脑电图微状态复杂性助力阿尔茨海默病早期诊断
摘要
静息大脑动力学表现为少数离散网络之间的转换,每个网络保持稳定数十到数百毫秒。这些功能性微状态被认为是自发意识的构建单元。脑电图是成像微状态的有用工具,而EEG微状态分析可能有助于理解阿尔茨海默病等疾病中认知障碍背后的脑动力学改变。由于EEG无创且相对便宜,EEG微状态有潜力成为辅助AD早期诊断的临床工具。本研究从两个独立的可能AD患者与认知健康对照参与者队列采集EEG,并纳入一个接受四年临床随访的轻度认知障碍患者队列。与额顶叶工作记忆/注意网络相关的微状态在AD中因顶叶失活而改变。使用一种新的复杂性指标,我们发现AD中微状态转换更慢且复杂度更低。当与一个频谱EEG指标结合时,微状态复杂性对AD分类的敏感性和特异性均大于80%,并在一个独立队列中进行了测试;在一个11名参与者的小型初步测试队列中,该指标还能预测MCI向AD的转化。因此,EEG微状态有潜力成为AD的无创功能性生物标志物。
引言
阿尔茨海默病是一种神经系统疾病,其中进行性神经变性和突触功能障碍导致多个认知领域受损。AD的早期诊断具有广泛的临床、社会和经济益处,但目前AD的确定性诊断只能在死后作出。临床上用于诊断可能AD的现有工具主要基于认知、生化和神经影像标志物。脑脊液或PET测量淀粉样蛋白和tau等生化和神经影像技术具有较高敏感性,但大型多中心脑脊液标志物研究显示,可低至约72%,用于前驱期AD诊断。PET扫描的特异性更高,约为83%–87%。
分子和神经影像标志物并不测量脑功能,因此将其与功能标志物结合,可能进一步提高AD早期诊断的敏感性和特异性。神经心理学评估可评估脑功能,且无创、相对便宜,但耗时,易受文化和个人偏差影响,也不适合在认知表现较一致的轻度认知障碍患者队列中用于AD前驱期诊断。
脑电图是一种无创测量脑内神经元电活动的方法。由于成本低、无创,且已在世界各地医疗系统中用于癫痫诊断,EEG是有前景的中枢神经系统疾病诊断工具。最初将EEG用于AD诊断的兴趣,源于AD与癫痫活动之间的关联;但后续研究表明,利用EEG中的癫痫样活动辅助AD诊断效果有限。因此,研究重点转向与网络过度兴奋不直接相关的EEG特征活动,例如静息态功率谱和功能连接分析。目前,EEG检测尚未常规用于AD评估,因为其敏感性和特异性不够高;但常用的AD EEG特征,包括频谱减慢和功能连接改变,通常在数秒至数分钟的时间尺度上评估,并假设这些时间段内信号是平稳的。使用包含互补信息的多种指标组合,可能获得更高的分类准确率。因此我们假设,将这些指标与这些时间段内非平稳性的分析相结合,可以获得新的信息,从而提高EEG对AD的分类能力。
其中一种方法是EEG微状态分析,即研究EEG的瞬时地形图。EEG微状态研究显著发现,EEG仅由少量地形类别组成,因此EEG会在某一类别中保持稳定数十至数百毫秒,然后迅速转换到另一类别。这些快速切换的准稳定时期被认为是大脑静息态网络快速激活和失活的电生理相关物,这些网络与信息处理所依赖的不同功能有关,因此微状态被称为“思维的原子”。因此,EEG微状态是探索毫秒级脑动力学变化的可行平台,这些变化可能构成AD中信息处理受损和认知功能障碍的基础;确实,在健康发育和衰老以及一系列神经系统疾病中,包括额颞叶痴呆、精神分裂症和抑郁症,均已观察到微状态的改变。这使得EEG微状态分析成为比功率谱或功能网络分析时间尺度更快的生物标志物候选方法。
既往研究非常关注微状态的持续时间、覆盖率和地形等属性在神经系统疾病中如何改变。也有研究报告了神经系统疾病中类别之间转换模式的改变,提示研究微状态的转换行为可能进一步提供AD认知障碍的机制性见解,并提高电生理生物标志物的敏感性。确实,近期研究已发现AD和MCI中EEG微状态的空间模式和时间动力学发生改变。然而,这些研究中用于分析转换行为的“句法分析”假设下一个微状态仅取决于当前微状态(马尔可夫性),并且转换概率不随时间变化(平稳性)。然而,越来越多证据表明,微状态序列是非平稳的,并具有非马尔可夫转换特性。在此,我们通过将Lempel–Ziv复杂度算法应用于微状态序列,提出一种不依赖这些假设的EEG微状态转换行为的新分析。LZC计算序列中唯一子序列的数量。LZC低的微状态序列具有重复性,表现出有限的转换模式;相反,高LZC提示复杂的转换。由于该指标不对马尔可夫转换作假设,我们假设微状态LZC有助于表征微状态时间序列的非马尔可夫和非平稳特性。微状态LZC可能为AD中毫秒级信息处理改变以及活动网络之间转换的改变提供新见解,并成为更敏感的基于EEG的AD神经生理标志物。
