分享:
分享到微信朋友圈
X
• 综述 •
MRI定量脑白质高信号正常参考值及其在脑小血管病中的研究进展
程楠 郑新儒 敖锋

本文引用格式 程楠, 郑新儒, 敖锋. MRI定量脑白质高信号正常参考值及其在脑小血管病中的研究进展[J]. 磁共振成像, 2026, 17(11): 145-151, 173. DOI:10.12015/issn.1674-8034.2026.11.018.


[摘要] 脑白质高信号(white matter hyperintensity, WMH)是脑小血管病的重要影像标志物,与认知功能下降、卒中、痴呆及死亡风险增加密切相关。传统Fazekas等半定量量表难以精确量化个体差异,缺乏与性别、年龄匹配的正常参考值。近年来,鹿特丹研究、国际多中心队列及中国人群研究已初步建立WMH体积的正常参考值,尽管已有初步进展,但现有研究仍存在人群代表性不足、高龄数据缺乏、技术标准化不统一等问题。未来应基于多中心、大样本数据建立更完善的WMH参考值,推动技术标准化、区域特异性参考值及多模态影像综合评估体系的建立,实现WMH负荷的个体化、精准化评估值得进一步探索。本文综述了建立WMH正常参考值的意义、方法及WMH正常参考值的研究进展和未来研究方向,总结国内外研究进展及现存挑战,旨在为临床医师和影像科医师判断WMH是否正常提供参照,为脑小血管病的个体化风险评估、早期识别及精准防治提供新思路,并为未来大规模多中心规范化建模及临床转化研究提供参考方向。
[Abstract] White matter hyperintensity (WMH) is an important imaging marker of cerebral small vessel disease and is closely associated with cognitive decline, stroke, dementia, and increased risk of mortality. Traditional semi-quantitative scales such as the Fazekas scale are limited in their ability to precisely quantify individual differences and lack normative reference values adjusted for sex and age. In recent years, large-scale studies including the Rotterdam study, international multicenter cohorts, and Chinese population-based research have begun to establish normative reference values for WMH volume. Despite these initial advance, existing studies still face challenges such as limited population representativeness, a lack of data in the very elderly, and inconsistencies in technical standardization. Future efforts should focus on establishing more comprehensive WMH reference values based on multicenter, large-sample data, promoting technical standardization, developing region-specific reference values, and building a multimodal imaging-based comprehensive assessment system. It is important to achieve individualized and precise assessment of WMH burden. This article reviews the significance and methodologies of establishing normative WMH reference values, as well as the research progress and future directions in this field. It summarizes domestic and international research progress and existing challenges, aiming to provide a reference for clinicians and radiologists to determine whether WMH is normal, to offer new insights for individualized risk assessment, early identification, and precise prevention and treatment of cerebral small vessel disease, and to provide reference directions for future large-scale, multicenter standardized modeling and clinical translation research.
[关键词] 脑白质高信号;脑小血管病;磁共振成像;体积;参考值
[Keywords] white matter hyperintensity;cerebral small vessel disease;magnetic resonance imaging;volume;reference value

程楠 1   郑新儒 1, 2   敖锋 1, 2*  

1 湖北医药学院附属人民医院磁共振科,十堰 442000

2 湖北医药学院生物医学工程学院,十堰 442000

通信作者:敖锋,E-mail: aofeng19841112@163.com

作者贡献声明:敖锋设计本研究的方案,对稿件重要内容进行了修改,获得了湖北省自然科学基金创新发展联合基金项目、十堰市引导性科研项目及十堰市人民医院生物医学新技术研究项目的资助;程楠起草和撰写稿件,获取、分析和解释本研究数据;郑新儒获取和分析本研究数据,对稿件重要内容进行了修改;全体作者都同意发表最后的修改稿,同意对本研究的所有方面负责,确保本研究的准确性和诚信。


基金项目: 湖北省自然科学基金创新发展联合基金项目 2026AFC0318 十堰市引导性科研项目 24Y093 十堰市人民医院生物医学新技术研究项目 syrmswyx2026-07
收稿日期:2026-05-13
接受日期:2026-09-22
中图分类号:R445.2  R743 
文献标识码:A
DOI: 10.12015/issn.1674-8034.2026.11.018
本文引用格式 程楠, 郑新儒, 敖锋. MRI定量脑白质高信号正常参考值及其在脑小血管病中的研究进展[J]. 磁共振成像, 2026, 17(11): 145-151, 173. DOI:10.12015/issn.1674-8034.2026.11.018.

