0 引言

       化疗相关认知障碍（chemotherapy-related cognitive impairment, CRCI），也称“化疗脑”，是接受化疗的乳腺癌（breast caner, BC）、肺癌、前列腺癌等患者在化疗期间或者化疗后出现多种认知领域的功能损伤^{[1, 2, 3]}。这种功能障碍的确切机制仍无定论，动物模型和神经影像学研究揭示了化疗药物的神经毒性可能是CRCI的主要原因之一。据报道，16%~75%的BC患者在治疗过程中出现不同程度的认知功能损害，且部分认知功能的损害持续存在^{[4, 5]}，可增加脑卒中及神经精神类疾病等发作的风险^{[6, 7]}。

       已有研究采用静息态功能磁共振成像（resting-state functional magnetic resonance imaging, rs-fMRI）发现化疗前和化疗后大脑功能激活和功能连接改变，为化疗相关认知障碍的发生提供影像学参考依据^{[8, 9]}。区域一致性（regional homogeneity, ReHo）在于描述给定体素的时间序列与其最近邻体素的时间序列（blood oxygenation level dependent, BOLD）的相似性。低频振幅（amplitude of low frequency fluctuation, ALFF）、低频振幅比率（fractional amplitude of low-frequency fluctuations, fALFF）也反映了区域自发活动的BOLD信号强度，功能连接表示区域内信号与全脑的高时间相关性^[10]。然而这些研究大多是根据大脑功能连接或区域活动单独进行的，其结果是基于人群水平的比较。机器学习方法足够敏感，可以通过在单个受试者水平上的推理，识别大脑中可能无法通过组间比较检测到的空间分布模式^[11]。支持向量机（support vector machine, SVM）是常见二元分类模型，它能根据个体神经成像数据对精神疾病进行分类^[12]。上述脑功能数据指标在BC CRCI中均有基于对照人群的一般统计学研究^[13]，而利用这些数据指标构建BC患者化疗前与化疗后不同时间段的分类模型未见报道。本研究通过rs-fMRI各种功能数据参数，构建SVM模型来预测BC患者化疗前、化疗后和健康个体的分类，这可能为准确诊断BC患者CRCI的发生发展和临床干预提供依据^[14]。

1 材料与方法

1.1 研究对象

       本研究遵照《赫尔辛基宣言》，通过南京医科大学附属淮安第一医院伦理委员会审核（批准文号：YX-Z-2022-053-01），受试者均知悉本研究内容并签署知情同意书。本研究为前瞻性研究，纳入2022年1月至2022年12月经病理确诊浸润性BC，并入住本院甲乳外科的患者，其中P0期（化疗患者基线期）40例，年龄31~65（49.3±9.5）岁，P1期（化疗结束后一周）33例，年龄31~63（49.7±9.0）岁，P2期（化疗结束后半年）19例，年龄36~59（46.8±8.6）岁，进行三次rs-MRI扫描。44名健康对照（healthy control, HC）者经社交媒体招募作为对照组，年龄29~65（45.0±10.2）岁。BC患者纳入标准：（1）女性浸润性BC患者，且无乳腺外转移；（2）无放疗及化疗史；（3）20~70岁；（4）右利手；（5）无磁共振扫描禁忌证。HC组纳入标准：（1）年龄20~70岁；（2）认知评分在正常范围，无基础疾病；（3）右利手。

       所有受试者排除标准：（1）精神性疾病史、酗酒和药物滥用史、长期糖皮质激素使用史、高血压史、糖尿病史及脑外伤史等可能影响大脑认知的病史；（2）MRI扫描中头动超过1.0 mm或1.5°；（3）文盲；（4）脑部病变，如脑出血、大面积梗死。

1.2 化疗方案

       BC患者为Ⅰ~Ⅲ期，最后P2组的19例患者中，6例患者行术前新辅助化疗，13例患者在行乳腺癌根治术后进行化疗。其中9例（9/19，47.4%）患者行4周期的AC-T方案：多柔比星、环磷酰胺序贯紫杉醇，11例（10/19，52.6%）患者行6周期的TEC方案：多西他赛、表柔比星联合环磷酰胺。所有患者在化疗期间无放疗。患者的化疗时间持续5~6个月，平均158天。