本文基于20秒静息态EEG探索可能AD中的微状态统计,并探讨微状态LZC与一个功率谱指标相结合,用于早期未用药的可能AD患者分类的潜在临床应用。随后,我们在一个独立EEG记录集上测试该分类器;该记录集来自不同地理区域、使用标准19电极系统(临床环境中使用)采集的已用药AD患者。最后,由于许多既往研究的关键限制是缺乏纵向数据,我们基于一个随访长达4年的小型MCI队列,初步探索微状态LZC与频谱功率组合对MCI向AD转化的预测价值。
方法
参与者
参与者招募、纳入标准、可能AD诊断以及人口统计学分析的详细描述见补充材料1。AD患者(n=21,男性8例)和遗忘型MCI患者(n=25,男性16例)来自英格兰西南部记忆门诊,按连续新发病例方式在临床评估后招募。可能AD的诊断由临床人员根据神经系统、神经影像、体格和生化检查,以及家庭访谈、神经心理学和日常生活能力评估结果,按照DSM-IV和NINCDS-ADRDA指南确定。年龄匹配的认知健康老年人对照(n=26,男性14例)来自记忆门诊志愿者小组;根据NINCDS-ADRDA指南,他们一般健康状况正常,无痴呆或其他神经心理疾病证据。数据采集后四年内未获得痴呆诊断的MCI参与者被归类为稳定型(MCIs,n=7,男性5例);获得AD诊断者被归类为转化型(MCIc,n=4,男性4例);其余患者被排除分析(见补充材料1)。所有参与者均未使用已知影响认知的药物。数据采集时的认知状态采用简易精神状态检查量化。
用于测试EEG生物标志物可推广性的测试队列包括AD患者(n=9,男性3例)和HOA对照(n=7,男性4例)。患者按连续新发病例方式从圣马力诺共和国痴呆数据库招募。可能AD的诊断由圣马力诺共和国国立医院神经科医生根据IWG-2标准确定。所有AD患者均接受神经和功能检查、结构性神经影像(CT或MRI)以及完整神经心理学评估。AD患者纳入标准为:脑脊液生化分析中tau/Aβ42比值>0.52,并且存在显著情景记忆损害,记忆效率指数<1.2。排除标准为:结构性神经影像显示血管性病变证据(包括腔隙性梗死和深部白质改变),以及其他神经系统疾病史或证据,或记忆障碍的潜在器质性病因。认知健康对照从患者照护者中招募,接受神经系统检查和神经心理学评估,以排除任何认知障碍。此外,圣马力诺队列的所有AD患者均在接受抗胆碱酯酶药物治疗。情景记忆损害采用Rey听觉词语学习测验量化。
所有参与者在参与前均提供书面知情同意,并可随时退出。所有程序均按照相关指南和法规进行;程序符合《赫尔辛基宣言》,并获得当地伦理委员会批准,即英格兰西南部布里斯托尔国家研究伦理服务委员会(参考号09/H0106/90)批准SWE队列,圣马力诺共和国研究与实验伦理委员会(参考号0015 SM)以及埃克塞特大学医学院研究伦理委员会批准RSM队列。
EEG采集与预处理
所有受试者均使用20秒静息态、睁眼EEG。数据采样率为1000/512 Hz,分别使用64/19通道记录(SWE/RSM队列)。两个队列的数据均按照既往描述的步骤进行相同预处理。20秒epoch选择及预处理的详细信息见补充材料2。
微状态分析
微状态提取微状态采用基于Koenig等人的k均值聚类方法提取,使用k-means++算法选择初始k个图,并重复20次。采用Krzanowski-Lai准则评估最佳微状态数量。训练集中所有受试者的中位最佳数量为k=4,且组间无差异。为确保队列内(HOA或AD)图可比,对每个队列执行全局聚类算法,并通过计算图之间的相关系数和视觉检查对齐队列间的全局图。更多细节见补充材料2。