0 引言

       脑白质高信号(white matter hyperintensity, WMH)是脑小血管病的重要影像学标志物[1, 2],与卒中、认知功能障碍、痴呆及死亡风险增加密切相关[3]。WMH曾被认为是正常的衰老现象[4]。传统Fazekas量表[5]因其操作简便,广泛应用于临床和研究中,其主要评估WMH严重程度等级,而非精确量的变化。基于鹿特丹社区老年人的纵向研究发现[6],Fazekas量表与Scheltens量表在评估WMH进展时,与容积测量法相关性很差,且观察者间的一致性较低。研究表明,WMH负荷正常参考值在群体中并非一个固定的常数,尤其是在增龄过程中呈现出显著的个体差异,任何单一的、通用的cut-off值都无法用于临床诊断。近年来,随着多中心、大样本队列研究的开展及新型影像技术的出现,加之精准医学提倡根据个体差异制订最佳的诊疗策略,推动WMH从定性分级向定量评估,从群体统计向个体化诊断的转变,因此,WMH正常参考值的建立越来越受到关注。

       本综述所指的“WMH正常参考值”,是指基于无卒中、无痴呆或认知功能正常的社区人群所建立的统计分布,是以“体积”为量化指标、以“百分位数”为呈现形式,包含全脑总体积和区域特异性体积两个层面,而非疾病诊断标准;第90或第95百分位数只能提示“超出同龄同性别人群预期”,仍需结合血管危险因素、认知状态和临床背景进行解释。

       近年来,已有综述围绕WMH的影像学评估、血管危险因素及与认知损害关系等方面进行了总结,但多数仍以Fazekas等半定量分级来判定WMH严重程度,对基于体积定量和百分位数曲线的“正常参考值”方法学体系缺乏系统梳理;与此同时,尽管鹿特丹研究、国际多中心研究及中国多站点的社区研究已初步建立WMH体积(WMH volume, WMHv)参考值,但各研究在纳入人群标准、影像处理流程及统计建模策略上存在显著异质性,尚无综述对这些方法学差异进行比较;更重要的是,现有参考值研究主要基于欧美人群,对于中国及其他非白人群体的参考值研究相对匮乏。多项研究一致观察到非洲裔/黑人群体具有更高的WMH负荷,一项纳入948名54~103岁人群的研究发现[7],非洲裔/黑人参与者在每个年龄段均表现出更高的WMHv;一项基于上海老龄化研究和塔斯马尼亚步态与认知研究的跨国比较发现[8],在年龄和性别匹配后,中国人群WMH的发生率显著高于澳大利亚白人;另一项系统综述也指出[9],中国队列表现出更高的WMH负荷。上述证据提示,直接将基于欧美人群建立的WMH参考曲线应用于其他种族/民族人群可能导致误判。本综述将梳理WMH正常参考值的建立方法、研究进展及现存挑战,与以往综述相比,将整合国际多中心与中国多站点社区研究的最新数据,提出区域特异性参考值的重要性及其方法学要点;同时围绕技术标准化、纵向动态评估和临床转化三个维度,指出当前研究的瓶颈与未来方向。旨在为临床医师和影像科医师判断WMH是否正常提供参照,为脑小血管病的个体化风险评估、早期识别及精准防治提供新思路,并为未来大规模多中心规范化建模及临床转化研究提供参考方向。

1 检索策略

       本文遵循综述性研究的常用方法进行文献检索。检索数据库包括PubMed、Web of Science、中国知网和万方数据知识服务平台。检索时间范围为各数据库建库至2026年5月13日。英文检索式:(“white matter hyperintensity” OR “WMH” OR “white matter lesions” OR “WML” OR “leukoaraiosis”)AND(“normal reference value” OR “normative value” OR “volume” OR “normative data” OR “reference range”)AND(“magnetic resonance imaging” OR “MRI” OR “FLAIR” OR “T2-weighted”)AND(“cerebral small vessel disease” OR “CSVD” OR “aging” OR “population-based” OR “community”);中文检索式:(“脑白质高信号” OR “白质高信号” OR “白质病变” OR “白质疏松”)AND(“正常参考值” OR “参考值” OR “体积” OR“参考标准” OR “正常范围”)AND(“磁共振成像” OR “MRI” OR “FLAIR”)AND(“脑小血管病” OR “社区人群” OR “健康人群” OR “正常老化”),采用主题词与自由词相结合的方式进行文献检索。

