痴呆症患者海马体纵向基于表面的形态测量变化

《Neuropsychologia》：Longitudinal Surface-Based Morphometry Changes in the Hippocampus in Dementia

　　萨拉赫·阿齐兹（Salah Aziz）| 罗密欧·佩内罗（Romeo Penheiro）| 卡桑德拉·莫里森（Cassandra Morrison）| 彼得·朱科夫斯基（Peter Zhukovsky）| 约翰·A·E·安德森（John A.E. Anderson）
加拿大渥太华卡尔顿大学认知科学系，K1S 5B6

**摘要**
海马体在阿尔茨海默病（AD）中起着核心作用，该疾病的特点是海马体萎缩和认知能力下降。尽管海马体体积的减少已有充分记录，但基于表面的形态测量学特征（如曲率、回旋程度和厚度）却较少被研究。利用阿尔茨海默病神经影像学计划（Alzheimer’s Disease Neuroimaging Initiative）的T1加权MRI数据（共3,144个时间点：认知正常组（CN）450人，轻度认知障碍组（MCI）284人，阿尔茨海默病组（AD）204人），我们使用HippUnfold软件分析了海马体的各个亚区。线性混合效应模型研究了体积和基于表面的形态测量学特征的变化，追踪了稳定组（n = 710人）和进展组（n = 228人）的认知轨迹。

以CA1亚区为例，不同诊断组的基线体积存在显著差异，所有临床组的体积都比认知正常的个体小，这与疾病严重程度一致。相比之下，基于表面的形态测量学特征在基线时组间差异很小，只有从CN组到MCI/AD组的多个指标显示出显著的负效应。纵向分析表明，疾病相关变化主要由时间依赖的交互作用引起。特别是从MCI进展到AD组的参与者表现出最明显的体积减少和相应的基于表面的形态测量学变化。从CN进展到MCI/AD组的参与者也表现出类似的形态测量学变化，尽管幅度较小，这表明在临床症状出现之前就已经开始了表面重塑。而稳定期的AD组仅表现出体积减少的显著纵向变化，而稳定期的MCI组则几乎没有或没有显著的形态测量学或体积变化。将纵向形态测量学变化与认知领域联系起来的分析显示，这些变化与不同认知领域和疾病阶段的认知衰退速率存在差异：基于表面的形态测量学变化与早期语言能力的下降相关，而在从MCI进展到AD的过程中与记忆和视觉空间能力的加速下降相关。

虽然海马体体积的减少是阿尔茨海默病的可靠标志，但它并不能完全反映疾病进展过程中基于表面的形态测量学变化。特别是在从MCI进展到AD的参与者中，基于表面的形态测量学特征显示出最强且最一致的纵向效应，表明表面几何结构的变化伴随着体积的加速减少。这些发现表明，基于表面的形态测量学特征对疾病活跃期间的形态重组最为敏感，并提供了超出体积信息的补充数据。

**1. 引言**
进行性的海马体萎缩是阿尔茨海默病的特征，对于识别阿尔茨海默病及其前驱阶段——轻度认知障碍（MCI）的神经退行性变化至关重要。海马体萎缩与记忆衰退有关，因此成为阿尔茨海默病研究的关键焦点。大多数关于阿尔茨海默病脑结构的研究集中在内侧颞叶的体积变化上。然而，由于常规MRI扫描中海马体分割的挑战（Insausti & Amaral, 2004; Chang et al., 2018; Wisse et al., 2017; Yushkevich et al., 2015），基于表面的指标（如曲率、回旋程度和厚度）尚未得到充分研究。尽管尸检研究表明海马体亚区的变化受到其折叠结构的影响（Duvernoy, 1998），但由于分割协议的问题（La Joie et al., 2020; Olsen et al., 2019; Wisse et al., 2017），这些指标仍难以准确测量。

**表1. 各组的人口统计信息**
| 组别 | 年龄 | 性别 | 教育水平 | 跟踪年限 |
|------|------|-------|---------|---------|
| 稳定认知正常组（Stable CN） | 450人（48%） | 76.5±6.1岁 | 74% | 16.42±2.6岁 | 4.70 |
| 稳定轻度认知障碍组（Stable MCI） | 197人（21%） | 73.71±7.39岁 | 56% | 15.80±2.99岁 | 3.74 |
| 稳定阿尔茨海默病组（Stable AD） | 63人（6%） | 72.9±8.2岁 | 48% | 14.98±2.98岁 | 2.36 |
| 从CN进展到MCI/AD的组 | 87人（15%） | 78.4±5.26岁 | 51% | 15.52±2.74岁 | 6.15 |
| 从MCI进展到AD的组 | 141人（15%） | 73.28±7.25岁 | 54% | 15.63±2.73岁 | 4.26 |

**表2. 按解剖测量指标和半球划分的海马体亚区模型**
| 亚区 | 测量指标 | 半球 | 总模型数 |
|------|--------|------|---------|
| CA1-CA4, Sub | 体积、曲率、回旋程度、厚度 | 左半球（L） | 40 |
| DG | 体积、曲率、回旋程度 | 右半球（R） | 4 |
| 注意：模型结构包括6个海马体亚区（CA1、CA2、CA3、CA4、DG、Sub），针对4个解剖测量指标（体积、曲率、回旋程度、厚度）进行分析，分别对左右半球进行。DG不包括厚度测量。总计46个独特模型。 |

**2.2. 自动分割技术的进步**
最近在自动分割技术方面的进展，尤其是基于卷积神经网络的深度学习方法，为手动分割提供了标准化、可扩展且高效的选择（Goubran et al., 2020; Henschel et al., 2020; Thyreau et al., 2018）。尽管这些方法提高了大型数据集分析的一致性和可行性，但它们仍可能受到特定自动化协议固有错误的影响，这些错误可能在不同参与者之间系统性传播（Sghirripa et al., 2024）。像HippUnfold（Dekraker et al., 2021, 2022）这样的工具能够提取基于表面的形态测量学指标，揭示对早期神经退行性变化敏感的表面特征。HippUnfold能够重建海马体组织模型，实现精确的亚区划分，同时捕捉曲率、厚度和回旋程度等与阿尔茨海默病相关的结构变化（Dale et al., 1999; Fischl & Dale, 2000; Schaer et al., 2008）。

