method IF=48 基于图神经网络的有监督和无监督算法组织细胞邻域(TCN)识别

顶刊快看:The Lancet Digital Health IF30.8  基于深度学习的回顾性多中心结肠直肠癌预测

往期内容

抽奖送书!!!MICCI2024 RoCoSDF:基于AI的手持超声成像三维重建

顶刊速看:《JAMA Network Open》IF=10.5 基于人工智能的皮瓣监测系统

顶刊速看:NC IF=14.7 基于深度学习心电图和人工概念特征融合的先天性心脏病检测研究

顶刊速看:NC IF=14.7 通过深度学习揭示左心房结构与心房颤动风险的联系

顶刊快看:Radiology 基于CT和AI在非小细胞肺癌节段切除术预后模型研究

顶刊快看:NatMed=82.9 基于多队列改进心血管风险预测新算法开发和验证

顶刊快看:Cell Report Medicine IF=14.3 AI在前列腺癌管理中的革命性应用 - 最新研究进展

顶刊快看:NatMed=82.9 母亲糖尿病与后代注意力缺陷/多动障碍(ADHD)风险之间的关系:基于360万母子队列数据

顶刊快看:NC IF=16.6 基于可解释机器学习的骨关节炎亚组生物标志物分析和风险预测

顶刊快看:NC IF=16.6 眼泪也可以检测血糖?使用无线智能隐形眼镜深入分析泪液葡萄糖和血糖之间的相关性









请到「今天看啥」查看全文