1.3 神经心理学评估

       所有受试者在MRI检查前均进行一组神经心理测试，包括：（1）听觉语言学习测试（Auditory Verbal Learning Test, WDR），评估短期记忆和长期记忆；（2）数字符号测试（Digit Symbol Test, DST），评估处理速度；（3）直线追踪测试（Line Tracing Test, LTT），评估思维跟踪与视觉移动性；（4）数字连接测试A（Number Connection Test A, NCT-A），评估注意力。采用中文版简易精神量表（Mini-Mental State Examination, MMSE）评估一般认知功能。采用抑郁自评量表（Self-Rating Depression Scale, SDS）和焦虑自评量表（Self-Rating Anxiety Scale, SAS）对受试者进行焦虑及抑郁情绪状态评估。所有量表测试均在同一安静空间由同一研究人员在MRI扫描前60 min完成。

1.4 数据采集

       结构和功能图像采集使用32通道的GE Discovery MR 3.0 T磁共振。在采集过程中，所有受试者均保持静止，佩戴耳机，闭眼不做意向性思考。rs-fMRI参数：TR 2000 ms，TE 30 ms，视野240 mm×240 mm，FA 90°，矩阵64×64。薄层的3D T1WI图像（176层）：层厚1.0 mm，TR 8.14 ms，TE 3.17 ms，FA 12°，FOV 240 mm×240 mm，BW/Pixel 240，矩阵256×256。常规FLAIR序列用来排除脑器质性病变。

1.5 图像预处理

       在Metlab2016a平台上利用使用DPABI工具箱（rfmri.org/dpabi）对原始图像预处理。通过以下7个步骤：（1）剔除前10个不稳定时间点的功能图像，实现磁场和环境适应；（2）时间层校正；（3）头动校正（剔除最大头部运动在任何方向上的位移均超过1.5 mm的图像）；（4）空间归一化，功能与结构图像配准，在标准蒙特利尔空间（Montreal Neurological Institute, MNI）对图像分割配准，重采样到3 mm×3 mm×3 mm体素；（5）在半最大高斯核下采用6 mm×6 mm×6 mm平滑；（6）带通滤波；（7）线性去趋势，去除有害信号，得到头动参数、白质、脑脊液信号。

1.6 特征提取和结果呈现

       在数据预处理后，我们准备了受试者几种数据模式（ALFF、fALFF、ReHo、功能连接），作为机器学习分析的输入。本研究计算海马与全脑的功能连接图作为特征指标，功能连接图根据我们前期研究^[15]的标准流程提取：（1）BC组P0、P1、P2期分别与HC组进行分类，年龄作为协变量，利用PRoNTo 2.1工具箱进行统计分析；（2）设置基于体素的测量方法，受试者的脑数据图作为机器学习算法的输入，用全脑（含246脑区）作为模板；（3）对全脑数据进行特征集处理，建模类型选择二分类，交叉验证选择留一法（Leave-One-Out Cross Validation, LOSO）；（4）计算权重及结果呈现，将权重图图导入，分类效果的评价指标为精度、准确率、召回率，按权重高低排列，记录前10位的大脑区域。

1.7 统计学分析

       使用SPSS 18.0软件对P0期及随访患者的一般临床资料及量表评估结果进行分析。符合正态分布的连续变量用均数±标准差表示。基线期组间比较采用独立样本t检验，组内采用单因素ANOVA。非正态分布数据用M（P25，P75）表示，行Mann-Whitney U检验。P<0.05为差异有统计学意义。利用DPARSF工具箱里的统计分析比较两组间脑功能数据指标的差异，采用两样本t检验得到HC组和BC组的功能连接差异统计参数图（P<0.001），年龄及受教育年限作为协变量。BC组间比较采用ANCOVA检验，年龄作为协变量（P<0.001），均采用高斯随机场（Gaussian random field, GRF）理论校正。

