《PLOS One》：Early diagnosis of Alzheimer’s Disease: Graph theoretical analysis of cerebellar network features based on 18F-AV45 PET
编辑推荐：
本文首次运用图论分析结合机器学习方法，探讨了基于18F-AV45 PET成像的小脑β淀粉样蛋白（Aβ）沉积连接网络在阿尔茨海默病（AD）早期认知衰退中的变化。研究发现，随着认知障碍从认知正常（CN）进展至轻度认知障碍（EMCI/LMCI）再到AD，小脑网络连接出现显著且阶段性的拓扑结构改变。将图论特征与感兴趣区标准化摄取值比（SUVR）整合至机器学习模型，在CN vs. EMCI和EMCI vs. LMCI的分类任务中展现了卓越的性能，曲线下面积（AUC）分别高达0.995和0.964。这为理解小脑在AD病理进程中的独特角色以及开发早期、精准的诊断工具提供了新的证据和思路。
引言
阿尔茨海默病（Alzheimer's Disease, AD）是最常见的神经退行性疾病，也是导致痴呆的主要原因。其病理特征表现为β淀粉样蛋白（Aβ）斑块和tau蛋白神经纤维缠结的逐渐积累，这一过程在痴呆症状出现前几十年就已开始。识别从认知正常（Cognitively Normal, CN）、早期轻度认知障碍（Early Mild Cognitive Impairment, EMCI）、晚期轻度认知障碍（Late Mild Cognitive Impairment, LMCI）到AD各阶段的神经退行性变化，对于及时干预至关重要。
传统上，AD病理被认为主要涉及新皮层和特定皮层下结构，如顶叶、颞叶、额叶皮层和海马体。然而，小脑在神经退行性疾病中的作用常被低估。研究表明，小脑在认知过程和情绪调节中扮演角色，并通过独特的通信通路与大脑皮层相互作用。AD患者的小脑也表现出与皮层和海马体相似的病理改变，如Aβ沉积，这使其成为研究AD病理的关键区域之一。图论（Graph Theory）作为一种分析大脑网络拓扑结构的数学工具，已被用于量化AD等疾病的脑网络改变。尽管基于图论的AD研究众多，但利用正电子发射断层扫描（Positron Emission Tomography, PET）成像，特别是18F-florbetapir（18F-AV45）PET来研究小脑淀粉样蛋白沉积网络的拓扑特性，相关研究仍相对有限。因此，本研究旨在填补这一空白，通过图论分析探究不同认知阶段小脑淀粉样蛋白沉积连接网络的变化，并将其与机器学习（Machine Learning, ML）模型相结合，用于AD的早期诊断分类。其核心研究流程如 所示。
材料与方法
研究对象
本研究的数据来自阿尔茨海默病神经影像学倡议（Alzheimer's Disease Neuroimaging Initiative, ADNI）数据库。共纳入了612名参与者的18F-AV45 PET扫描和磁共振成像（MRI）数据，其中包括172名认知正常（CN）个体，159名EMCI患者，141名LMCI患者和140名AD患者。所有参与者均提供了人口统计学变量（年龄、性别）和认知评估结果（如MMSE评分）等临床数据。
数据预处理与网络构建
PET图像数据在MATLAB中使用SPM12工具箱进行预处理，包括头动校正、与MRI图像的配准、空间标准化至蒙特利尔神经学研究所（Montreal Neurological Institute, MNI）空间。研究使用自动解剖标记（AAL）模板，将小脑细分为26个感兴趣区（Regions of Interest, ROIs），同时将典型皮层（如前额叶、颞叶、顶叶皮层和楔前叶）细分为72个ROIs。以脑桥（pons）作为参考区域，计算了26个小脑亚区和72个皮层区域在有/无部分容积效应校正（Partial Volume Effect Correction, PVEc）条件下的标准化摄取值比（Standardized Uptake Value Ratio, SUVR）。
为了构建个体特异性小脑沉积网络，研究采用了一种群体参考比较的方法。首先，基于所有CN受试者，利用协方差方法构建了一个群体水平的小脑沉积网络，作为参考网络。随后，逐一将患者（来自EMCI、LMCI、AD组）添加到参考组中，构建新的扰动网络。通过计算扰动网络与参考网络之间的差异，并进行Z分数转换，最终得到代表每个个体小脑网络连接异常程度的个体特异性网络矩阵。将网络矩阵转换为仅考虑正相关的二值矩阵，并使用一个稀疏度阈值范围（0.05至0.35，步长0.01）来排除虚假连接。最后，使用Gretna工具箱计算了十个小脑网络属性，包括全局特征（如小世界属性sigma、lambda、gamma，聚类系数，特征路径长度，全局效率和局部效率）和节点特征（如度中心性、中介中心性，节点聚类系数，节点效率和节点局部效率）。
统计分析与机器学习模型开发