基本微状态统计计算每个类别的平均微状态持续时间以及在某一类别内所占时间百分比(覆盖率)。通过计数从类别i到类别j的转换次数并以总转换次数归一化,从数据中提取转换矩阵,进行微状态句法分析,即马尔可夫转换分析。对于所有指标,采用双因素方差分析评估统计差异。由于方差分析为参数检验,显著结果随后使用非参数Mann–Whitney U检验验证。对于所有Mann–Whitney U检验,我们报告U统计量及其z分数(正态近似下)以及P值作为效应量指标。组间地形差异采用逐类别地形方差分析评估(补充材料2)。最小可能P值为P=0.001,认为足以识别地形上的显著差异。
微状态复杂性本文提出一种新的EEG微状态转换指标,与马尔可夫句法分析不同,它不依赖平稳性或马尔可夫性假设。该指标称为C,涉及计算微状态转换序列的Lempel–Ziv复杂度。字符串的LZC定义为从左到右读取字符串时其中不同子串的数量。如果字符串中频繁重复的序列数量少,则称其复杂度低。计算C的算法见补充图S1和补充材料3。LZC过去曾用于计算单变量EEG信号的复杂度(补充材料3),但我们认为将其用于探索微状态序列的复杂度是新的。组间微状态LZC的所有统计比较均使用非参数Mann–Whitney U检验。
结果
参与者人口统计学
参与者人口统计学,包括年龄和神经心理学评分,在表1、补充材料1和补充表S1–2中概述和分析。在两个队列中,与认知健康老年人相比,AD患者神经心理学测试评分降低。基线时,稳定型MCI与MCI向AD转化者之间的神经心理学测试评分无差异。
阿尔茨海默病中的微状态分析
SWE HOA和AD数据中四个微状态类别的地形见图1;在HOA受试者中,这些地形在很大程度上与清醒静息相关的经典微状态类别A–D一致,这些类别分别是听觉(A)、视觉(B)、显著性(C)和额顶叶工作记忆/注意(D)静息态网络的电生理相关物。类别D在AD中显著改变(P=0.001;图1D)。使用eLORETA探索该改变背后的皮层发生器(补充材料2)。图2A显示了HOA与AD的全局类别D图差异所给出的瞬时地形图的eLORETA解。随后我们在受试者水平计算eLORETA解,并计算体素级t统计量,以量化AD中空间分布的差异。AD受试者顶叶源激活较低,尤其更偏向左半球(图2B、C)。
在发现AD中类别D的地形及其潜在皮层发生器改变后,我们进一步探索微状态序列的转换行为是否改变。对每个受试者和微状态类别提取平均持续时间、覆盖率和马尔可夫句法转换矩阵。补充表S3–S5显示这些检验的方差分析表。对于平均持续时间,存在显著的疾病组项(F=9.95,P=0.0019),提示AD中所有类别平均微状态持续时间显著增加。我们使用非参数Mann–Whitney U检验验证了平均微状态持续时间的显著增加(U=381,z=2.30,P=0.0214,图3A)。微状态覆盖率或马尔可夫转换未发现显著结果。所有分析还针对类别D进行成对分析,以进一步验证该类别地形的改变未改变转换统计量。未发现显著差异。
研究提示微状态转换是非马尔可夫的。因此,我们额外计算微状态转换序列的Lempel–Ziv复杂度C。与HOA相比,AD中C显著降低(U=132.5,z=−3.05,P=0.0023;图3B),提示AD患者EEG中存在微状态转换的高阶或非马尔可夫改变,而马尔可夫句法分析对此不敏感。此外,该效应量明显大于既往AD文献中使用的其他经典EEG复杂性指标(图3C、D,补充材料3)。
微状态复杂性结合单一频谱特征可能是AD的有用生物标志物
AD中EEG频谱减慢已被广泛报道,并已被确定为从EEG分类AD的有力工具。本研究的一个关键目标是开发用于辅助AD诊断的EEG微状态生物标志物,因为我们假设微状态指标与频谱指标之间的时间尺度差异会产生正交信息,从而提高分类器准确率。微状态LZC在区分AD患者与对照方面具有较大效应量,且与频谱减慢不相关(补充材料3),因此我们接下来在支持向量机分类器中,将微状态LZC与theta相对功率结合;theta相对功率是该数据集中既往识别的减慢替代指标(补充材料2)。