**2.3. 研究方法**
本文使用的数据来自阿尔茨海默病神经影像学计划（ADNI）数据库（adni.loni.usc.edu）。ADNI于2003年启动，是由迈克尔·W·韦纳（Michael W. Weiner）博士领导的公私合作项目。该项目的主要目标是测试序列磁共振成像（MRI）、正电子发射断层扫描（PET）、其他生物标志物以及临床和神经心理学评估是否可以结合起来，用于测量轻度认知障碍（MCI）和早期阿尔茨海默病（AD）的进展。ADNI实施了标准化的质量控制程序，包括检查运动、覆盖范围和信噪比，并在发布前对扫描图像进行人工质量检查（更多信息请访问http://www.adni-info.org）。该研究获得了所有参与机构的伦理批准，并从参与者或其研究伙伴处获得了书面知情同意。

**2.4. 数据合并与分析**
MRI元数据、神经心理学数据和人口统计数据从ADNI的公共数据网站获取，并与HippUnfold指标数据合并。我们通过滚动连接方法排除了那些相关神经心理学测试距离MRI扫描时间超过180天的扫描数据，因为后续扫描之间的时间间隔为6个月（Morrison et al. 2023a）。我们通过华盛顿大学衰老与神经退行性分析中心（CPAAN）的建议，使用了来自阿尔茨海默病测序项目协调联盟（ADSP-PHC）的数据，该联盟试图协调多项衰老研究中的认知领域评分（Mukherjee et al., 2023）。认知综合评分分为四个领域：记忆（PHC_MEM）、执行功能（PHC_EXF）、视觉空间处理（PHC_VSP）和语言处理（PHC_LAN）。这些综合评分使用了Z标准化方法进行标准化。分析中使用了包含部分缺失神经心理学测量数据的研究数据。

**2.5. 参与者**
我们强调在整个纵向研究期间保持参与者的一致性。通过维持一个稳定的参与者队列，我们可以更全面地了解认知衰退的进展，捕捉其真实动态变化，确保研究的统计功效和内部有效性（Fewtrell et al., 2008; Siddiqi et al., 2008; Gupta et al., 2015）。

**2.6. 研究设计**
我们的研究关注与阿尔茨海默病相关的海马体亚区：CA1-CA4、齿状回（DG）和下托（Sub）。通常，CA1、DG和Sub在阿尔茨海默病中会萎缩，而CA2和CA3则相对不受影响（Christopher-Hayes et al., 2023）。这些亚区与阿尔茨海默病中受损的认知功能相关，例如情景记忆（Tulving, 1972; Eichenbaum, 2017），CA1、CA4和DG的体积减少与MCI和轻度阿尔茨海默病中的记忆衰退有关（Broadhouse et al., 2019; Kerchner et al., 2012）。其他认知领域，如视觉空间处理、执行功能和语言能力也受到影响（Rizzo et al., 2000; Jacobs et al., 2015; Manning et al., 2023）。

我们利用ADNI数据集，研究了被分类为认知正常（CN）、轻度认知障碍（MCI）和阿尔茨海默病（AD）的参与者的海马体亚区变化，因为这方面的研究尚不充分。尽管之前的许多研究依赖于横断面分析，但本研究采用了跨越阿尔茨海默病神经影像学计划（ADNI）多个阶段的纵向设计，该计划是一项多中心观察性研究，旨在验证阿尔茨海默病临床试验的生物标志物。具体来说，我们分析了ADNI-1、ADNI-GO、ADNI-2和ADNI-3的数据，这些数据代表了超过十年的连续招募阶段。这种设计使我们能够研究从认知正常（CN）到MCI再到AD的明确认知阶段的形态测量学变化。