采用独立样本t检验或Wilcoxon秩和检验来比较不同认知组间在图论特征和SUVR值上的差异，并使用Bonferroni校正进行多重比较。为评估小脑网络特征在AD早期诊断中的潜力，研究提取了ROI的SUVR值以及个体特异性沉积网络的图论特征作为分类特征。采用最小绝对收缩和选择算子回归（Least Absolute Shrinkage and Selection Operator, LASSO）进行关键特征选择。数据集被分层随机分为训练集（70%）和测试集（30%）。研究使用了六种机器学习分类器，包括支持向量机（Support Vector Machine, SVM）、随机森林（Random Forest, RF）、逻辑回归（Logistic Regression, LR）、多层感知器（Multilayer Perceptron, MLP）、极限梯度提升（eXtreme Gradient Boosting, XGBoost）和k-最近邻（k-Nearest Neighbors, k-NN）。模型性能通过准确率、特异性、敏感性、曲线下面积等指标进行评估。此外，还使用SHAP可解释性框架（Shapley Additive Explanations, SHAP）来量化小脑网络组件对不同模型预测的贡献。
结果
人口学与临床比较
研究样本包括172名CN个体，159名EMCI患者，141名LMCI患者和140名AD患者。各组在MMSE评分上存在显著差异（p < 0.05）。除了EMCI与LMCI组之间，所有其他组间比较（CN vs. AD, CN vs. EMCI, LMCI vs. AD）中，小脑和皮层平均SUVR值均显示出显著差异。详细信息见 。
从认知正常到阿尔茨海默病的淀粉样蛋白沉积连接性变化
与CN组相比，AD组在小脑连接性上表现出显著改变。具体表现为平均度和全局网络效率显著增加（1.463 vs. 1.489；0.086 vs. 0.098）。拓扑分析显示，AD患者多个小脑区域的中介中心性值显著增加，这些区域包括左侧的Crus I、Crus II、III、VIIB、VIII、IX，右侧的Crus I、Crus II、VI、VIIB、VIII、X，以及蚓部的III、VI和VII区域（p < 0.05，经Bonferroni校正）。皮层网络指标也发生了显著变化，小世界属性Sigma、Lambda和Gamma值显著降低，而全局网络效率、局部效率、平均度和平均聚类系数显著增加。
从认知正常到早期轻度认知障碍的淀粉样蛋白沉积连接性变化
统计分析显示，与CN组相比，EMCI组的小世界属性lambda显著增加（0.361 vs. 0.380）。在局部连接性方面，相对于CN对照组，EMCI个体的特定小脑区域出现了中介中心性改变：蚓部I和II小叶的中介中心性值显著升高，而右侧Crus I、右侧X和左侧VI小叶的中介中心性值显著降低（p < 0.05，经Bonferroni校正）。小脑图论分析揭示的组间差异如 所示。皮层网络指标则显示出局部效率、全局效率和平均聚类系数值的显著增加。
从早期到晚期轻度认知障碍的淀粉样蛋白沉积连接性变化
与EMCI组相比，LMCI组在整个小脑沉积连接性上没有显著变化。在局部连接性方面，LMCI组仅在少数区域表现出中介中心性变化：右侧VIIB小叶的中介中心性值显著降低，而蚓部VI和蚓部VII小叶的中介中心性值显著增加（p < 0.05，经Bonferroni校正）。皮层网络指标则显示小世界属性参数（Lambda和Gamma值）显著降低，而全局效率值显著增加。
从晚期轻度认知障碍到阿尔茨海默病的淀粉样蛋白沉积连接性变化
与LMCI组相比，AD组在小脑连接性上表现出显著改变。具体而言，小世界属性sigma、lambda、gamma、局部效率和平均聚类系数均显著降低，而平均度和全局效率则显著增加（sigma：0.330 vs. 0.311；lambda：0.369 vs. 0.348；gamma：0.418 vs. 0.371；局部效率：0.162 vs. 0.156；平均聚类系数：0.147 vs. 0.139；平均度：1.471 vs. 1.489；全局效率：0.088 vs. 0.098）。在局部连接性方面，AD组与LMCI组相比，多个小脑区域的中介中心性存在显著差异，具体包括左侧Crus I、Crus II、III、VIIB、VIII、IX，右侧Crus II、III、VIIB，以及双侧蚓部III、VI、VII和VIII的中介中心性显著降低（p < 0.05，经Bonferroni校正）。研究组之间小脑淀粉样蛋白斑块沉积连接性的组间比较分布如 所示。皮层网络指标则表现出小世界属性Sigma、Lambda和Gamma显著降低，而局部效率、全局效率和平均聚类系数值显著增加。
小脑网络模型与皮层脑模型的鉴别性能比较
