0 引言

       脑小血管病（cerebral small vessel disease, CSVD）是血管性认知障碍、步态异常、情绪障碍及复发性卒中的最主要病因之一^{[1, 2]}，该病起病隐匿，早期常缺乏特异性症状，待临床表现显著时，病程多已进展至不可逆转的程度，故而实现早期的精准诊断对改善预后至关重要^[3]。现阶段，MRI仍是CSVD最常用的影像学评估手段，能够清晰显示白质高信号、脑微出血、腔隙性梗死及血管周围间隙扩大等^[4]。但常规MRI序列对早期白质微结构损伤的敏感性较低，在疾病可逆阶段常表现往往无异常，导致最佳干预窗口延误。针对这一局限，扩散张量成像（diffusion tensor imaging, DTI）技术凭借各向异性分数（fractional anisotropy, FA）、平均扩散率（mean diffusivity, MD）等量化参数，能够精准评估脑白质微结构的完整性^[5]，从而有效填补了常规MRI序列的短板。尽管既往已有文献对DTI在CSVD诊疗中的应用及其与认知功能障碍的相关性^{[6, 7]}进行了探讨，但多数研究仅停留在对常规DTI参数的统计学分析层面，且研究对象多聚焦于高血压性CSVD。针对炎症性病变、静脉胶原病等少见CSVD亚型的DTI影像特征，目前尚缺乏系统的总结与分析。有鉴于此，本文系统回顾了DTI的成像原理、核心及衍生参数在CSVD全谱系中的最新应用成果，重点阐述其在早期诊断、病理机制解析、亚型鉴别、认知损害预测及预后评估中的临床价值，并结合人工智能（artificial intelligence, AI）与多模态影像融合的研究动态进行展望，旨在为临床医师和影像科医生更全面地理解DTI联合AI在CSVD评估中的作用提供参考，为后续研究方向提供思路。

1 CSVD的病理特征及发病机制

       根据欧洲分类标准，CSVD主要分为六大类型^[8]：Ⅰ型为小动脉硬化型，占80%；Ⅱ型为散发性或遗传性脑淀粉样血管病（cerebral amyloid angiopathy, CAA）；Ⅲ型为遗传性小血管病；Ⅳ型为炎症或免疫介导的小血管病；V型为静脉胶原病；Ⅵ型为其他类型的CSVD。最常见的病理类型是与年龄和高血压相关的小动脉硬化（Ⅰ型），其病理改变包括血管平滑肌细胞丧失、脂质透明变性、纤维素样坏死及微动脉瘤形成，导致血管壁增厚、硬化，管腔狭窄甚至闭塞，脑血管自动调节功能受损^[9]；另一常见类型是CAA（Ⅱ型），主要特征为β-淀粉样蛋白在皮层及软脑膜小血管壁的中膜和外膜沉积，导致血管壁脆性增加，易引发破裂出血^[10]。

       在发病机制方面：首先，血管壁的病理改变导致管腔狭窄和血管舒缩反应性下降，引起局部脑血流减少，再加上脑白质深部区域处于动脉供血的交界区，对缺血缺氧极为敏感，长期低灌注导致少突胶质细胞受损、髓鞘脱失及轴索变性^[11]；其次，血管内皮功能障碍导致血脑屏障通透性增加，血浆蛋白及神经毒性物质渗漏至血管周围间隙，诱发血管周围炎症和血管源性水肿，进一步损伤神经血管单元^[12]，最终表现为腔隙性脑梗死、白质高信号、微出血等改变。

2 DTI的成像原理与核心参数

2.1 DTI的成像原理

       作为扩散加权成像（diffusion weighted imaging, DWI）的延伸^[13]，DTI技术通过施加多方向扩散敏感梯度采集数据，并利用张量模型估算体素内的完整扩散张量，从三维角度描述水分子扩散是否受限^[14]。该技术可量化扩散各向异性程度并识别主导扩散方向，提供包括表观扩散系数（apparent diffusion coefficient, ADC）、FA等多种定量参数，直接反映白质纤维是否受损^{[15, 16]}。DTI处理包括预处理、张量估计和参数计算等步骤^[17]，还可进一步用于纤维束追踪，重建白质纤维通路，可广泛应用于脑白质结构研究^[18]。