       文献纳入标准:(1)研究对象为社区人群或健康志愿者,明确排除卒中、痴呆等神经系统疾病。“社区人群”指基于社区居住地址招募、非因特定疾病就诊、能够代表一般社区成年或老年人群的群体,可保留常见血管危险因素(如高血压、糖尿病、吸烟等),但排除卒中、痴呆及其他严重神经系统疾病;“健康志愿者”指通过公开招募自愿参加、经严格筛查排除未控制的重度血管危险因素及神经系统/精神疾病者,代表“理想健康”状态。研究中应明确报告所采用的人群类型,以区分“人群规范分布”与“健康参考区间”。(2)采用MRI的液体衰减反转恢复(fluid-attenuated inversion recovery, FLAIR)序列或T2WI序列对WMH进行定量评估,报告WMHv测量数据。(3)研究内容涉及年龄和/或性别特异性WMHv参考值、百分位数曲线或概率图谱的构建。(4)研究类型包括横断面研究、前瞻性队列研究、多中心协作研究、综述及Meta分析,优先纳入发表于同行评审期刊的文献。排除标准:重复发表、无法获取全文、数据不完整的文献。最终纳入40篇主要文献。

2 建立WMH正常参考值的意义

       WMH是脑小血管病的重要影像学标志物,与卒中、认知功能障碍等密切相关。随着神经影像学的普及,WMH在影像学诊断报告中出现频率显著增加,流行病学数据显示,60~70岁人群WMH超过80%[10],在80~90岁人群中占100%。在只包括60岁以上老年人心血管健康研究中,其WMH的发病率高达96%,较高的检出率给临床和影像科医生带来了解读困境,无症状老人的WMH究竟是正常的增龄性改变,还是需要警惕的病理信号?这一困境的根源在于缺乏判断WMH负荷是否“正常”的参考标准。长期以来,临床评估主要依赖Fazekas量表[11, 12]等半定量工具,这种评分分级操作简便,但存在“天花板效应”[13]和观察者间一致性差等局限,适合粗略严重度分层,但不适合个体化定量解释和纵向细微变化捕捉。WMHv是指通过自动或半自动分割方法从MRI的FLAIR序列中提取出的WMH病灶总体积,通常以毫升(mL)或立方毫米(mm³)为单位,是目前定量研究中最主要且可重复性最高的WMH负荷量化指标。

       对于什么样的WMH是“良性增龄性改变”以及什么样的WMH应视为“病理性脑小血管病信号”,这一边界并非由单一因素决定,而需从负荷程度、空间分布、动态变化及临床四个方面综合判断。

       在负荷程度方面,微量、散在的WMH在老年人中极为普遍,通常被认为是“正常衰老”的影像学表现。当WMH负荷超出同龄预期或呈早期融合乃至大片融合时,则提示WMH已偏离正常,更可能反映潜在的脑小血管病理性改变。在空间分布上,不同部位的WMH具有不同的病理意义。脑室周围帽状或细线状WMH在老年人中常见且多属良性;而深部白质或脑室周围融合性WMH,尤其当累及额叶、基底节区及U型纤维时,与脑小血管病相关的低灌注、血脑屏障损害及微循环障碍关联更为密切。额叶前部皮质下WMH与高血压的关联尤为显著,而深部枕叶WMH则与出血风险相关。在动态变化中,WMH的稳定性是区分良性与病理的重要依据。稳定的WMH更符合增龄性改变的特征;而短期内快速进展的WMH则高度提示活动性脑小血管病,需积极管理血管危险因素。在临床方面,同样的WMH负荷在不同患者群体中的意义截然不同。在认知功能正常、无血管危险因素或危险因素控制良好的老年人中,轻度WMH多属良性;但在合并未控制高血压、糖尿病、吸烟等多种危险因素,或已出现轻度认知损害、步态障碍、情绪异常等临床表现的患者中,WMH更可能作为脑小血管病的活动性标志物而需高度警惕。生理性增龄WMH与病理性脑小血管病相关WMH临床及影像特征对比见表1。

