网站首页 > 新闻中心 > 脑科学新闻
联系方式
手机:18580429226
联系电话:023-63084468
联系人:杨晓飞
联系邮箱:syfmri@163.com
联系地址:重庆市渝中区青年路38号重庆国际贸易中心2004#
信息内容
AJP:基于脑网络的可卡因戒断预测
发布者:admin 发布时间:2019/2/21

来自耶鲁大学医学院精神病学部的Sarah W. Yip等人在AJP杂志上发文表示,基于脑功能连接组的预测模型(connectome-based predictive modeling)可成功预测可卡因戒断,驱动预测的功能连接分布在一系列大尺度经典功能网络中(如突显网络),为临床干预提供了新线索。


    关键词: 功能连接  可卡因  CPM

 

    在世界范围内,毒品成瘾是一种严重的精神疾病与社会问题,因此,寻找能够有效预测治疗效果(或戒断)的神经生物标记至关重要。已有研究表明,额顶、突显、默认模式网络可能与可卡因滥用者的后续治疗效果有关,但尚无研究者进行基于全脑的机器学习分析。CPM是近年兴起的一种基于脑网络的预测行为的模型,作者决定采用该模型来尝试寻找有效的神经生物标记。

 

1.方法

被试与数据获取该研究共招募了74名被试,人口统计学信息参见表1. 所有被试参与了美沙酮治疗,排除数据不全和头动过大者,共计53名被试参与了后续的CPM分析。治疗期间的可卡因戒断通过两周一次的尿液检测评估,评估的指标为:可卡因阴性的尿液样本占所有尿液样本的比例(阴性样本数/所有样本数)。被试进行治疗前,fMRI数据在金钱激励延迟任务(monetary incentive delay task)下采集,所有fMRI数据使用SPM8和BioImage Suite软件进行预处理。

 

表1. 人口统计学信息


功能连接:全脑的功能连接使用BioImage Suite软件计算。网络节点使用Shen 268脑图谱定义,该图谱涵盖了皮层、皮层下及小脑脑区。功能连接的计算方式为:分别提取268个脑区的平均时间序列,并两两计算脑区时间序列间的皮尔逊相关,随后对相关值进行Fisher’s–z 变换,最终得到268*268的对称功能连接矩阵。

 

基于脑网络连接组的预测模型(CPM):CPM预测模型使用MATLAB脚本实现。CPM的基本过程:

(1)输入数据为功能连接矩阵,数据的“标签”为行为指标(可卡因戒断);

(2)对每条连接和行为指标做相关;

(3)仅保留显著相关的连边;

(4)对每个样本,计算保留的连边的数目;

(5)对连边数目和行为行为指标拟合一个线性模型;

(6)用该线性模型进行预测。

   作者同时定义了与戒断相关的连接(戒断网络)正连接是FC值为正且与戒断指标显著相关的连接;负连接是FC值为负且与戒断指标显著相关的连接。后续选用的交叉验证方法为留一法,模型预测精度的评价指标为:预测值和真实值之间的Spearman’s rho相关。同时也使用置换检验评估了预测精度的显著性(使用p值衡量),置换次数为5000次。

 

2.结果

 

基线临床变量与可卡因戒断的联系:对基线临床变量(如可卡因使用年数、美沙酮用量等)和可卡因戒断行为指标进行斯皮尔曼相关,发现两者无显著联系。为了与CPM做对比,额外进行的SVR分析(支持向量机回归)考虑了基线临床变量,但是仍然不能良好地预测治疗内可卡因戒断。

 

预测治疗内戒断使用CPM,无论是否控制头动,都可成功预测可卡因戒断(参见图1)。即使控制了美沙酮用量、可卡因使用史、其他药物和酒精使用、吸烟、fMRI扫描时间等因素,CPM仍可做出良好的预测。

 

图1.Panel A展示了正的(红色)和负的(蓝色)戒断网络。对于正网络,增加的边的权重更多地预测治疗内戒断;对于负网络,降低的边的权重更多地预测治疗内戒断。更大的节点表示与其相连的边更多。

    Panel B展示了真实值(x轴)与预测值(y轴,CPM预测)的对应关系。CPM成功地预测了可卡因戒断(可卡因阴性尿液样本数/所有尿液样本数)。

 

网络解剖信息图2总结了正网络和负网络的解剖分布?梢钥吹,无论正网络还是负网络,其分布都比较复杂,涵盖了前额、顶、枕、颞叶的各个脑区。网络共涵盖了529条连边(266条正连边、263条负连边)。高度值的节点主要涵盖与前额叶的连接。此外,正网络包含了更多的长程连接,而负网络包含了更多的短程连接。