2.2 DTI的参数及临床意义

       DTI的核心参数包括MD、FA、相对各向异性及容积比等^[19]。从不同角度揭示白质纤维的结构完整性及微环境变化。FA值（0~1）越高，说明髓鞘越完整、纤维越有序^[20]；FA值降低常见于脱髓鞘或轴突损伤^[21]。MD反映水分子的整体扩散能力，等于三个特征值的平均值。MD值受细胞密度、膜完整性及细胞外间隙影响，在水肿、炎症或轴突损伤等病理状态下常升高，提示结构破坏^[22]。轴向扩散率（axial diffusivity, AD）和径向扩散率（radial diffusivity, RD）进一步细化了扩散方向特征：前者反映沿纤维主轴的扩散能力，其数值下降提示轴突损伤^[23]；RD=（λ2+λ3）/2，代表垂直方向的平均扩散，升高多与髓鞘脱失相关，其下降提示轴突损伤^[24]。此外，DTI参数受多种成像参数（如b值、梯度方向数、扩散时间等）及温度、血流、脑脊液搏动等因素影响，需在采集与后处理中严格控制变量，以保障结果的可靠性与可比性。

3 DTI在不同类型CSVD中的应用研究

3.1 高血压性CSVD

       高血压性CSVD（hypertensive CSVD, HCSVD）是CSVD中最常见的类型，主要与长期高血压和老年化密切相关^[25]。即使常规MRI序列尚未显示明显异常，DTI仍能够在白质看似正常时发现纤维束的微观结构损伤，因此成为目前临床评估HCSVD最重要、最敏感的无创工具^{[26, 27]}。

       DTI最核心的参数包括FA、MD和RD。在HCSVD患者中，由于血脑屏障轻度破坏所致的细胞外水肿和脱髓鞘改变，典型表现为FA值下降、MD和RD值升高。损伤最常累及双侧额叶深部白质、胼胝体压部及内囊后肢等区域，且异常程度与患者长期血压水平及控制情况高度相关，血压越高、控制越差，DTI参数改变通常越显著。多项研究已证实，DTI指标与经典Fazekas视觉评分呈显著正相关，可为疾病严重程度提供更为客观、可重复的量化依据^{[28, 29, 30]}。

       近年来，基于DTI衍生的一系列新指标进一步提高了评估的敏感性和特异性。例如扩散张量成像-血管周围间隙分析（diffusion tensor imaging analysis along perivascular spaces, DTI-ALPS）、骨架化平均扩散率峰值宽度（peak width of skeletonized mean diffusivity, PSMD）对白质微结构异质性异常敏感；自由水成像能够将真正的轴索退行性变与单纯细胞外水肿区分开来；而DTI-ALPS指数通过测定沿血管周围间隙的水分子扩散特性，间接反映脑类淋巴系统的清除功能，已被证明在HCSVD进展中具有重要作用，未来极有可能成为评价强化降压治疗疗效的新型生物标志物^[31]。

       在认知功能损害预测方面，DTI同样表现出独特优势。胼胝体压部FA值降低常对应信息处理速度和执行功能下降，扣带束损伤则更多与记忆障碍及情绪调节困难相关^[32]。大量横断面和纵向研究显示，DTI 多参数与简易精神状态检查（Mini-Mental State Examination, MMSE）、蒙特利尔认知评估量表（Montreal Cognitive Assessment, MoCA）等整体认知量表评分具有强相关性。有关研究将DTI-ALPS、PSMD、自由水等多指标联合纳入预测模型，对轻度认知障碍患者未来进展为痴呆的风险预测准确率显著高于单纯依赖白质高信号体积或其他传统影像学指标^{[33, 34, 35]}。