       建立WMH正常参考值核心临床价值在于通过提供年龄和性别特异性的百分位数曲线,将患者的WMHv定量地定位到同龄同性别群体分布中,判断其是处于平均水平还是已超出第95百分位数的“超预期”高负荷,从而指导个体化防治[14]和临床决策;同时为临床研究提供客观、可重复的纳入排除标准。此外,参考值有助于揭示WMH异质性机制,区分“总体负荷”和“区域分布”,解释不同脑区易感性差异。

表1  生理性增龄WMH与病理性脑小血管病相关WMH临床及影像特征对比
Tab. 1  Comparison of clinical and imaging features between physiological age-related WMH and pathological cerebral small vessel disease related WMH

3 建立WMH正常参考值的方法学要点

       WMH“正常参考值”是一个基于人群统计学,与年龄、性别和风险因素密切相关的统计分布概念[15]。WMH在健康老龄化人群中极为普遍,完全没有WMH的影像学表现并不常见[16]。因此,所谓的WMH“正常参考值”实质上是年龄依赖性、性别特异性的百分位数曲线,其体积不超过同年龄、同性别人群中特定百分位数(如第90或第95百分位数)的参考值[17, 18]。建立WMH正常参考值的方法学要点主要包括以下几个方面。

3.1 人群的收集及纳入排除标准的选择

       理想的参考值应来源于基于社区的大型正常人群队列,避免医院就诊人群的选择性偏倚。需明确区分两种概念,一是“健康参考区间”,排除未控制的重度血管危险因素,代表理想脑老化状态;二是“人群规范分布”[19],保留前社区老年人群中普遍存在的血管危险因素,旨在反映一般社区人群WMH负荷的实际分布,更适合临床中对普通社区老年患者进行相对定位[18]。大样本量且覆盖各年龄段是确保参考值稳健可靠的关键[20],我们需要加强对高龄人群的样本采集。

3.2 影像数据的采集与处理

       数据采集推荐3D高分辨率FLAIR图像[21, 22]。多中心数据需要制订统一扫描标准,明确场强、层厚、反转时间等关键参数标准;建立标准化流水线,包括偏置场校正、强度归一化及颅骨去除;选用经多中心验证的算法,并系统报告Dice相似系数、体积一致性及重测信度。个体WMH图配准到标准空间[如蒙特利尔神经学研究所(Montreal Institute of Neurology, MNI)-152标准坐标系]以校正个体头颅差异;自动分割后由专业人员复核,明确微小病灶取舍、伪影与血管间隙鉴别规则。

3.3 统计分析方法

       WMHv数据通常呈右偏态分布,常采用对数转换以满足统计检验的需要。WMHv数据的偏态分布与年龄的非线性关系,传统的“均值±标准差”法不适用[23],推荐采用依赖分位数回归构建百分位曲线[18, 19]。建模时建议以颅内容积为协变量进行校正,引入年龄的限制性立方样条或二次/多项式项;性别效应建模可采用性别分层建模或交互建模;多中心数据应在模型中纳入中心或扫描仪作为效应项或在预处理阶段进行校正,并报告前后变化。上述方法学细节应在参考值研究中逐一明确报告,以确保结果的可复现性和跨研究可比性。具体参数及实现方法见原始文献。

3.4 区域特异性参考值

       除全脑总体积外,区域特异性参考值同样重要。WMH的分布不是随机的[24, 25],不同脑区的WMH在病理机制、血管危险因素关联及认知相关性方面存在显著差异,这使得区域特异性参考值比全脑总体积具有更丰富的临床解读价值,但需要考虑配准精度、模板差异、部分容积效应及分割算法灵敏度等技术问题,因此,在推进区域参考值研究的同时,应建立标准化的质量控制流程,明确报告配准方法和模板选择。