我们假设阿尔茨海默病患者的海马体会出现显著萎缩，尤其是在CA1和下托亚区。我们进一步预期这些变化将为我们提供关于认知衰退随时间进展的独特见解。由于这种测量方法的新颖性，我们对表面指标的变化方向只有初步假设，除了预期皮层厚度会减少。虽然HippUnfold主要应用于横断面分析，但本研究将其纵向应用于ADNI数据集，从而能够追踪海马体指标随时间的变化，加深对阿尔茨海默病进展的理解。我们制定了以下轨迹的分类方案：稳定的或非进展的（n = 710）：（正常认知（CN），n = 450；轻度认知障碍（MCI），n = 197；阿尔茨海默病（AD），n = 63）；以及进展的（n = 228）：（从CN到MCI，n = 78；从CN到AD，n = 9；从MCI到AD，n = 141）。由于样本量较小，我们选择将CN进展组归为一类。2.4. 结构磁共振成像（MRI）采集和HippUnfold处理参与者接受了1.5T和3.0T T1加权协议的扫描。完整的标准和详细信息请参见http://www.adni-info.org。原始的T1加权扫描数据从ADNI数据库中获取，并使用HippUnfold v.1.1在CBRAIN上进行处理（Sherif等人，2014年）。首先使用Advanced Normalization Toolkit（Avants等人，2008年）中的N4算法对海马数据进行强度校正。接下来，通过NiftyReg（Modat等人，2010年）进行仿射配准，将图像对齐到CITI168图谱（Pauli等人，2018年）。然后通过Convert3D（Yushkevich等人，2006年）将此对齐结果与CITI168图谱中预计算的沿海马长轴的倾斜方向结合，进一步细化对齐。对齐后，图像被重采样为0.3 mm3的体素大小，并裁剪为128 × 256 × 128体素的尺寸，以CITI168图谱中的左右海马为中心。为了确保一致性，左右海马被沿矢状方向翻转以匹配方向。HippUnfold指标进行了Z标准化，以便于比较。未为齿状回（DG）生成厚度指标。为了评估HippUnfold分割的质量，我们遵循作者的指导，应用了0.7的Dice系数阈值。Dice分数是通过将HippUnfold掩模与使用标准微分同胚配准生成的海马掩模进行比较得出的。分数高于0.7被视为可接受的，但没有一个超过0.84，这反映了该方法相对于传统方法的更高敏感性。为了进一步说明分割质量，补充材料中包括了在ITK-SNAP（Yushkevish等人，2016年）中可视化的带有HippUnfold分割层的代表性T1加权图像，涵盖了不同的扫描场强、诊断组和一系列Dice分数；有关质量控制排除标准的更多信息，请参见补充数据。为了帮助解释和重现性，我们在下面提供了从HippUnfold得出的海马SBM指标的简要方法定义和解剖学解释。曲率、回旋程度和厚度是在代表海马灰质中点的表面上计算的，而不是像在新皮质表面分析中通常那样在外部皮层表面上计算的（DeKraker等人，2022年；Karat等人，2023年）。因此，这些指标量化的是从海马分割中得出的局部表面几何特性，不应被解释为反映宏观的皮质折叠。SBM指标捕捉了表面弯曲、局部复杂性、长轴曲率和层状距离等几何属性，而不是沟或回的模式。这种区分对于CA2、CA3和CA4等子区域尤为重要，因为这些区域没有明显的宏观折叠（DeKraker等人，2018a，2020年）。子区域体积反映了总体组织范围，对局部几何变化相对不敏感。曲率反映了海马表面的局部弯曲，包括沿前后轴的变化以及与海马齿状结构相关的几何特征，这些特征在海马头部最为明显，但可以影响相邻的子区域（Chang等人，2018年；DeKraker等人，2018b）。回旋程度指标反映了展开过程引起的表面积扭曲，反映了局部表面复杂性，而不是离散的沟或回。在CA2–CA4中，回旋程度的差异可能反映了前后方向的延长和来自相邻结构（如齿状回）的几何影响（DeKraker等人，2018a，2020年）。厚度指标测量了海马灰质内外边界之间的层状距离，并捕捉了层状组织的局部变化。2.6. 协变量为了控制头部大小和人口统计变量的潜在混淆效应，在统计建模之前对形态测量值进行了残差处理。具体来说，估计的总颅内体积（eTIV）、年龄、性别、教育水平和扫描地点被视为协变量，并从每个形态测量值中回归出来，所得残差被用作所有后续线性混合效应模型的因变量。eTIV直接从FastSurfer v2.1.2中获得，该软件可以生成包括所有灰质、白质和脑脊液在内的总皮质和皮下体积（Henschel等人，2020年，2022年）。2.6. 统计分析我们首先进行了统计分析，以探讨各组之间的差异。为了确定诊断组之间观察到的年龄、教育水平、认知分数和研究随访年数的差异是否具有统计学意义，我们进行了一系列单因素方差分析（one-way ANOVAs）。我们将生物性别作为分类变量，分别用卡方检验（Chi-Square test）进行了分析。统计分析是在“R” v.4.3.2（R Core Team，2021年）中进行的。我们使用lme4包中的线性混合效应模型来研究海马形态测量随时间的变化的层次效应。统计显著性在p < 0.05的阈值下进行评估。P值使用lmerTest包中实现的Satterthwaite自由度近似法获得。由于收敛性和奇异性问题——可能是由于嵌套响应结构的复杂性和数据量——我们选择关注半球、海马子区域和解剖指标的具体组合，而不是尝试单一的全面模型。对于每个组合，使用相应的数据子集实施了单独的模型：残差化海马测量值 ～ 进展组 * 随访年数 + 协变量（1 + 随访年数 | 参与者ID）。通过这种子集策略，我们确保了参数估计的可靠性，从而能够得出关于海马形态测量对认知分数影响的有意义结论。这种方法导致了50个不同的模型的实施。生成了一个轨迹图（图1），以可视化每个半球、海马标签和指标（体积、曲率、回旋程度、厚度）随时间的变化。数据按诊断分组，并拟合了包含诊断和随访年数交互项的线性模型，以估计随时间的斜率。使用emmeans包进行了事后成对比较，并使用R中的p.adjust函数进行了多重比较的校正，该方法对应于Benjamini-Hochberg程序（Benjamini & Hochberg，1995年）。分析中注意到显著结果，阈值为0.05。下载：下载高分辨率图像（737KB）下载：下载全尺寸图像图1. 不同诊断组左CA1形态测量的纵向变化注意：随时间变化的残差化基于表面的形态测量（SBM）变化，包括四个指标：（A）体积，（B）曲率，（C）回旋程度，（D）厚度。显示了五个诊断组的轨迹——稳定的CN、稳定的MCI、稳定的AD、从CN进展到MCI/AD以及从MCI进展到AD。实线代表最佳拟合斜率，而阴影路径表示个体轨迹。为了清晰起见，斜率值报告到小数点后四位，尽管可能存在潜在差异，但看起来可能相同。成对比较显示所有组之间的体积存在显著差异（p < 0.001），除了稳定的MCI与CN到MCI/AD之间，以及稳定的CN与稳定的MCI和稳定的CN与MCI到AD之间在其他指标上也具有显著性（p < 0.001）。诊断组稳定的CN被设定为截距和组级效应的参考水平。该模型还提供了斜率的参与者级方差和与时间点的交互作用。该模型使用受限最大似然法（Restricted Maximum Likelihood）进行估计，该方法通过考虑固定效应来提供准确的方差组分估计，并使用边界优化二次近似（Bound Optimization By Quadratic Approximation）优化器，即使在数据排列复杂的情况下也能确保模型有效收敛。这种方法用于预测带有诊断组和随访年的标准化和残差化模态值。然后我们研究了模型中的随机效应如何解释个体变异性。对于时间依赖的交互作用，我们使用Connectome Workbench（Van Essen & The Human Connectome Project，2012年）来可视化不同诊断组之间的平均斜率的空间分布，这些斜率代表了随时间的变化。我们评估了随访年数与诊断组之间的交互效应。这些交互作用揭示了不同诊断组的斜率如何分化，突出了与诊断进展相关的时间动态。之后，我们运行线性模型来评估形态测量指标如何预测认知综合分数的变化。为了量化纵向认知变化，我们使用所有可用的时间点计算了每个认知领域的参与者特定斜率。平均斜率和标准差按诊断组在补充表S4中报告。为了预测认知分数，我们为每个特定的半球和海马子区域拟合了线性回归模型，以斜率和进展组作为每个认知领域的预测因子。每个回归模型的一般公式为：认知分数的斜率 ～ 形态测量的斜率 * 诊断组。之后，我们进行了敏感性分析，以评估MRI场强是否影响了我们的发现。我们分别对1.5T和3.0T扫描以及合并的1.5T和3.0T数据集重复了主要混合效应模型。这种方法使我们能够确定包含较低分辨率的1.5T数据是否偏置了3.0T数据中的效应估计。3. 结果3.1. 描述性统计除了对连续变量进行单因素方差分析外，还进行了卡方检验，以检查诊断组和性别之间的关联。结果显示性别和诊断组之间存在显著关联，χ2(4, N = 938) = [738.17]，[p < .001]。23.2. 主要发现海马子区域的分析揭示了几个跨指标的一致趋势。图1展示了受试者级别的斜率，表明体积和SBM指标之间存在一般性的分离，即使在体积没有明显下降的情况下，SBM指标也发生了变化。有趣的是，在海马子区域的体积和SBM指标中出现了明显的模式。虽然双侧CA2区域的体积测量值在所有队列中保持相对稳定，但SBM指标（如曲率、回旋程度和厚度）显示出一致的增加，表明尽管体积稳定，表面拓扑结构发生了变化。在CA4子区域也观察到了类似的趋势，其中体积减少伴随着其他SBM指标的增加。请参见补充材料中的图S1和S2，这些轨迹显示了这些变化。这些发现突显了SBM指标提供的互补见解，特别是在捕捉仅凭体积可能无法检测到的形态变化方面。虽然视觉模式表明轨迹有重叠，但我们的线性混合效应模型的结果提供了对这些变化的额外见解。具体来说，模型显示了诊断组之间效应大小的显著差异。特别是，健康对照组（稳定的CN）与诊断恶化组（从CN到MCI/AD和从MCI到AD）之间的比较显示了结构变化率的明显区别。3.3. 固定效应表4以左CA1子区域为例，展示了固定效应的方向和相对大小在海马子区域和指标上高度一致。诊断组效应在体积、曲率、回旋程度和厚度上是一致的。相对于参考组稳定的CN，稳定的MCI和从MCI到AD在CA1体积上显示出显著差异，稳定的AD也有显著差异。相比之下，从CN到MCI/AD在体积上显示出较小但显著的差异。具体来说，患有稳定AD的个体相对于CN个体表现出显著的体积基线差异。体积差异在L CA1中最大（β = -1.01，p < .001），其次是CA3和Sub，表明这些区域有明显的萎缩。表3. 按诊断组划分的人口统计和认知变量的一元方差分析结果变量ANOVA结果a总体效应大小（η2）事后比较b年龄F(4, 3139)=56.12，p < .0010.07从CN进展到MCI/AD与从CN进展到MCI/AD（差异 = -5.15）教育F(4, 3139)=19.19，p < .0010.02稳定的CN与稳定的AD（差异 = 1.43）随访年数F(4, 3139)=122.7，p < .0010.15从CN进展到MCI/AD与稳定的AD（差异 = 7.09）记忆F(4, 3139)=752.3，p < .0010.49稳定的CN与稳定的AD（差异 = 1.87）视觉空间F(4, 1665)=46.04，p < .0010.10稳定的CN与稳定的AD（差异 = 0.81）语言F(4, 3135)=307.8，p < .0010.28稳定的CN与稳定的AD（差异 = 1.46）执行功能F(4, 3129)=311.8，p < .0010.29稳定的CN与稳定的AD（差异 = 1.59）注意。该表展示了按诊断组划分的各种人口统计和认知变量的一元方差分析结果。“事后比较”列通过Tukey诚实显著差异检验突出了诊断组之间的最大绝对差异，显示了哪些组之间的对比最为显著。a. 方差分析（ANOVA）是在完整病例上进行的，这意味着只有具有可用神经心理学测量数据的参与者被纳入了分析。b. 报告了每个变量的最大绝对差异。所有的事后比较都是显著的（p < .001），除了从进行性轻度认知障碍（Progressive MCI）到阿尔茨海默病（AD）的年龄比较、稳定型AD之间的比较、稳定型MCI之间的比较；进行性MCI到AD的比较；进行性CN到MCI/AD的比较；稳定型MCI与进行性CN到MCI/AD的比较；以及随访年份与进行性MCI到AD的比较。