除了构建小脑模型，研究还通过提取皮层网络特征和皮层SUVR特征构建了皮层脑模型，并比较了两者的分类性能。结果显示，小脑模型能有效区分AD与CN个体，其中XGBoost表现最佳。在测试组中，该模型的曲线下面积为0.950，准确率为0.862，敏感性为0.887，特异性为0.829。在区分CN与EMCI时，小脑模型表现出色，逻辑回归分类器在测试集中的曲线下面积达到0.995，准确率为0.963，敏感性为0.936，特异性为0.981。在区分EMCI与LMCI时，小脑模型的曲线下面积为0.964，准确率为0.911。然而，在区分LMCI与AD时，小脑模型的性能相对较低，测试集中的曲线下面积为0.632。相比之下，皮层脑模型在区分AD与CN、EMCI与LMCI时表现优于小脑模型，但在区分LMCI与AD时表现与小脑模型相似。这些结果表明，与皮层脑模型相比，小脑模型在识别轻度认知障碍方面可能具有相对优势。分类性能的详细数据见 和 。
SHAP分析被用于评估单个特征对小脑模型判别能力的贡献。结果表明，小脑区域的SUVR值在区分不同认知状态中起着关键作用。例如，多个分类任务中，左侧小脑IX叶、右侧小脑VIIB叶以及小脑Crus II叶等区域的SUVR是重要的贡献因子。此外，在AD与CN的比较中，小脑特异性沉积网络特征，如右侧小脑VI叶的节点效率等，也在分类过程中扮演了重要角色。这进一步表明，小脑区域的SUVR特征在识别和区分不同认知障碍阶段中至关重要。不同组别中表现最佳的机器学习模型的前10个特征的SHAP摘要点图如 所示。
讨论
本研究首次基于18F-AV45 PET成像数据，分析了AD进展过程中小脑淀粉样蛋白斑块沉积连接网络的变化。结果显示，随着认知能力下降，小脑淀粉样蛋白SUVR值在组间存在显著差异。图论分析揭示，与CN组相比，AD患者的平均度和全局效率显著增加。在CN与EMCI组的比较中，EMCI组的小世界属性指数Lambda也显著高于CN组。在LMCI与AD组的比较中，所有图论指标均显示出显著差异。这些发现揭示了AD患者小脑网络连接在全局和局部层面的显著改变。研究将小脑淀粉样蛋白沉积连接网络的图论分析特征与各小脑区域的SUVR值相结合，提升了早期AD的分类性能。在CN vs. EMCI和EMCI vs. LMCI的分类任务中，模型展现了优异的性能，这为小脑在AD临床前阶段早期识别中的作用提供了新证据。
以往研究常将小脑或脑桥作为参考区域，这可能会掩盖其自身的病理变化。本研究发现，即使在EMCI阶段，与CN组相比，小脑SUVR也存在显著差异，这表明淀粉样蛋白沉积在AD早期就已开始。研究采用拓扑分析来更准确地反映AD的进展。通过测量不同小脑区域的Aβ积累并应用图论分析，对全局和局部特征进行了全面评估。AD进程中，与CN相比，AD组的度中心性和全局效率平均值显著增加。在局部层面，多个小脑小叶，特别是左侧Crus I、II、III、VIIB、VIII、IX，右侧Crus II、III、VIIB，以及双侧蚓部III、VI、VII、VIII的中介中心性发生了显著变化。这些发现印证了小脑不同功能区参与AD进程的假说，并凸显了蚓部在AD病理进展中的重要作用。
与现有方法相比（比较结果汇总于 ），本研究基于小脑淀粉样蛋白沉积连接网络、图论分析特征和小脑区域SUVR构建的模型，在诊断轻度认知障碍方面展现了卓越性能，特别是在早期分类（CN vs. EMCI）上，曲线下面积达到0.995，准确率为0.963，超越了多数现有算法。SHAP可解释性分析进一步证实，在图论特征中，小脑区域的SUVR值是模型区分不同认知状态的关键贡献者。
研究结果与先前观察一致，表明小脑参与了AD相关的认知缺陷。AD通常以认知障碍为特征，而广泛的研究表明，小脑在认知和非认知功能的产生和维持中起着关键作用。小脑的病理改变可以通过多种影像学生物标志物可靠地检测和量化。既往研究也发现，AD相关小鼠模型中小脑的电生理变化先于任何病理变化出现；18F-FDG PET研究则识别出AD患者存在小脑代谢功能障碍。这些研究都强调了小脑在AD相关认知障碍中的关键作用。在这些生物标志物中，18F-AV45 PET能够独特地检测小脑内的Aβ病理，为理解疾病机制提供了关键见解。
本研究存在一些局限性。首先，使用脑桥作为参考区域，其他参考区域可能会产生不同的结果。其次，ADNI是一个多中心数据集，中心间的差异可能会影响图论分析和机器学习分类。因此，未来需要在多中心进行验证以确保一致性和可靠性。第三，未来研究需要使用外部数据集进行额外的验证分析。第四，MRI和PET扫描之间的时间差异可能会影响研究结果，未来研究需要进一步考虑这一潜在影响。
结论
综上所述，基于18F-AV45 PET成像数据集，研究结果强调了AD早期阶段即存在异常的小脑淀粉样蛋白斑块沉积连接网络。随着认知障碍加深并进展为AD，小脑淀粉样蛋白斑块沉积连接网络的改变日益严重，影响了全局和局部的小脑连接性。这些变化在早期即出现，可能有助于AD的早期检测。