3.5 正常参考值的呈现

       WMH正常参考值可以采用图和表相结合的方式展现。按性别分层的WMHv-年龄百分位曲线图直观地展示WMH负荷随年龄增长的趋势以及个体间异质性的趋势;表格提供关键年龄点(如每5岁或10岁为一个年龄段)对应的特定百分位数(如第5、10、50、90、95百分位数)的WMHv值,以供临床医生或其他研究者直接参考或比较。

4 WMH正常参考值的研究进展

       早期有多项研究报告了与年龄相关的平均WMHv[22, 26, 27]。HUANG等[27]、HABES等[28]、KIM等[22]及SMITH等[26]的研究分别提供了年龄组的平均值、标准差或发生频率。这些研究基于人群背景,为理解年龄与平均WMHv之间的关系提供了重要的参考,但这些方法提供的指标相对粗略或覆盖人群有限,不能直接支持评估个体患者扫描结果的异常程度。因此,评估异常程度需要包含成年人全生命周期正常范围及其极值完整分布的研究。

       建立可靠的正常参考值需要大量的、标准化的人群数据和科学的建模方法[29]。近年来,大数据共享和整合、影像技术的进步、人工智能[30]的发展和规范化建模的出现为解决这一问题提供了强有力的支撑。WMHv的精准测量是建立参考值的重要基础,传统WMH分割主要依赖人工或半自动方法,但近年来,人工智能被应用于WMHv分割。人工智能全自动分割[31]与高级分析致力于高精度、高通量、可重复的WMH分割[30],包括传统机器学习和深度学习[32, 33]。传统机器学习通过提取图像的强度、纹理、位置等特征,使用支持向量机及随机森林等分类器,执行像素级分类任务,其性能严重依赖于特征提取的质量。深度学习方法包括2D/3D U-Net广泛应用、注意力机制改进、卷积神经网络(Convolutional Neural Networks,CNN)架构等[34],尤其是CNN和U-Net及其变体(如3D U-Net、nnU-Net)已成为主流。其中,CNN的深度学习智能感知技术可以实现图像超高分辨率重建和降噪[35],在保证优化图像质量的前提下大幅缩短了序列采集时间[36]。

       人工智能在提高效率的同时,也存在以下挑战:(1)泛化性不足,当前深度学习模型在WMH分割中面临的泛化性挑战远比通常意识到的更为严峻。这种泛化失败不仅存在于不同医疗中心之间,同一中心内部因扫描仪更新、序列参数微调甚至软件版本升级所引起的微小域偏移,同样会导致模型性能的急剧下降。(2)数据孤岛与隐私保护[37],高质量WMH分割模型的训练需要大规模、多样化的标注数据,但患者隐私保护及机构数据保密政策限制了跨中心数据的共享与集中。这导致模型大多基于单一机构的数据训练,样本来源单一。(3)黑箱问题[38],深度学习方法过程缺乏透明度,临床医师难以理解模型为何将特定区域判定为WMH,也难以判断模型的错误决策是由于病灶真实存在(但被模型漏检)还是由于伪影或结构变异导致的假阳性。这种不透明性在临床应用中构成了重大障碍。

       规范化建模通过大规模的代表性人口脑影像样本,绘制大脑结构随年龄等因素变化的标准曲线[39],建立具有参考意义的脑图表指标,即确定健康参考值范围,并衡量个体的偏离程度。

       荷兰鹿特丹扫描研究是一项自1990年开始的基于人群的前瞻性队列研究,共纳入了5402名参与者(排除了痴呆和脑卒中)的11 465次MRI扫描数据,通过分位数回归分析,描绘出按年龄(45~100岁)和性别分层的WMH百分位数曲线(包括第5th、10th、25th、50th、75th、90th和95th百分位数),以完整展示不同年龄段、不同性别、不同百分位数的WMH负荷分布[19]。研究发现,WMHv随年龄增长呈现非线性增加的趋势,WMHv每10年翻一番;在所有年龄段,女性WMHv略高于男性。该研究提供的年龄和性别特异性百分位数曲线旨在帮助临床医生在个体患者的MRI扫描上量化WMH负荷,以区分“正常”“衰老”与“异常”疾病模式。此项研究以白人参与者为主,来自单一标准化队列,数据一致性较高,局限性是80岁以上参与者的代表性相对不足,这可能使曲线在最年长群体中的准确性降低。