       此外，DTI通过白质损伤的分布模式还为鉴别诊断提供了重要线索。HCSVD的损伤通常呈双侧对称性、以深部白质和基底节区为主；而CAA更多累及皮质下及脑叶白质，伴皮质下梗死和白质脑病的常染色体显性遗传性脑动脉病（cerebral autosomal dominant arteriopathy with subcortical infarcts and leukoencephalopathy, CADASIL）等遗传性小血管病则常伴特征性的颞极和外囊受累。这些分布差异在DTI上表现较为典型，有助于在疾病早期将HCSVD与其他类型小血管病区分开来^[36]。

       然而，HCSVD起病隐匿，传统影像学评估高度依赖医师经验，主观性强、难以定量，早期漏诊率高。对此，近年来，AI凭借强大的自动特征提取与模式识别能力，正迅速弥补这一缺陷。目前，AI在HCSVD中的应用主要体现在病变自动识别与精准量化、风险分层与动态监测以及探索影像表型与生物标志物的病理联系三个方面：基于深度学习的三维卷积神经网络（3D convolutional neural network, 3D CNN）或变换器模型可高敏感地检出腔隙性梗死、脑微出血并精确测量白质高信号体积，大幅减少人为判读变异^{[37, 38, 39]}；通过整合血压、实验室指标与多模态影像特征构建认知功能下降风险预测模型，并利用时序分析追踪病变进展，为个体化降压治疗提供决策支持。但是，仍面临多中心高质量数据不足、模型可解释性差及基层医院部署困难等挑战^[40]。

       综合既往研究，DTI在HCSVD中的核心优势在于其超前预警能力，即在常规MRI出现白质高信号之前即可通过FA下降、MD和RD升高捕捉由慢性灌注不足引起的微结构损伤。然而，目前研究多停留在相关性分析，缺乏强化降压治疗后微结构可逆性的纵向证据，且传统DTI参数难以区分轴突变性与单纯细胞外水肿，特异性仍显不足。因此，未来应重点推广DTI-ALPS、自由水成像、PSMD等新型标志物^[31]，并结合AI模型，从单纯病变检出转向个体化风险预测与疗效评估^[33]，深入探索DTI动态变化与长期血压波动的量化关系，从而真正指导临床精准降压治疗。

3.2 CAA

       CAA是老年人非高血压性脑出血的重要原因^[41]，其病理为β-淀粉样蛋白沉积导致血管壁脆性增加。相比于常规影像，DTI能在常规序列正常时就发现白质损伤。更重要的是，DTI能够识别出CAA特征性的“后部优势”损伤模式，即顶叶、枕叶及颞叶白质的微结构破坏。研究证实^[42]，后部脑区FA值下降及PSMD增加往往先于临床症状出现，为早期筛查与鉴别提供了客观依据。

       组织病理学研究证实^[43]，发现FA降低与轴突密度下降相关，MD升高反映髓鞘脱失。此外，DTI-ALPS技术的应用进一步证实了CAA患者伴随类淋巴系统功能障碍^[44]。ALPS指数的下降与血管周围间隙扩大及淀粉样蛋白负荷增加呈显著相关性，提示间质液引流受阻可能是导致β-淀粉样蛋白沉积并加重血管壁损伤的重要机制。

       在病情评估与预后方面，DTI敏感性优于传统影像。额叶白质MD值的增加与额叶皮质CAA的病理分级呈正相关^[41]，DTI能够捕捉到白质微结构的进行性恶化，比临床症状出现得更早。特别是枕叶与全脑 FA 比值的降低，与枕叶β-淀粉样蛋白匹兹堡化合物B（Pittsburgh compound B, PiB）滞留量的增加高度相关^[45]。在预后判断上，低DTI-ALPS指数预示较高的脑出血复发风险^[41]。另外，全脑网络分析显示，CAA患者的全局网络效率降低，这种网络拓扑属性的改变主要集中在枕叶、顶叶及后颞叶，且与皮质淀粉样蛋白负荷及微出血数量密切相关，反映了疾病对脑功能连接的整体性破坏^[46]。

