机器学习揭示心血管和代谢疾病对大脑结构的独特影响

《Nature Communications》：Machine learning reveals distinct neuroanatomical signatures of cardiovascular and metabolic diseases in cognitively unimpaired individuals

本研究利用机器学习技术，针对心血管和代谢疾病（CVM）对认知未受损个体大脑结构的影响展开研究，开发并验证了量化高血压、高脂血症、吸烟、肥胖和2型糖尿病相关脑萎缩和白质高信号空间模式的模型。研究发现，这些模型在患者个体水平上的表现优于传统结构MRI标记，能够捕捉到亚临床CVM阶段的细微模式，且在中年时期（45 - 64岁）最为敏感，与脑β - 淀粉样蛋白状态相关，并显示出比诊断CVM状态更强的认知表现关联。

　　心血管和代谢疾病（CVM）是全球范围内导致痴呆症的重要风险因素之一，其对大脑结构的影响复杂且多样。然而，目前对于这些疾病在认知未受损个体中大脑结构的独特磁共振成像（MRI）特征仍缺乏深入理解。为了填补这一研究空白，来自美国宾夕法尼亚大学等机构的研究人员开展了一项大规模的跨国队列研究，利用机器学习技术开发并验证了能够量化CVM相关脑萎缩和白质高信号空间模式的模型。研究结果表明，这些模型在检测CVM相关脑变化方面具有显著优势，尤其是在中年时期，为早期风险检测和临床决策提供了新的依据。该研究发表在《Nature Communications》上，为深入理解CVM对大脑健康的影响以及早期干预提供了重要参考。

研究背景

随着全球人口老龄化加剧，心血管和代谢疾病（CVM）的发病率不断攀升，这些疾病不仅对心血管系统造成损害，还与认知功能下降和痴呆症的发生密切相关。研究表明，高血压、高脂血症、吸烟、肥胖和2型糖尿病等CVM因素可导致大脑结构的改变，如脑萎缩和白质高信号增加，这些改变可能是认知衰退的早期标志。然而，目前对于这些疾病在认知未受损个体中大脑结构的独特MRI特征仍缺乏深入理解，传统MRI标记在检测这些细微变化时存在局限性。因此，开发能够精准量化CVM相关脑结构变化的工具对于早期风险检测和干预具有重要意义。

研究方法

研究人员利用机器学习技术，基于来自10项队列研究的37,096名参与者（年龄45 - 85岁）的MRI数据，开发了针对高血压（HTN）、高脂血症（HL）、吸烟（SM）、肥胖（OB）和2型糖尿病（T2D）的个体化严重性标记（SPARE - CVM）。这些模型通过支持向量分类算法，将MRI数据中的多变量特征映射为低维复合指数，从而实现对个体患者脑结构变化的量化评估。研究中使用了多图谱多变形分割（MUSE）工具对T1加权MRI图像进行分割，提取灰质（GM）和白质（WM）区域的体积特征，并采用ComBat - GAM技术对多中心研究中的脑区体积进行校正，以消除扫描设备等系统差异带来的影响。此外，研究人员还利用深度学习工具DeepMRSeg从T1加权图像和FLAIR图像中提取总颅内体积（ICV）和白质高信号（WMH）体积，为机器学习模型提供了丰富的输入特征。

研究结果

SPARE - CVM模型的开发与验证

研究人员成功开发了针对五种CVM的机器学习模型，并在独立的外部数据集（UK Biobank）上进行了验证。这些模型在区分CVM阳性和阴性个体方面表现出色，其效果优于传统MRI标记。例如，SPARE - CVM模型在中年时期（45 - 64岁）最为敏感，能够捕捉到亚临床CVM阶段的细微脑结构变化，且与脑β - 淀粉样蛋白状态和认知表现的关联性更强。

不同CVM相关脑结构模式

研究发现，不同的CVM与特定的大脑结构模式相关。例如，SPARE - SM与全脑体积丢失相关，而其他CVM的SPARE - CVM与更特定的空间体积差异模式相关。具体而言，较高的SPARE - CVM值与较低的灰质和白质体积以及较高的白质高信号体积相关，但不同CVM的空间模式和相关强度存在差异。例如，SPARE - HTN、SPARE - HL和SPARE - SM与额叶、顶叶和颞叶的皮层萎缩相关，而SPARE - OB和SPARE - T2D与特定脑区的体积变化相关。

SPARE - CVM的敏感性与特异性

所有五种SPARE - CVM在区分相应CVM阳性和阴性个体时均显示出中等至大的Cohen’s d效应量，且在目标CVM上效果最佳。此外，SPARE - CVM在亚临床阶段也表现出较高的敏感性，例如SPARE - T2D在糖尿病前期个体中显著升高，与糖尿病患者相当。这些结果表明，SPARE - CVM能够在疾病早期阶段检测到脑结构的变化，为早期干预提供了可能。

SPARE - CVM与认知功能的关联

研究人员还发现，较高的SPARE - CVM值与较低的认知测试得分显著相关，即使在没有明显认知障碍的个体中也是如此。例如，较高的SPARE - HTN、SPARE - HL、SPARE - SM和SPARE - T2D值与数字符号替换测试（DSST）得分降低、连线测试（TMT - A和TMT - B）完成时间延长以及蒙特利尔认知评估（MoCA）得分降低相关。这表明，SPARE - CVM可能比传统的CVM诊断标签更能反映个体的认知风险。

研究结论与讨论

本研究通过机器学习技术开发的SPARE - CVM模型能够精准量化CVM相关脑结构变化，为早期检测CVM对大脑健康的影响提供了新的工具。这些模型在中年时期表现出最高的敏感性，提示中年时期可能是干预CVM相关脑结构变化的关键时期。此外，SPARE - CVM与认知功能的关联性表明，这些模型可能有助于识别认知衰退的高风险个体，为早期干预和治疗提供依据。尽管研究存在一些局限性，如样本的横断面性质和CVM标签来源的多样性，但其结果为未来的研究和临床实践提供了重要的参考。未来的研究可以进一步探索这些模型在纵向研究中的应用，以及它们在不同人群中的普适性。