表2显示分类器的十折交叉验证结果,分类器在上述分析的64通道SWE EEG上训练。特征组合后,分类率、敏感性和特异性均大于80%,分类率为85.1%,表明相较于单独使用这些特征有显著改善。图4A显示该分类器在二维(theta相对功率,C)空间中的情况。
为测试分类器,使用RSM临床EEG队列作为独立测试集。将SWE训练数据在空间和时间上降采样至与RSM EEG相同格式,并在该降采样数据集上重新训练theta相对功率+C分类器。表2和图4B显示分类器在独立RSM测试数据上的结果。测试数据分类率为81.3%(13/16名受试者),敏感性为88.9%(9名AD患者中8名被模型分类为AD),特异性为71.4%(7名HOA受试者中5名被模型分类为对照)。这些结果提示,SVM分类器可能可推广到新的临床数据集,并非仅因对本研究数据过拟合所致。然而,要确认这一结果,仍需更大的测试数据集。
微状态复杂性与减慢对诊断前驱期AD具有预测价值
最后,为检验本文提出的分类器是否可作为AD前驱期诊断工具,即预测轻度认知障碍是否由前驱期AD所致,我们使用该模型对一组MCI患者的EEG记录进行分类。受试者根据数据采集四年后的临床诊断被分类为MCIs或MCIc。数据采集时,这些受试者的临床诊断或MMSE评分无差异(表1,“参与者人口统计学”部分)。
分类结果见图4C和表2。在这一初步队列中,模型分类率为90.9%,正确预测了11名MCI患者中10名的四年诊断。1名MCIs受试者被错误分类为转化者。
讨论
本研究旨在探索微状态分析作为可能AD诊断预测工具的价值。我们使用64通道EEG,在来自英格兰西南部的可能AD患者与认知健康老年人队列上训练分类器。随后,我们在来自圣马力诺共和国的独立队列上测试该分类器,该队列使用临床标准19通道EEG设备。RSM的AD人群接受乙酰胆碱酯酶抑制剂治疗,而SWE队列未用药。这一事实对于支持该方法用于早期诊断很重要,因为使用乙酰胆碱酯酶抑制剂治疗AD患者非常常见,并且可能是功能指标的混杂因素。我们方法的准确性是相对于基于IWG-2(测试数据)或DSM-IV和NINCDS-ADRDA指南(训练数据)的临床可能AD诊断来衡量的。
微状态复杂性指标
在本工作中,我们提出了Lempel–Ziv复杂度应用于微状态EEG序列以诊断AD的新方法。选择LZC而非经典马尔可夫句法分析来研究微状态转换,是因为微状态转换既非马尔可夫也非平稳。我们发现,微状态转换序列的LZC在区分AD患者与对照方面效应量明显大于马尔可夫句法分析,提示AD中微状态之间的转换存在高阶改变。
作为一种多变量指标,微状态LZC还同时捕捉空间和时间复杂性,因此效应量大于既往报道的EEG复杂性指标(补充材料3)。一个密切相关的单变量EEG复杂性指标是时间序列LZC,过去曾通过基于阈值将单变量EEG时间序列二值化,然后计算该二值序列的LZC,来识别AD患者EEG复杂性降低(补充材料3)。将LZC应用于微状态序列在若干方面优于该方法。通过使用微状态,EEG的分箱基于重复的时空模式,这些模式具有一定神经生理学基础并与活动网络相关,而不是任意阈值。此外,微状态LZC考虑了EEG的多变量性质,而经典时间序列LZC未考虑这一点。微状态LZC是EEG文献中经典LZC方法的空间扩展版本。最后,与时间序列LZC不同,微状态LZC与EEG减慢不相关(补充材料3),这意味着与减慢指标结合时,它是AD的有用EEG生物标志物。
类别D和额顶叶网络的改变
微状态类别D的地形在AD中发生改变。既往研究对AD中微状态地形改变给出了相互矛盾的报道;与我们的结果一致,Smailovic等人发现AD中类别D地形改变,但也发现类别A改变,而Schumacher等人发现AD中所有类别均改变,Nishida等人则未发现任何类别改变。通道数量的差异不太可能解释这些结果不一致,因为微状态在8个或更多通道时即可靠。使用睁眼数据也不太可能造成不一致结果(补充材料4)。然而,方法学差异可能解释相反发现;在Nishida等人中,所有参与者均用于定义四个类别的地形,在Smailovic等人中仅对照用于定义类别,而在我们的研究和Schumacher等人的研究中,类别是分别在各队列中独立定义的。此外,Schumacher等人在分析中使用了五个微状态类别,而本文讨论的其他研究使用了四个。