表4. 诊断状态对左侧CA1海马区指标的固定效应
模型 术语 估计值 标准误差 统计量 自由度 调整后的P值
体积 截距 6.40 0.19 4.36 16 2.08 < 0.01
稳定型MCI -0.36 0.04 -8.37 9 17.98 < 0.01
稳定型AD -0.87 0.06 -13.83 9 19.85 < 0.01
CN到MCI/AD -0.17 0.07 -2.41 8 6.97 0.03
MCI到AD -0.60 0.06 -10.55 9 14.78 < 0.01
曲率 截距 -0.73 11 0.01 -70.56 16 79.22 < 0.01
稳定型MCI 0.005 0.00 2.11 9 64 0.05
稳定型AD 0.003 0.00 0.87 9 67 0.03
CN到MCI/AD -0.01 13 0.00 -2.84 9 38.58 < 0.01
MCI到AD 0.0008 0.00 0.28 9 58 0.84
脑回折叠 截距 -0.71 13 0.01 -69.44 16 72.16 < 0.01
稳定型MCI 0.0041 0.00 1.79 9 66 0.10
稳定型AD 0.0010 0.00 0.29 9 70 0.16 0.83
CN到MCI/AD -0.01 17 0.00 -2.97 9 40.63 < 0.01
MCI到AD 0.0004 0.00 -0.13 9 60.93 0.92
厚度 截距 -0.72 23 0.01 -69.95 16 78.20 < 0.01
稳定型MCI 0.0048 0.00 2.07 9 64 0.06
稳定型AD 0.0028 0.00 0.80 9 67 0.52
CN到MCI/AD -0.01 13 0.00 -2.84 9 38.60 < 0.01
MCI到AD 0.0007 0.00 0.23 9 58 0.85