       一项大规模的国际多中心协作研究通过汇总来自欧洲(荷兰、英国、德国、奥地利)、北美洲(美国、加拿大)、大洋洲(澳大利亚)及亚洲(中国)四大洲8个国家15个人群队列的14 876名18~97岁无痴呆、无卒中的社区人群数据,构建了涵盖更广泛人群的WMHv的规范百分位数曲线以及年龄和性别特异性的WMHv正常数据[18]。该研究提供了按年龄和性别分层的关键百分位数具体数值。并进一步细化创建了按年龄和性别分层的总WMHv和区域WMH 体积的参考数据。研究表明,男性和女性总的WMHv均随年龄呈指数增长,其中中位体积约每10年翻一倍,且各年龄段皆存在显著个体差异,女性自40岁起WMHv即高于男性;白质束特异性WMHv随年龄的变化模式存在显著差异,部分束随年龄呈现与总WMHv相同的曲线,部分束仅在高龄出现WMH。此项研究克服单个队列(如鹿特丹扫描研究)在人群多样性和高龄人群代表性方面的不足,是目前已知的样本量最大、人群种类最全面的WMHv规范参考值研究。该研究提供的年龄、性别与区域特异规范数据支持对WMHv的量化与个体化解读。

       CAI等[21]基于来自四个站点的735名中国社区人群(排除认知评分异常、脑外伤、脑重大神经或精神疾病)数据,针对六个年龄组(20~29岁、30~39岁、40~49岁、50~59岁、60~69岁和70~79岁)描绘出WMH概率图谱和体积随年龄变化的规律,并为不同年龄组建立了标准参考数据。该研究通过将个体患者的WMH分布图与年龄匹配的标准概率图谱进行对比,可以直观地识别出超出预期范围的异常WMH。研究发现,随着年龄增长,WMH的出现概率和空间范围都随之增加,所有类型的WMH(总体、脑室周围和深部白质高信号)均随年龄呈二次方增长。为探讨WMH概率图谱的临床适用性,该研究在一组由轻度认知障碍和阿尔茨海默病患者组成的队列中进行验证。结果显示,这两类患者的WMH异常比例显著高于典型衰老的人群。该研究通过构建中国人群的WMH空间分布概率图谱和WMH标准参考数据,揭示出WMH在脑内的空间分布规律及其随年龄变化的模式,为临床诊断提供新的可视化量化工具,有助于国人更精准地评估WMH的临床意义。据我们所知,这是首个基于中国人群构建的WMH正常参考值,与国外新近研究相比,其局限性主要在于样本量较小和年龄段覆盖有限(缺少80岁以上人群)。因此,未来需要更大样本、覆盖成年人全年龄段的人群数据,以建立适合全生命周期WMH参考标准。上述研究的WMH参考值建立方法学及特征比较见表2。

       综上所述,WMH正常参考值核心因素主要包括:(1)年龄,DE KORT等[18]研究证实,WMHv随年龄呈指数增长,男女均表现为每10年翻一倍;(2)性别,女性自40岁起WMHv持续高于男性,平均相当于同龄男性增加2~5岁衰老效应;(3)脑区,不同白质区域WMH随年龄增长遵循三种差异化轨迹。DE KORT等[18]研究发现,WMH随年龄的增长并非全脑均一,而是按解剖位置分为三种模式:部分白质束(如胼胝体、额叶白质)呈与总体一致的指数增长;部分束(如穹窿、内囊后肢)仅在高龄阶段才出现明显WMH;另有部分束(如皮质脊髓束)终身保持极低WMH负荷。这一发现对临床具有重要意义,全脑WMH总体积仅提供宏观定位,而区域特异性参考值可提示哪个脑区超出了年龄预期。

       上述国际多中心研究虽汇集了来自四大洲8个国家15个队列的数据,但队列中来自非白人群体的代表性仍不均衡,亚洲、非洲及拉丁裔人群的样本量相对有限。越来越多来自美国多样化人群队列和跨国比较研究的证据表明,不同种族/民族人群的WMH负荷可能存在系统性差异,这使WMH正常参考值的跨人群适用性面临重要挑战。

