[论文解读] Subtyping brain diseases from imaging data

Junhao Wen, Erdem Varol+6 more|arXiv (Cornell University)|Feb 16, 2022

Radiomics and Machine Learning in Medical Imaging被引用 4

一句话总结

本文提出半监督与无监督机器学习聚类方法，从神经影像数据中识别脑部疾病中具有生物学意义的亚型，重点关注减少人口统计学特征和扫描仪差异等混杂因素的影响。研究显示，阿尔茨海默病、精神病、抑郁症、自闭症及脑肿瘤的影像学亚型与不同的临床结局和分子特征相关，从而实现更精确的诊断与个性化治疗策略。

ABSTRACT

The imaging community has increasingly adopted machine learning (ML) methods to provide individualized imaging signatures related to disease diagnosis, prognosis, and response to treatment. Clinical neuroscience and cancer imaging have been two areas in which ML has offered particular promise. However, many neurologic and neuropsychiatric diseases, as well as cancer, are often heterogeneous in terms of their clinical manifestations, neuroanatomical patterns or genetic underpinnings. Therefore, in such cases, seeking a single disease signature might be ineffectual in delivering individualized precision diagnostics. The current chapter focuses on ML methods, especially semi-supervised clustering, that seek disease subtypes using imaging data. Work from Alzheimer Disease and its prodromal stages, psychosis, depression, autism, and brain cancer are discussed. Our goal is to provide the readers with a broad overview in terms of methodology and clinical applications.

研究动机与目标

• 通过利用影像数据识别不同疾病亚型，解决神经系统与精神疾病在临床和生物学上的异质性问题。
• 克服传统病例对照研究忽视个体脑发育与病理差异的局限性。
• 开发并应用半监督聚类方法，聚焦于与疾病相关的异质性，而非人口统计学或扫描仪相关的混杂变异。
• 通过临床与遗传学相关性验证影像衍生的亚型，确保其生物学意义超越统计模式。
• 为将机器学习应用于神经影像以实现脑部疾病精准医学，提供方法论与临床框架。

提出的方法

• 采用半监督聚类方法，将健康对照组（CN）映射至k个患者亚型，聚焦于病理异质性而非一般性变异。
• 应用无监督聚类（如K-means、层次聚类）根据影像相似性对患者进行分组，同时考虑高维神经影像特征。
• 利用对照组（健康对照）引导患者人群的聚类，减少非病理来源变异带来的偏差。
• 整合多参数MRI（mpMRI）的放射组学特征，以捕捉脑肿瘤的形态、纹理、微血管结构及微结构特性。
• 采用数据驱动、无偏见的方法识别亚型，无需预先假设疾病边界，尤其适用于具有连续进展过程的疾病（如从临床前到临床期阿尔茨海默病）。
• 通过生存差异、遗传结构和临床变量等外部评估手段验证亚型，确保其生物学合理性。

实验结果

研究问题

• RQ1 半监督聚类方法能否有效利用神经影像数据识别出具有生物学意义的异质性脑部疾病亚型？
• RQ2 阿尔茨海默病、精神病及脑肿瘤的影像衍生亚型与临床结局和分子特征之间存在何种关联？
• RQ3 年龄、性别和扫描仪差异等混杂因素在多大程度上导致传统聚类方法产生偏差？如何加以缓解？
• RQ4 影像亚型能否作为脑肿瘤与神经退行性疾病中潜在遗传或分子异质性的可靠替代指标？
• RQ5 为确保识别出的亚型具有稳健性与可重复性，需要采取哪些方法学保障措施（如分样本分析、置换检验）？

主要发现

• 半监督聚类成功识别出阿尔茨海默病中的不同亚型，其中一种亚型表现出非典型病理模式，如海马体保存或内侧颞叶萎缩。
• 在胶质母细胞瘤中，基于mpMRI放射组学特征的无监督聚类揭示了三种影像亚型——实性、不规则和环形增强型，各自与不同的生存概率和分子标志物相关。
• 脑肿瘤的影像亚型与特定分子通路显著相关，包括异柠檬酸脱氢酶-1、O6-甲基鸟嘌呤–DNA甲基转移酶及表皮生长因子受体变异III。
• 源自神经影像数据的亚型与转录组分子亚型及临床结局相关，支持其作为非侵入性生物标志物的潜力。
• 通过临床变量与遗传结构的外部验证，证实了影像衍生亚型的生物学相关性，降低了对虚假聚类模式的担忧。
• 纵向数据与严谨的样本选择对于提高疾病特异性、减少共病或人口统计学变异带来的偏差至关重要。