注：截距反映了稳定型CN组的估计指标，并包含了随机效应方差的标准差。由于每个指标的形态数据可用性和分析中包含的不同时间点，自由度可能会有所不同。为了突出较小的数值，SBM指标保留到小数点后四位。完整表格请参见补充材料中的表S2。

对于基于表面的指标，CN到MCI/AD组与参考组在曲率、脑回折叠和厚度上存在一致差异，但这些效应随着时间的推移而逆转。稳定型AD和MCI到AD组在这些指标上的效应不显著，而稳定型MCI根据指标的不同显示出边缘或趋势级别的效应。总体而言，体积效应在诊断组中最为强烈且分布最广，而基于表面的指标则表现出更选择性的敏感性，尤其是在CN到MCI/AD组中。

模型中包含的协变量对大多数指标都显著，主要例外是在体积和左侧CA4的L Sub厚度方面。年龄是所有模型中的显著预测因子，除了体积。扫描地点对任何体积指标或L Sub厚度都没有显著影响。性别对双侧CA4的体积没有显著影响。

随机截距的标准差范围从0.53到0.03，体积指标显示出最高的方差，而脑回折叠显示出最低的方差。随机斜率的标准差范围从0.03到0.001，反映了类似的趋势，体积指标显示出更高的变异性。截距和斜率之间的相关性范围从0.33到-0.41，体积指标显示出最强的相关性，而曲率和脑回折叠显示出最弱的相关性。残差标准差范围从0.14到0.007，体积指标显示出最高的残差方差，而脑回折叠指标显示出最低的残差方差。

表5显示了交互作用的显著性，以CA1区域为例，因为交互作用项的效应模式与其他显著交互作用一致；详细数据请参见补充材料中的表S2。体积减少和SBM指标增加的趋势与模型中的固定效应一致。对于体积指标，体积的减少通常对MCI到AD组的负面影响最大，其次是稳定型AD和CN到MCI/AD组。例如，CA1在稳定型AD组（β = -0.03）和从CN到MCI/AD的转变中都显著（β = -0.02），但MCI到AD组的减少幅度随时间最小（β = -0.05）。在DG中观察到的效应最为相似，其中CN到MCI组的负效应幅度最大（β = -0.05），其次是稳定型AD（β = -0.01）和MCI到AD（β = -0.02）。然而，随访年份的截距在双侧CA2和CA3的体积上没有达到显著性。R Sub仅在CN到MCI/AD（β = -0.02）和MCI到AD（β = -0.01）中显示出体积损失的显著交互作用，而CA2则没有。

稳定型MCI组仅在左侧CA1的轻微体积损失（β = -0.008）和右侧DG（β = -0.002）中与时间有显著交互作用。稳定型AD组在双侧CA1和DG的体积损失上达到显著性。

表5. 随访年份与诊断组的交互作用
模型 术语 估计值 标准误差 统计量 自由度 调整后的P值
体积 随访年份 -0.01 0.00 -4.53 41 13.05 < 0.01
随访年份：稳定型MCI -0.00 0.00 -2.18 31 6.79 0.048
随访年份：稳定型AD -0.03 0.01 -3.09 63 8.70 < 0.01
随访年份：CN到MCI/AD -0.02 0.00 -3.40 28 4.80 < 0.01
随访年份：MCI到AD -0.05 0.01 -8.33 51 4.46 < 0.01
曲率 随访年份 0.00 0.00 3.69 63 8.07 < 0.01
随访年份：稳定型MCI 0.00 0.03 1.77 47 1.65 0.13
随访年份：稳定型AD 0.00 0.07 1.25 79 5.00 0.27
随访年份：CN到MCI/AD 0.00 0.07 2.74 37 7.96 0.01
随访年份：MCI到AD 0.00 12 0.00 3.69 63 8.07 < 0.01
脑回折叠 随访年份 0.00 0.04 0.64 50 8.58 0.01
随访年份：稳定型MCI 0.00 0.03 1.57 47 5.24 0.16
随访年份：稳定型AD 0.00 0.06 1.21 58 4.33 0.28
随访年份：CN到MCI/AD 0.00 0.07 2.56 38 1.18 0.02
随访年份：MCI到AD 0.00 10 0.00 3.29 64 3.03 < 0.01
厚度 随访年份 0.00 0.04 0.74 50 5.55 0.01
随访年份 0.00 0.00 1.71 47 1.92 0.13
随访年份：稳定型AD 0.00 0.07 1.26 57 9.28 0.27
随访年份：CN到MCI/AD 0.00 0.07 2.71 37 8.16 0.01
随访年份：MCI到AD 0.00 11 0.00 3.68 63 8.31 < 0.01