       近年来，AI虽然仍面临标注数据不足、模型可解释性差、多中心验证缺失以及数据隐私与伦理审查等挑战^[47]，但其在医学影像分析与多模态数据整合方面的快速发展，为CAA的精准诊断与机制研究提供了重要助力^[48]。基于3D CNN和Transformer的深度学习模型能够充分挖掘三维影像特征并融合多模态信息，显著提升脑叶微出血、皮层浅表铁沉积等关键病变的检出率与诊断特异性；机器学习通过整合临床资料、影像定量指标及遗传信息，可有效预测CAA病程进展并进行风险分层；AI结合高通量组学数据还有助于揭示淀粉样β沉积及血管炎症等核心病理通路的调控网络。

       现有研究的局限性在于多数病例仅依赖临床标准而非病理金标准，易混杂老龄化或其他变性疾病的影响，且DTI无法直接反映血管壁淀粉样蛋白沉积。因此，未来突破方向在于联合正电子发射断层显像-计算机体层显像（positron emission tomography-computed tomography, PET-CT）、高场强MRI与多模态AI模型，构建“淀粉样蛋白沉积—类淋巴清除障碍—白质微结构损伤”的级联致病模型，从而进一步阐明CAA的精准发病机制。

3.3 遗传性CSVD

       遗传性CSVD涵盖了一组由神经源性位点缺口同源蛋白3（neurogenic locus notch homolog protein 3, NOTCH3）基因、HtrA丝氨酸肽酶1（HtrA serine peptidase 1, HTRA1）基因等单基因突变所致的罕见脑血管病变^[49]，包括CADASIL、伴蛛网膜下腔出血的常染色体隐性遗传性脑动脉病（cerebral autosomal recessive arteriopathy with subcortical infarcts and leukoencephalopathy, CARASIL）、线粒体脑肌病伴高乳酸血症和卒中样发作（mitochondrial encephalomyopathy, lactic acidosis, and stroke-like episodes, MELAS）、Fabry病等。DTI在遗传性CSVD的诊断和预后评估中很有价值^[50]。具体而言，针对不同基因突变类型，DTI呈现出特异性的微观病理对应关系^[51]，例如在CADASIL患者中，患者T2高信号区MD值显著升高，这一特征性改变客观反映了血管平滑肌细胞变性所致的组织微结构损伤。此外，联合动态对比增强MRI（dynamic contrast-enhanced MRI, DCE-MRI）与DTI-ALPS技术^[7]，深入阐明了血脑屏障破坏与类淋巴系统障碍的关键机制，揭示了其与微结构损伤及神经炎症的内在联系。

       在临床诊断应用中，DTI能够敏锐发现微观结构异常，显示不同亚型的特异性损伤分布模式特点、CADASIL的颞极和外囊受累、Fabry病的后循环优势。同时，DTI可实现对疾病严重程度的精确量化分级，其参数与临床严重程度高度相关，存在明确的阈值效应，例如MD值增加超过70% 即预示严重残疾，并结合全脑基于骨架的空间统计（tract-based spatial statistics, TBSS）分析和多模态评分辅助评估^[52]。

       在预后评估与治疗监测领域，DTI提供了比临床症状更为敏感的生物标志物。纵向研究^[53]显示，DTI恶化先于认知下降。新型衍生指标如PSMD、自由水及DTI-ALPS指数，在预测疾病复发风险、认知下降速度方面表现优异。此外，DTI能有效评估药物及康复疗效^[54]，为精准诊疗奠定基础。

       虽然遗传性CSVD在常规MRI上可表现出一定特征性改变，但其早期症状往往不典型，诊断窗口滞后，且传统影像评估高度依赖经验，因此常面临诊断困难。AI凭借强大的影像处理与多维数据整合能力，为上述痛点提供了有效解决方案。在诊断方面，基于3D CNN的模型可自动精确识别白质高信号负荷及CADASIL特征性的颞极前部和外囊病变，敏感度超过92%，显著优于传统人工判读^[55]。在综合评估与预测方面，机器学习算法通过深度挖掘NOTCH3等致病基因变异与影像定量指标及临床表型间的关联，建立起可靠的风险分层与预后预测模型，实现真正的早期筛查和疾病进展动态跟踪^[56]。