       多项研究一致观察到非洲裔/黑人群体具有更高的WMH负荷。一项纳入948名54~103岁人群的研究发现[7],非洲裔/黑人参与者在每个年龄段均表现出更高的WMHv。一项基于上海老龄化研究和塔斯马尼亚步态与认知研究的跨国比较发现[8],在年龄和性别匹配后,中国人群WMH的发生率显著高于澳大利亚白人。另一项综述指出[9],中国队列表现出更高的WMH负荷。

       上述证据提示,直接将基于欧美人群建立的WMH参考曲线应用于其他种族/民族人群可能导致误判。未来建立WMH正常参考值时,应充分考虑种族/民族因素的影响,优先开展针对不同种族/民族的特异性参考值研究;在多中心研究中确保各主要种族/民族群体具备足够的代表性样本,以检验种族/民族因素是否独立影响WMH分布;在统计建模中明确报告种族/民族效应的检验结果,并探讨血管危险因素和社会决定因素对该效应的作用。

表2  鹿特丹研究、国际多中心研究、韩国研究及中国多站点社区研究的WMH参考值建立方法学及特征比较
Tab. 2  Comparison of methodologies and characteristics for establishing WMH reference values in the Rotterdam study, the international multicenter study, the South Korean study, and the Chinese multicenter community study

5 WMH正常参考值研究的不足与未来研究方向

       尽管近年来WMH正常参考值研究取得了显著进展,鹿特丹研究、国际多中心研究及中国多站点社区人群研究已初步建立了不同人群的WMHv百分位数参考值,揭示了WMH随年龄呈指数增长、女性自40岁起WMHv持续高于男性、不同白质束遵循三种差异化增长轨迹等核心规律。但现有研究仍存在以下不足:(1)高龄人群(≥80岁)数据代表性不足,限制了参考曲线在年长群体中的准确性;(2)非欧美人群的样本量有限,种族/民族差异对WMH分布的影响尚未充分阐明;(3)各研究在影像采集参数、分割算法及统计建模策略上存在显著异质性,缺乏统一的标准,影响了不同研究间结果的可比性和可复现性;(4)现有参考值主要基于横断面数据,缺乏纵向变化轨迹的规范参照,尚无法回答个体WMH动态变化是否正常;(5)临床转化应用不足;(6)技术标准化难题尚未解决,不同MRI设备、扫描序列及分割算法均会导致WMHv测量出现系统性偏差,制约多中心数据整合与参考值可迁移性;(7)统计建模中“健康参考区间”与“人群规范分布”两种范式常被混用,可能导致参考值解读偏差。

       基于文章所述WMH正常参考值研究进展及面临的不足,WMH正常参考值未来研究方向将集中于以下几个方面。

5.1 建立全生命周期、多地域、多民族参考曲线

       现有WMH参考值主要基于欧美人群,基于覆盖全人群的大规模数据研究尚匮乏。鉴于种族、地域差异的影响,直接使用欧美参考曲线可能导致对全人群WMH负荷的系统性误判。未来应借助多中心协作,构建覆盖18岁以上全年龄段、包含城乡多元背景的大样本社区人群队列,采用标准化影像采集与分割流程,建立年龄和性别分层的WMHv百分位数曲线;同时系统评估种族/民族因素对WMH分布的影响,构建具有广泛人群适用性的特异性参考值。

5.2 解决技术标准化难题

       不同MRI设备、扫描序列及分割算法均会导致WMHv测量出现系统性偏差,这是制约多中心数据整合与参考值可迁移性的核心障碍。未来研究应着力于推进成像协议的标准化,制订多中心WMH影像采集方案;统一统计建模策略,明确区分“健康参考区间”(排除血管危险因素)与“人群规范分布”(保留危险因素作为协变量)两种范式及其适用场景,避免概念混用导致参考值解读偏差。

5.3 纵向动态评估

       现有参考值主要基于横断面数据,尚无法回答个体WMH的动态变化是否“正常”。最新研究已揭示WMH并非单向进展,在部分人群中可观察到消退现象[40],且消退与良好的认知预后相关,这提示纵向研究评估比单次横断面测量更具临床意义。未来需要长期纵向队列随访积累,建立个体WMH增长或消退轨迹的规范参照。