注：该表展示了诊断组之间体积和SBM指标的显著交互作用，P值使用假发现率（FDR）方法进行了多重比较调整。SBM指标保留到小数点后四位以突出较小的数值。?表示该术语在左侧半球的显著性。

在整个海马亚区域中，进行性诊断变化与SBM指标的持续正向纵向效应相关。从MCI进展到AD的个体的效应大小（β范围约为0.00087–0.00137）大于从CN进展到MCI或AD的个体（β范围约为0.00063–0.00077）。这些效应分布广泛，没有单一亚区域单独驱动这种模式。然而，在每个指标内部也存在一些趋势。例如，在MCI到AD组中，体积下降在双侧CA1（左侧：-0.050，右侧：-0.033）最为明显，其次是DG和CA3，CA2的下降最小。曲率在右侧CA4（β = 0.00137）的增加最为显著，其次是左侧DG（β = 0.00115），CA1和CA2的效应较小。脑回折叠在双侧CA2（左侧：0.00113，右侧：0.00113）的增加最大，其次是CA3和扣带回，CA4的效应最小。厚度增加在CA2（左侧：0.00112，右侧：0.00113）和扣带回最为明显，CA1、CA3和CA4的效应较小。

图2展示了各诊断组内各指标的平均斜率。斜率大小在诊断组中呈现出一致的顺序，从稳定型CN到稳定型MCI，再到CN到MCI/AD，最后在MCI到AD组达到峰值。对于体积，CA1的斜率最低，而CA2的斜率最高。曲率的增加在DG和扣带回最为明显。与曲率不同，脑回折叠的变化在海马亚区域之间相对均匀。厚度的变化也大致一致，但扣带回的斜率相对减弱。

图3显示了海马形态测量与诊断组之间交互作用的效果大小。总体而言，语言是作为预测因子的指标中认知领域的主要效应，执行功能的效果最低。

3.5. 对认知的影响
在分析交互作用对认知的影响时，只有17%的结果在显著性检验中通过。我们的分析显示，在达到统计显著性的模型中，语言是主要认知领域，而执行功能的效果最低。

图3展示了海马形态测量与诊断组之间交互作用的效果大小范围。SBM指标的效果大小和变异性显著大于体积测量。所有领域的认知斜率在参与者中都是负值，反映了随时间的下降。因此，在将形态测量斜率与认知斜率相关联的模型中，正效应大小表明更陡峭的形态变化与更慢的认知下降相关，而负效应大小表明更陡峭的形态变化与更快的认知下降相关。详细信息请参见补充表S4。

3.6. 敏感性分析
虽然3.0T MRI通常提供比1.5T更高的分辨率和对比度，但我们发现海马亚区域的纵向效应在不同场强下大体一致。仅限于3.0T数据的分析显示出基本一致的效果方向，但由于样本量较小，敏感性略有差异且统计功效有所损失（详见补充表S1）。因此，尽管1.5T数据可能噪声更大，但这些扫描的包含并没有实质性改变我们主要分析中报告的形态变化模式。

具体来说，当单独分析时，观察到一些场强特定的敏感性差异：1.5T分析对稳定型AD组的变化更敏感，而3.0T分析在MCI到AD组中捕捉到了更强的效应，包括主要效应和时间交互作用。CN到MCI/AD的固定效应在仅3.0T的分析中未通过。在不同场强下观察到重叠的体积效应，包括CN到MCI/AD相关的体积损失在左侧DG（1.5T：β = ?0.006；3.0T：β = ?0.008）和MCI到AD相关的体积损失在左侧CA1（1.5T：β = ?0.05；3.0T：β = ?0.04）以及双侧DG（左侧和右侧：1.5T β = ?0.15；左侧3.0T β = ?0.07，右侧3.0T β = ?0.08）。对于SBM指标，不同场强下通常观察到增加效应，尽管这些效应在按半球和亚区域检查时并不总是重叠。

汇总的1.5T和3.0T数据与仅3.0T的分析进行了比较。观察到一些不一致的效应，主要是在随访年份、CN到MCI/AD以及CN到MCI/AD与时间的交互作用方面；然而，后两个术语在仅3.0T的数据中不显著。

4. 讨论
我们的纵向分析揭示了关于AD谱系中海马和皮层形态测量指标的几个值得注意的发现。正如假设的那样，我们观察到在已知易受AD影响的区域（特别是CA1和DG）中，海马体积的纵向效应大小逐渐变小。这些效应在从MCI进展到AD的个体中最明显，但在CN到MCI/AD组中也通过时间依赖的交互作用显现出来。这种模式表明，CA1和DG的体积损失反映了疾病的持续进展，而不是静态的诊断差异。这些发现与先前的研究结果一致，这些研究将CA1及其相邻亚区确定为阿尔茨海默病（AD）早期和进行性神经退化的部位（Apostolova等人，2006年；La Joie等人，2013年；Mak等人，2016年；Zhao等人，2019年）。此外，这些研究还表明，这些区域的萎缩在临床各阶段是持续发展的，其中从轻度认知障碍（MCI）到AD的转变期间萎缩最为明显。在海马体的各个亚区中，基于表面亮度（SBM）的测量指标的主效应差异通常不显著，这表明SBM指标无法在横断面上有效区分不同诊断组。唯一的例外是在从CN到MCI/AD的组中观察到的基线效应为负值，这表明与健康对照组相比，这些区域在早期就存在细微的表面变化。重要的是，引入时间依赖性交互作用后发现，SBM指标中的疾病相关信息主要体现在纵向变化上，这强调了这些特征对形态计量变化的敏感性大于对基线时静态组间差异的敏感性。当考察纵向变化时，出现了明显不同的模式。时间依赖性交互作用揭示了曲率、脑回折叠和厚度与疾病进展之间的显著关联，而这些在基线分析中并未显现。