有观点认为,类别D与额顶叶网络以及注意和工作记忆认知域有关。顶叶激活降低构成了AD中类别D地形改变的基础,支持额顶叶网络功能障碍的假设。一个可能机制是额顶叶白质完整性受损,因为近期AD的fMRI研究报告了额顶叶功能和有效连接改变。
微状态持续时间与转换统计的改变
本研究发现AD中平均微状态持续时间增加。既往文献中关于微状态持续时间改变的报道不一致,曾发现AD中持续时间增加、减少或不变。在这些研究中,有四项使用了与本研究相当的现代聚类方法。其中两项研究未发现持续时间差异。睁眼与闭眼EEG会影响微状态持续时间(补充材料4),这可能解释我们的矛盾结果。相反,Smailovic等人使用现代聚类方法研究数百名参与者的大型队列中的微状态,发现平均持续时间增加,与我们的结果一致。Schumacher等人也在较小队列中报告AD中微状态平均持续时间增加。有趣的是,由于AD中已充分确立的EEG减慢,我们可能预期微状态持续时间增加——这是Dierks等人最初的假设,他们对反而发现微状态持续时间减少表示惊讶。持续时间增加和微状态LZC降低提示AD中活动网络之间的转换更慢、更重复,可能表明信息处理复杂性降低,并为AD认知缺陷的机制提供见解。
局限性
本研究存在一些局限性。主要局限是样本量。我们来自英格兰西南部的训练队列由21名可能AD患者和26名认知健康对照组成。对于微状态统计的机制研究而言,这些数量与该领域其他近期研究一致。本文呈现的许多结果(微状态持续时间增加、类别D地形改变)与Smailovic等人的研究一致,该研究包含数百名参与者,提供了证据支持我们的结果不太可能是小样本量所致。然而,应注意Smailovic等人还发现类别A改变,而我们的研究未发现,可能是由于本研究样本量较小导致统计效能较低。对于临床实用性,分类器应在个体水平上有效。最终,需要更大队列来量化分类器疗效。本研究的一个优势是,在独立队列和MCI人群队列上测试分类器获得了有希望的初步结果,这一步骤并不常做;但应注意这些样本量更小(9名AD、7名对照、11名MCI)。因此,本文工作应视为初步研究,未来工作将包括在更多队列中进一步测试这些结果,特别是关于预测MCI转化。
第二个局限与参与者诊断标准有关。在主要训练数据队列(以及MCI测试数据)中,AD诊断基于DSM-IV和NINCDS-ADRDA标准。Dubois等人综述了这些标准的局限性,其中最主要的是相对于其他类型痴呆的特异性有限。本研究中,这些指南与神经影像和生化检查共同使用,以提供AD病理的体内证据,这可能提高特异性;尽管如此,我们最多只能将参与者描述为“可能AD”,结果也应据此解释。IWG-2标准是基于临床表型和AD病理体内证据的较新AD诊断标准,用于诊断我们的测试数据中的AD。队列之间诊断标准的这种不一致是本研究的潜在偏倚因素,未来研究应进一步探讨。
除诊断标准外,队列之间还有其他若干因素不同,例如用药和年龄。这既是本研究的局限,也是潜在优势;虽然队列间差异可能降低研究效能,但本文结果提示分类器可能对这些因素具有稳健性。
结论
在本工作中,我们评估了微状态分析与功率谱分析相结合,作为一种低成本、无创的辅助AD诊断工具。此外,我们的观察可为AD认知障碍的机制提供关键见解。额顶叶网络的改变(即顶叶失活)与微状态类别D地形改变相关。该网络和微状态类别与注意和工作记忆有关,而这些在AD分期早期即受损。研究发现AD中微状态持续时间增加,同时将Lempel–Ziv复杂度新应用于微状态转换后发现AD中复杂性降低。这些结果提示微状态转换更慢、更重复,可能反映与多个认知域相关的活动脑网络之间转换的类似属性。初步数据提示,微状态复杂性可作为生物标志物,有潜力辅助早期诊断并预测未来向AD转化。虽然已知药物会改变微状态统计,我们的分类器在独立的已用药队列中仍保持了较高的可能AD诊断分类统计性能。本研究提出的机制性见解,结合未来在AD病理转基因啮齿模型中对微状态改变细胞相关物的临床前表征,可能有助于未来药物开发以及更准确的AD诊断和预后工具。
【全文结束】