2 结果

2.1 一般资料

       化疗前共对84 例受试者（P0期BC患者40例；HC者44例）进行评估。对P1期33例、P2期19例患者完成化疗后两个时间点的随访。在P1期BC组26例绝经前女性中，21例出现闭经（80.8%），2例出现月经失调（7.7%）。在P2期BC组，6例在化疗结束后接受内分泌治疗，1例接受胰腺炎治疗。化疗结束6个月后5例BC患者月经恢复。

2.2 神经心理测量评分

       P0期BC组SDS、SAS评分较HC组差异有统计学意义（P=0.001，P=0.001），执行及视觉能力（LTT评分）差异有统计学意义（P=0.001）。P0期BC组与HC组的年龄、受教育年限及一般认知差异均无统计学意义（P>0.05）（表1）。

       在BC组中，P1期的记忆力能力较P0期下降，表现为WDR评分较P0期减低，差异有统计学意义（P=0.003）；在执行及视觉能力评估上，LTT评分在P1期显著下降，差异有统计学意义（P=0.010）；其余组间评分差异均无统计学意义（表2）。

点击查看表格

表1  P0期BC组与HC组人口学和临床特征
Tab. 1  Demographic and clinical characteristics of the BC at stage P0 and HC groups

点击查看表格

表2  乳腺癌化疗患者从P0期到P2期神经心理学量表分析
Tab. 2  Analysis of neuropsychological test from P0 to P2 in breast cancer patients undergoing chemotherapy

2.3 ALFF、fALFF、ReHo及功能连接数据特征分类

2.3.1 脑功能数据指标总体分类结果

       HC组分别与BC组中P0、P1、P2期进行分类比较，准确率最高的为P0期vs. HC组，数据特征指标分别为：ALFF准确率83.33%；fALFF准确率86.90%，ReHo准确率84.52%；功能连接准确率77.38%。在患者化疗前后不同时间段的分类预测中，P0与P1期分类准确率稍高于其他两期分类，分类指标准确率最高的数据特征为fALFF，准确率76.27%、精确率78.26%、敏感度90.00%、特异度47.37%及受试者工作特征（receiver operating characteristic, ROC）曲线下面积（area under the curve, AUC）为0.76。fALFF数据特征在各组间的分类准确率也较高。各脑功能数据指标的分类结果见表3。

点击查看表格

表3  ALFF、fALFF、ReHo及FC数据特征在各组间的分类评价
Tab. 3  Classification of ALFF, fALFF, ReHo and FC data features among groups

2.3.2 脑功能数据在机器学习中差异贡献最大的脑区域

       通过查看机器学习分类准确性较高的fALFF权重图，发现在各组间分类权重较高的脑区主要位于右侧颞顶枕交界、右额中下回、右侧后扣带回及楔前叶周围（图1），SVW中fALFF在各组间差异最大的前10个大脑区域详见表4。

点击查看大图

图1  fALFF数据指标在机器学习中对评价组间差异有贡献的脑区权重图和静息态脑fALFF差异图。1A~1B、1C~1D、1E~1F、1G~1H分别为P0组vs. HC组、P1组vs. HC组、P2组vs. HC组、P0组vs. P1组；fALFF权重图分别是1A、1C、1E、1G；fALFF组间差异脑区分布图分别为1B、1D、1F、1H（GRF校正，P<0.001）；脑区权重值以不同颜色区分，脑功能活动图中彩色条为t统计量图。fALFF：低频振幅比率；P0：基线期；P1：化疗结束后一周；P2：化疗结束后6个月；HC：健康对照。
Fig. 1  Weight map of brain regions contributing to the evaluation of inter-group differences in machine learning based on fALFF data and resting state brain fALFF maps between groups. 1A-1B, 1C-1D, 1E-1F and 1G-1H are respectively group P0 vs. HC, group P1 vs. HC, group P2 vs. HC, group P0 vs. P1. The weight maps are 1A, 1C, 1E, and 1G respectively. The differences of the brain fALFF maps between groups are 1B, 1D, 1F and 1H respectively (GRF correction, P<0.001). The color bar value represented the feature weight value, and the color bars in the brain fALFF maps indicated t statistic. fALFF: fractional amplitude of low-frequency fluctuations; P0: the baseline of the breast cancer group; P1: one week after the end of chemotherapy; P2: the 6 months after the end of chemotherapy; HC: healthy control.