 

图2.正连接和负连接的解剖分布。从顶部开始,脑区大约按照解剖位置顺序排布,因此保证长的连线可以代表长程连接。

 

与经典网络的重叠:图3总结了该研究使用的正、负连边与经典网络(如默认模式网络、感知运动网络等的重叠关系)。根据定义,正、负连边一定不会重叠,但他们与大尺度经典网络的网络内及网络间连边有较多重合。例如,正连边主要存在于以下经典网络之间:额内、额顶、默认模式网络;运动感知、小脑、突显网络;皮层下、运动感知、突显网络。负连边主要存在于以下经典网络之间:额内、突显网络;额内、皮层下网络;额内、运动感知网络;默认模式、突显网络;额顶、运动感知网络。此外,正连边的网络内连边涉及到了绝大部分经典网络,而负连边主要涵盖枕区和皮层下网络的网络内连边。

图3.正、负戒断网络与大尺度经典网络间的重叠。

Panel A:正连边与经典网络的重叠;

Panel B:负连边与经典网络的重叠;

Panel C: 正连边-负连边在经典网络的分布。

Colorbar代表连边数量。

 

额外的测试集与二分类预测:为了验证模型的有效性,作者又招募了一批同类的可卡因依赖被试并采集了fMRI数据,该批被试共计45个。通过卡一定阈值(可卡因尿液阴性样本比例),作者进行二分类预测,发现预测精度略有提升。调节阈值会改变预测的敏感性和特异性。

 

3.讨论

     正如【结果】一节中所述,戒断网络与经典网络存在很多重叠。图4展示了戒断网络的一个理论模型。基于以上分析结果,作者认为,可卡因戒断可能由以下因素驱动:

(1)认知/执行控制系统的聚合(反映在额顶和额内网络连接的增强);

(2)奖赏响应系统的聚合(反映在突显、运动/感知、皮层下网络连接的增强);

(3)以上两个系统的分离(反映在这两个系统间连接的降低)。

图4. 戒断网络的理论模型。

该模型考虑了5个主要的经典网络。

 

同时,作者也提出了他们研究的不足。例如:被试样本量偏。徽、负网络的功能含义仍需进一步探讨;可卡因戒断的指标可纳入唾液检测,而不仅仅是尿液检测,以提升检测精度;文中仅使用了一种任务态的数据,为检测CPM的泛化能力,需测试更多其他任务或者“静息态”的数据。

 

4.结论

作者表示,他们的研究证明了全脑连接的基本模式可以预测复杂的临床表现,比如可卡因戒断。即使控制了一些临床变量(如药物使用史),CPM仍能成功预测。戒断预测可以由认知/执行控制网络及奖赏响应网络连接的差异来解释,这些线索为干预治疗指明了方向。

 

参考文献:Yip S W,Scheinost D, Potenza M N, et al. Connectome-based prediction of cocaineabstinence[J]. American Journal of Psychiatry, 2019: appi. ajp. 2018.17101147.

 

欢迎关注思影科技

一个为脑影像研究者服务的专业公众号


获取原文:关注“思影科技”公众号,回复“原文”或“培训”,获取原文pdf及补充材料下载链接,同时欢迎浏览我们的培训通知以及数据处理业务介绍。(直接点击下文文字即可浏览,欢迎咨询):


更新通知:第八届磁共振脑网络数据处理班(重庆)


第十三届功能磁共振数据处理基础班(重庆)


第二届脑影像机器学习班(重庆)


第三届动物磁共振脑影像数据处理班 南京)


第三届脑功能磁共振提高班暨任务态fMRI专题班


第十四届功能磁共振数据处理基础班(南京)


第十五届功能磁共振数据处理基础班(南京)


第三届脑影像机器学习班(南京)


第五届磁共振脑影像结构班(南京)


第七届磁共振弥散张量成像数据处理班(南京)


第四届磁共振ASL(动脉自旋标记)数据处理班(南京)


第一届脑电数据处理入门班  (重庆,全界面)


第十一届脑电数据处理基础班 (南京)


第十二届脑电数据处理班(重庆)


第四届脑电信号数据处理提高班(南京)


更新通知:第五届近红外脑功能数据处理班 (南京)


第二届眼动数据处理班(重庆)


思影数据处理业务一:功能磁共振(fMRI)


思影数据处理业务二:结构磁共振成像(sMRI)与DTI


思影数据处理业务三:ASL数据处理


思影数据处理业务四:EEG/ERP数据处理


招聘:脑影像数据处理工程师-南京

 
 

打印本页 || 关闭窗口
www.buggybath.net