论文部分内容阅读
抑郁症与焦虑障碍属于两个完全独立的疾病单元,但在临床中常见抑郁症共病焦虑障碍(以下简称“共病”)。共病患者具有起病年龄晚、病情重、自杀危险性高等特点。本文基于弥散张量成像影像,采用复杂网络理论及机器学习等分析方法,定量分析共病患者脑结构网络拓扑属性与疾病严重程度(抑郁、焦虑)之间的关系,揭示疾病对人脑结构网络产生影响的神经病理机制。基于解剖学自动标记模板AAL-1024定义脑区,并采用确定性纤维束追踪方法构建大脑白质结构网络。通过分析共病组、抑郁症组及健康对照组的大脑结构网络拓扑属性,主要发现包括:三组人群的大脑结构网络均呈现出小世界属性,核心节点主要分布在联合皮层;共病组与抑郁症组相比,聚类系数、特征路径长度、局部效率、全局效率存在显著差异;与共病组和健康对照组比较,抑郁症组的节点效率在颞叶、双侧额上回等脑区存在显著改变。研究疾病患者大脑结构网络拓扑属性与疾病严重程度的相关性,主要发现包括:共病组全局属性与疾病严重程度不存在显著相关;基于FN构建的脑结构网络,抑郁症组脑网络属性(FN阈值为3,4,5时)的全局效率、特征路径长度、平均解剖距离属性值与HAMA-14评分呈显著负相关,模块度属性值与SDS评分呈显著负相关;基于FA构建的脑结构网络,抑郁症组脑网络属性(FA阈值为0.2,0.25,0.3时)的局部效率、特征路径长度、平均解剖距离属性值与HAMA-14评分呈显著负相关,此外模块度属性值(FA阈值为0.3)与HAMD-17评分呈显著负相关;共病组和抑郁症组部分脑区(额上回、脑岛和尾状核等)的节点效率属性值与疾病严重程度存在显著相关。研究机器学习理论在脑结构网络拓扑属性特征提取和疾病的自动分类方法。采用SVM-RFE的自动分类方法比标准支持向量机算法在组间分类上效果更好,其中共病患者与抑郁症患者自动分类达到较高准确率,例如基于节点效率的分类结果:特异性为95%,敏感度为94.4%,准确率为94.7%。本文分析了共病患者的脑结构网络拓扑变化规律,从多角度进行差异性分析,利用客观临床精神学量表验证所用方法的临床可用性,可为共病患者的神经病理机制提供可靠的实验依据,及其辅助诊断、早期干预提供参考的脑影像学指标。