点击查看表格

表4  fALFF指标在线性支持向量机分类中BC组与HC组间差异贡献最大的前10个大脑区域
Tab. 4  Top 10 brain regions contributing the most to the difference between BC group and HC group in the linear support vector machine classification of fALFF index

2.4 基于体素的统计学分析

2.4.1 基于ALFF和ReHo的全脑或者区域脑激活

       双样本t检验分析显示，P0期vs. HC组中，双侧枕叶区域大范围、右侧中央后回的fALFF值降低（图1A，1B），P1期vs. HC组中双侧枕叶区、角回及中央后回的fALFF值减低（图1C，1D），P2期vs. HC组中左侧顶上回、顶下缘角回及双侧楔前叶、后扣带区激活增高，双侧枕上、中回区域减低（图1E，1F）；P0期vs. P1期中双侧距状裂皮层、左侧角回，右侧颞下回激活减低（图1G，1H），各组间比较结果均进行GRF校正，体素水平P<0.001。对比分类准确性较高的数据特征fALLF的权重图发现，基于脑体素分析的统计学差异显著脑区覆盖了大部分基于决策函数的权值图的分布。

2.4.2 基于海马与全脑的功能连接

       P0期vs. HC组中左岛叶、右侧楔前叶及左侧颞上回功能连接降低；P1期vs. HC组中左侧内侧额上回降低；P2期vs. HC中右侧岛盖部额下回、左侧颞下回及左侧中央前回功能连接增高；P0期vs. P1期中左侧颞下回、双侧岛盖部额下回、右侧颞中回及右侧海马旁回增加。各组间均进行GRF校正，体素水平P<0.001。

3 讨论

       SVM主要用于分类、回归和异常检测，在小样本、非线性、高维的问题上运用较广泛。本研究使用静息态的ALFF、fALFF、ReHo指标和海马与全脑的功能连接作为数据特征分类，在BC组与HC组间均观察到较高的平衡精度，在BC组中，P0与P1组间也具有较高的分类准确率，且差异贡献最大的权重脑区与基于体素分析的具有统计学差异的脑区都产生了高度一致的结果，这些发现都支持了机器学习作为神经成像静息态数据的辅助诊断工具的有效性。

3.1 BC组与HC组在化疗前后脑功能活动的差异及与认知的关系

       有研究报道BC患者化疗前即存在记忆、言语、视空间记忆以及执行注意方面的认知变化^{[16, 17]}。MCDONALD等^[16]发现BC患者化疗前与正常对照组相比左侧扣带回灰质体积减小，KESLER等^[17]通过构建灰质协变量结构网络，发现化疗前灰质结构网络和功能集群连接系数之间存在反向关系，这可能是因为癌症相关的副反应干扰了结构和功能网络之间的动态平衡。本研究发现化疗前存在功能脑区异常，表现为化疗组在化疗前双侧枕叶区及中央后回的激活减低，说明BC患者在化疗前即存在脑功能活性的异常，这可能与患者的情绪状态，肿瘤相关炎症反应以及氧化应激有关^{[18, 19]}。本研究中BC组化疗前存在抑郁及焦虑情绪，以及视觉能力的下降。我们推测化疗前的负性情绪，可能导致化疗前的脑功能活动异常。有文献报道化疗前抑郁、疲劳和睡眠问题可表现为BOLD信号的改变^[20]，本研究也进一步证实了这一点。在ALFF及ReHo图上，P1组较HC组主要表现左侧顶上回、顶下缘角回及双侧楔前叶、后扣带区的激活增高。过度激活反映了脑的功能代偿，它通过扩增功能神经活动来补偿化疗导致的脑功能和结构的变化^{[21, 22]}。本研究中化疗后BC组的大部分认知评分虽然较对照组下降，但没有显著差异，我们推测可能归因于大脑的代偿能力。大脑这种功能代偿能力随着化疗后时间的推移而增高。然而这种功能代偿并不意味着恢复到正常水平，我们发现即使在化疗结束后半年，依然有双侧枕上、中回区域的活性持续减低。这表明化疗后一些脑区的功能异常可能会持续较长时间。