       然而，由于疾病罕见，单中心样本量小，限制了高精度AI模型的训练与验证。未来应重点建立多中心遗传性CSVD影像数据库，借助迁移学习技术，将在这一“纯净”模型中训练的AI算法应用于散发性CSVD，以进一步揭示两者共有的微血管损伤机制。

3.4 其他类型CSVD

       除了上述常见类型外，CSVD还包括炎症性、免疫性、静脉胶原病等多种类型^[51]。这些类型的CSVD 虽然发病率相对较低，但DTI技术也显示出独特价值。

       在炎症性和免疫性小血管病中^[56]，如韦格纳肉芽肿（Wegener's granulomatosis, WG）、系统性红斑狼疮（systemic lupus erythematosus, SLE）、抗磷脂抗体综合征（antiphospholipid syndrome, APS）等，血管壁的炎症反应和免疫损伤导致血管功能障碍和组织损伤。DTI显示此类患者存在广泛白质微结构损伤，表现为FA值降低与MD值升高，且损伤程度与疾病活动性密切相关。除炎症性病变外，静脉胶原病是一种罕见的CSVD类型^[57]，主要表现为小静脉增厚闭塞导致的回流障碍。尽管相关研究较少，但初步DTI结果显示此类患者具有特征性改变，微结构损伤主要集中于静脉引流区域的白质。

       AI的快速发展为炎症性及静脉胶原病相关CSVD的诊疗带来了新机遇。深度学习模型能够精确识别血管壁炎症、管腔狭窄等微小特征^[58]，结合多模态影像融合有望提升鉴别诊断能力；机器学习通过整合免疫指标、临床及影像数据，可实现疾病活动度的客观评估与免疫治疗疗效监测；AI还可结合高分辨率管壁成像，定量分析静脉胶原病特征性小静脉壁增厚与管腔闭塞，或通过DTI间接反映静脉引流区白质损伤特征，为病情预测提供依据。尽管目前仍受少见病病例数少、标注数据不足等限制，但随着多中心协作和数据积累，AI有望推动此类CSVD的精准诊疗取得进展。

       对于炎症性及静脉胶原病等少见亚型，DTI的应用仍处于探索阶段，其主要价值在于无创监测免疫治疗后白质微结构的恢复情况，弥补了常规MRI对炎症活动性评估的滞后性。然而，目前DTI改变缺乏特异性，易与缺血性损伤混淆，且缺乏标准化定量参考值。为此，未来需结合高分辨率管壁成像，利用AI挖掘DTI张量场中的细微纹理特征，开发针对炎症性血管病变的特异性影像指纹，从而辅助临床鉴别诊断。

4 总结与展望

       DTI通过FA、MD、PSMD、自由水、DTI-ALPS等核心及衍生参数，实现了活体脑白质微结构的无创精准量化，有效弥补了常规MRI在CSVD早期隐匿性病变探测中的不足，为疾病的超早期预警、病理机制解析、亚型鉴别、认知损害预测及预后评估提供了目前最敏感、最客观的影像学生物标志物。该技术在CSVD全谱系中的价值已得到充分验证：不仅能在常规影像学正常阶段即捕捉微观损伤，还可通过特征性纤维束受累模式（如CADASIL的颞极与外囊优势受累）辅助不同亚型的鉴别诊断；与AI及多模态影像的深度融合，进一步显著提升了病变自动识别、风险分层精度以及对类淋巴系统功能障碍等关键机制的认识深度。

       展望未来，尽管当前仍受限于常规场强分辨率及后处理流程标准化程度不足，但7 T超高场强MRI、扩散峰度成像（diffusion kurtosis imaging, DKI）等前沿技术有望进一步提升微观病理的解析能力。推动DTI真正实现临床转化的关键，在于建立多中心、标准化、高质量的CSVD影像数据库，开发高泛化性与可解释性兼备的AI算法，最终构建适用于全谱系CSVD的个体化精准筛查、诊断与干预模型，为临床提供更加客观、可重复、可动态监测的评估工具。