与我们最初的预期相反，海马体亚区的厚度并没有在所有诊断组中均匀减少。相反，在临床前和过渡阶段，特别是从CN到MCI/AD以及从MCI到AD的个体中，厚度出现了显著的纵向增加。亚区特异性的厚度变化在CA2和下托叶最为明显，而在CA1、CA3和CA4中也观察到了较小但显著的效应。这种增厚的现象与神经退化的双相模型相符，在该模型中，早期皮质增厚先于后来的变薄和萎缩。这种早期增厚与认知功能下降以及微胶质细胞激活等神经炎症标志物的增加有关（Peguerelos等人，2017年；Montal等人，2018年、2021年；Hojjati等人，2023年）。在痴呆症队列中也有报告指出皮质厚度与萎缩之间存在负相关，例如在前扣带回皮层（Phan等人，2024年）。最近使用HippUnfold进行的基于表面的海马体研究显示，与年龄和疾病相关的厚度变化具有高度异质性，并非严格单调（Yu等人，2024年）。相比之下，Wearn等人（2025年）仅研究了一组没有认知障碍的家族性AD风险个体，并使用HippUnfold发现厚度有所减少，但没有使用其他宏观结构指标。总体而言，这些发现表明厚度的增加可能反映了早期或过渡期的疾病过程，而非晚期的神经退化。在海马体头部，这种增加可能表明在体积损失之前或同时发生了细微的层状重组，而不是净组织扩张。一种合理的解释是灰质沿着海马体带状结构的重新分布，这与早期疾病阶段由β-淀粉样蛋白引起的炎症反应或β-淀粉样蛋白与tau蛋白的病理协同作用有关。然而，还需要更多关于海马体微结构变化确切机制的研究。

海马体脑回折叠的增加并未被预期到，且在临床前和过渡组中最为明显。不同亚区的脑回折叠模式存在差异。体积损失表现出明显的层次性，CA1的纵向效应最大，而CA2的效应相对较小，这与已知的AD脆弱性梯度一致。相比之下，脑回折叠的变化呈现出相反的模式：双侧CA2的表面积复杂性增加最为显著，而CA4的效应较弱。由于HippUnfold中的脑回折叠反映的是表面积的扭曲而非宏观上的折叠，这些发现最好解释为非均匀亚区萎缩和长轴形状重构的几何后果，而不是真正脑回或脑沟的出现。在AD中也有类似的内侧颞叶脑回折叠增加的报道（Nú?ez等人，2020年），尽管其潜在机制尚不清楚。脑回折叠的增加可能是由于海马体亚区内及周围非均匀体积损失的几何后果。随着组织体积的减少，特别是在前后轴上，海马体表面可能会发生差异性的拉伸和压缩，导致一个亚区的收缩机械性地影响相邻区域，从而增加表面积复杂性。同样，我们也没有预期皮质曲率的增加，但我们记录到的皮质曲率增加可能是脑回折叠增加的必然结果。曲率增加分布广泛，但在海马体头部（CA4、DG和CA3）最为明显，CA1和CA2的变化较为中等。曲率效应的范围较小，表明表面变形可能是对组织收缩的分布式几何响应，而非区域特异性的脆弱性模式，尽管疾病相关的表面重塑可能会夸大现有的折叠模式。亚区曲率的增加可能表明海马体带状结构的微妙重组，可能是由于相邻亚区的萎缩引起的变形。在这里，曲率反映了模型中间厚度的局部弯曲，而非宏观上的折叠。由于曲率是在跨亚区共享的连续表面上计算的，因此曲率的变化主要反映了海马体沿前后轴的形状变化和局部边界变形，而非亚区特异性的折叠。随着神经退化在不同亚区中的不均匀进展，不同区域的组织收缩可能导致海马体带状结构的弯曲，尤其是在像CA1和DG这样的严重萎缩区域附近。这种曲率效应是推测性的，需要通过组织学或高分辨率形态测量分析来进一步验证。尽管如此，它可能反映了局部体积损失的机械后果，其中脆弱亚区的收缩对邻近组织产生了微妙但可测量的变形。

总之，虽然海马体体积的减少与AD中预期的神经退化模式一致，但观察到的脑回折叠、皮质厚度和曲率的增加为疾病对大脑形态的影响提供了新的见解，更准确地说，是对海马体形态的影响。这些发现既揭示了适应性变化，也揭示了病理变化，强调了进一步研究以阐明其机制及其对AD理解和诊断意义的重要性。有趣的是，即使在认知正常的对照组中，也观察到了SBM指标的纵向增加，尽管这些变化的幅度小于临床组。这表明在健康老化过程中，海马体表面几何结构会发生微妙的重塑，表现为厚度、曲率和脑回折叠的适度增加。相比之下，向AD进展的个体（例如从MCI到AD）表现出更明显的纵向变化，这表明SBM指标对正常老化过程和疾病相关的形态计量变化都很敏感。我们将形态计量变化率与认知轨迹的纵向分析相结合，为阿尔茨海默病连续体中的阶段特异性动态提供了见解。在健康对照组中，海马体体积、厚度和脑回折叠与记忆表现之间的小幅度正相关表明，在正常老化过程中存在适度的结构重塑，这与认知功能保持完好一致，尽管存在细微的形态变化。在早期临床前阶段，包括从CN到MCI/AD和稳定MCI，基于表面的形态计量指标与语言表现之间的正相关表明语言能力下降的速度相对较慢，这与其他认知领域相比更为明显（Shafto等人，2014年）。这些发现表明，SBM指标可能捕捉到了疾病早期进展过程中的补偿或重组过程。相比之下，从MCI到AD的个体表现出记忆与所有SBM指标之间的强烈负相关，以及视觉空间表现与体积之间的负相关。这种模式与AD前驱期和早期症状期认知能力加速下降的趋势一致，此时结构恶化更直接地反映了功能丧失（Anderson等人，2019年；Wasserman等人，2020年）。值得注意的是，稳定AD参与者表现出脑回折叠与视觉空间表现之间的负相关，表明局部表面复杂性可能持续存在，即使记忆功能已经下降（Berente等人，2022年），尽管主要发现并未显示稳定AD中SBM的时间依赖性指标具有显著性。