3.2 BC组在化疗前后功能连接的差异及其与认知的关系

       本研究中化疗后海马功能连接异常主要位于左侧颞下回，双侧额下回，右侧颞中回。结构MRI研究也表明颞叶（包括海马等内侧颞叶）及前额叶灰质体积/密度降低^{[23, 24]}。颞下回是视觉处理的高级区域之一，还与复杂对象特征、面部感知、和数字识别有关^[25]。颞中回主要参与情绪信息处理、情景回忆、社会认知加工等。在本研究中化疗后出现记忆及执行处理能力异常，这可能与海马-颞叶间的功能连接减低有关^[26]。颞叶还参与构成默认网络（default mode network, DMN），有报道BC患者默认网络功能连接减少，执行力和注意力减低^{[27, 28]}，额叶与颞叶间的聚类系数减低，最短路径长度增加^[29]。这些化疗“易感区域”的脑影像异常可作为化疗诱导早期脑损伤参考依据。

3.3 SVM模型在CRCI分类中的准确性及权重脑区分布

       本研究基于rs-fMRI的多种数据特征，利用SVM分类模型，对BC化疗脑进行鉴别，在BC组与HC组，以及BC组化疗前后具有良好的分类准确性和可靠性。WANG等^[30]分析静息态功能连接及激活模式，结合SVM模型对BC化疗患者与BC非化疗患者进行分类，准确率分别为82.0%与91.9%。本研究在利用fALFF数据特征分类后，准确率也可达86.90%，提示脑功能数据指标可能作为预测CRCI的神经成像标志物。

       本研究中对模型具有显著贡献的脑区为：右侧枕上回、右额中上回、右侧后扣带回及楔前叶周围。值得注意的是，大脑内所有的区域都被认为是机器学习决策函数的一部分，只是所占的权重不同^[31]。后扣带回主要参与情感、学习和记忆的功能调节。枕叶包含初级视觉皮层，参与视觉信息处理。这些区域与海马一起，构建对物理世界的识别与记忆。楔前叶参与情景记忆提取，也是与主动任务反相关的DMN的一部分^[32]。大脑的长联合纤维束联合大脑不同皮层区域，调节认知功能^[33]。在SVM分类模型中，HOSSEINI等^[34]通过分析执行-前额叶任务功能MRI中的大脑功能连接模式，发现额叶、辅助运动区和顶叶下小叶的功能连接对模型有显著贡献。KESLER等^[35]认为静息态DMN功能连接模式对乳腺化疗组与正常对照组有较高的鉴别。与前研究相似，本研究也发现额叶、颞叶、楔前叶及部分枕叶区域在化疗后早期即存在异常。这些“易感区域”的发生机制仍不清楚。“退化”^[36]的假说认为前额叶以及枕颞交界区是幼年时期最晚进行髓鞘化的区域，而这些区域的髓鞘完整性随着衰老最先丧失，我们推测化疗可能启动或者加速这些区域的老化进程。这些脑区的异常改变，更易被精细的影像学检查捕捉到。

3.4 本研究的局限性及展望

       虽然本研究是纵向试验设计，但也有局限性，首先被试的异质性较高，包括绝经前女性和绝经后女性，化疗前后疾病组的生化指标、化疗后激素水平^{[37, 38]}等大多异于HC组，这些都可能对脑功能活动产生影响。其次目前实施的机器学习算法能解释化疗组与HC组的不平衡，但机器学习方法在BC组化疗后不同时间段的分类效果较差，可能由于随着患者失访率较高，样本量低，影响化疗组间的分类效果。最后疾病的不同分子类型、化疗方案也可能对结果产生影响。今后将重点研究同质的被试，在考虑各种协变量的因素下做分析，使结果更加客观。

4 结论

       因此，基于脑活动和功能连接的机器学习能有效分类BC化疗患者，并能反映脑功能活动受损区域，为临床监测及治疗方案提供支持。