总体而言，这些发现表明，对形态计量变化率的建模揭示了仅通过横断面体积测量无法发现的细微的、阶段依赖性的脑-行为关系，强调了将基于表面的指标与体积测量相结合对于描述AD早期和进行性认知变化的价值。重要的是，目前的分析并未建立特定基于表面的形态计量特征如何影响认知功能的机制解释。因此，曲率、脑回折叠和厚度应被视为潜在神经生物学过程（如萎缩、组织重组或炎症变化）的几何相关因素，而不是认知的直接驱动因素。虽然将这些形态计量变化与特定认知领域下降之间的精确路径仍有待阐明，但观察到的结构变化率与认知轨迹之间的关联与AD连续体中已知的海马体脆弱性模式高度一致。从这个意义上说，SBM指标似乎能够以补充传统体积指标的方式映射到疾病相关的萎缩和进展动态。我们的敏感性分析复制了先前的研究结果，即3.0T对效应大小和神经退化的显著差异更为敏感（Chow等人，2015年；Leandrou等人，2020年）。尽管两种场强下都发现了总体趋势，但混合这些场强的数据并未显著影响偏差或参与者之间的变异（Ho等人，2010年）。本研究的一个主要优势是对多个海马体基于表面的形态计量指标（包括厚度、曲率和脑回折叠）进行了全面的纵向评估。与以往通常只检查单一宏观结构指标（如Wearn等人，2025年）的研究不同，我们的方法捕捉到了跨亚区和时间发生的细微、阶段特异性的变化。虽然这些发现为AD进展过程中的海马体重塑提供了新的见解，但曲率和脑回折叠增加的机制仍属推测，这强调了需要进一步整合组织学、微结构和高分辨率形态测量分析来全面阐明这些表面变化的生物学基础。

尽管我们的发现具有实质性，但仍存在一些局限性。首先，ADNI数据集缺乏对其各个阶段的神经精神差异的全面协调。此外，扫描仪硬件和软件可能随时间进行了升级，关于这些变化的详细信息并不总是可用的。尽管将扫描仪位置作为协变量并进行了广泛的质量控制，但由于场强和扫描仪差异，仍可能存在一些残余的变异性，尤其是对于基于表面的形态计量指标。另一个关于质量控制的限制是包含了1.5T MRI数据。尽管应用了严格的质量控制程序，包括基于Dice分数阈值的排除，但在较低场强下，由于信噪比和组织对比度降低，分割精度可能会更加不稳定。此外，HippUnfold的亚区定义基于3DBigBrain（DeKraker等人，2020年），与传统的分割边界略有不同。例如，Hickling等人（2024年）的最新研究表明CA4与DG相关，Sub区域被划分为两个子区域。另一个限制是MRI扫描与神经心理学评估之间的时间间隔；尽管允许180天的截止时间，但更紧密的跟踪可以提供更准确的大脑状态与神经心理学测量之间的联系。尽管HippUnfold是一种先进的海马体亚区分割深度学习工具，但它也存在局限性，特别是在与手动分割的验证方面。与FreeSurfer类似，如果没有高分辨率T2数据，HippUnfold的亚区分类可能不够精确，并且它倾向于高估亚区体积（Sghirripa等人，2024年）。为了减少体积测量的不准确性，我们建议在未来的分析中包括额外的表面参数。

总之，我们的发现揭示了海马体结构变化与AD连续体中认知下降之间的复杂相互作用。我们发现，无论是临床前还是早期阶段的个体，特别是从CN到MCI/AD以及从MCI到AD的个体，都表现出明显的SBM效应以及进行性的海马体体积损失。这些发现表明，在疾病进展的早期阶段，海马体结构发生了细微的适应。时间交互作用的重要性表明，这些过渡阶段表现出特别强的效应，进一步强调了早期干预在缓解认知下降轨迹中的关键作用。值得注意的是，从MCI到AD的个体表现出更快的记忆下降速度和与体积损失相关的视觉空间下降速度，而稳定AD则表现出与脑回折叠和体积相关的加速视觉空间下降。相比之下，轻度认知障碍（MCI）/阿尔茨海默病（AD）组以及稳定型MCI组的语言衰退速度较慢，而健康对照组在不同认知领域的表现则存在差异。这些结果不仅加深了我们对阿尔茨海默病进展过程中海马体形态变化的了解，还强调了在传统体积测量方法之外，研究表面相关参数的必要性。展望未来，我们的工作为更深入地探讨海马体形态、认知功能与情绪健康之间的复杂关系奠定了基础，为诊断和治疗阿尔茨海默病的认知衰退提供了更全面的方法。

**作者贡献声明：**
- John Anderson：撰写、审稿与编辑、监督、资源管理、项目管理、数据整理、概念构建。
- Romeo Penheiro：撰写、审稿与编辑、形式分析。
- Salah Aziz：撰写、审稿与编辑、初稿撰写、数据可视化、软件使用、项目管理、方法论设计、数据分析、概念构建。
- Peter Zhukovsky：撰写、审稿与编辑。
- Cassandra Morrison：撰写、审稿与编辑。

**未引用参考文献：**
Faber等人，2022年；Hari等人，2022年；Hitti和Siegelbaum，2014年；Rao等人，2022年；Shafto和Tyler，2014年；Van Essen，2012年；Yu，2024年；Yushkevich等人，2016年。

**数据可用性：**
本研究产生的所有数据均可应合理要求提供给S.A.和J.A.E.A.

**代码可用性：**
所有分析均使用R语言完成。本研究的相关代码将在发表后通过以下链接公开：
https://github.com/salahaziz94/ADNI_HippUnfold