5.4 推动临床转化

       不同脑区WMH的病理机制、危险因素关联及认知相关性存在显著差异,区域特异性参考值比全脑总体积具有更高的解析价值;多模态影像指标的整合有望构建脑白质健康的综合评价体系。最终推动参考值的临床转化,开发软件工具,使百分位数评估成为放射影像学报告的常规内容,将这一研究工具真正服务于个体化诊疗。

6 小结与展望

       WMH作为脑小血管病最重要的影像标志物之一,其负荷的精准量化与正常参考值的建立对于区分生理性增龄改变与病理性脑小血管病及指导个体化防治具有重要意义。WMH正常参考值的建立能够为临床影像解读提供年龄和性别特异性的量化标准,克服传统Fazekas半定量评分的“天花板效应”和观察者间一致性差等局限,有助于从负荷程度、空间分布、动态变化及临床背景四个维度综合判断WMH的病理意义,并为临床研究提供客观的、可重复的依据。此外,WMH正常参考值的建立需要依托大样本人群队列,采用标准化的高分辨率3D FLAIR影像采集与自动分割流程,并通过分位数回归构建年龄和性别特异性的百分位数曲线;研究中需注意区分“健康参考区间”与“人群规范分布”两种范式,以及校正颅内容积对体积测量的影响,并逐步推进区域特异性参考值的建立。既往的鹿特丹研究、国际多中心研究及中国多站点社区人群研究已初步建立了不同人群的WMHv百分位数参考值,揭示了WMH随年龄呈指数增长、女性自40岁起WMHv持续高于男性、不同白质束遵循三种差异化增长轨迹等核心规律。

       尽管当前研究仍面临高龄人群代表性不足、非欧美人群样本有限、技术标准化欠缺、纵向数据缺乏及临床转化不足等瓶颈,但随着多中心协作网络的扩大、人工智能分割技术的成熟及规范化建模方法的推广,WMH正常参考值有望从单一的“体积百分位数”判定,发展为融合纵向轨迹、区域分布和临床风险的多维度评估系统,为脑小血管病个体化精准诊疗提供重要支持。但是任何参考值都具有人群特异性,临床应用时应结合具体患者的血管危险因素、认知状态及临床表现进行综合判断,而非机械套用百分位数阈值。

[1]
DUERING M, BIESSELS G J, BRODTMANN A, et al. Neuroimaging standards for research into small vessel disease-advances since 2013[J]. Lancet Neurol, 2023, 22(7): 602-618. DOI: 10.1016/S1474-4422(23)00131-X.
[2]
杨佳怡, 毛海霞, 方向明. 脑小血管病相关脑白质高信号与认知障碍相关性的影像学研究进展[J]. 磁共振成像, 2026, 17(1): 146-153. DOI: 10.12015/issn.1674-8034.2026.01.023.
YANG J Y, MAO H X, FANG X M. Advances in imaging research on the correlation between cerebral small vessel disease-related white matter hyperintensities and cognitive impairment[J]. Chin J Magn Reson Imaging, 2026, 17(1): 146-153. DOI: 10.12015/issn.1674-8034.2026.01.023.
[3]
HUANG W Q, LIN Q, TZENG C M. Leukoaraiosis: Epidemiology, Imaging, Risk Factors, and Management of Age-Related Cerebral White Matter Hyperintensities[J]. J Stroke, 2024, 26(2): 131-163. DOI: 10.5853/jos.2023.02719.
[4]
OTTAVI T P, PEPPER E, BATEMAN G, et al. Consensus statement for the management of incidentally found brain white matter hyperintensities in general medical practice[J]. Med J Aust, 2023, 219(6): 278-284. DOI: 10.5694/mja2.52079.
[5]
RAHMANI M, DIERKER D, YAEGER L, et al. Evolution of white matter hyperintensity segmentation methods and implementation over the past two decades; an incomplete shift towards deep learning[J]. Brain Imaging Behav, 2024, 18(5): 1310-1322. DOI: 10.1007/s11682-024-00902-w.
[6]
PRINS N D, VAN STRAATEN E C, VAN DIJK E J, et al. Measuring progression of cerebral white matter lesions on MRI: visual rating and volumetrics[J]. Neurology, 2004, 62(9): 1533-1539. DOI: 10.1212/01.wnl.0000123264.40498.b6.
[7]
POSIS A I B, MAILLARD P, GEORGE K M, et al. Free water and white matter hyperintensities volumes among diverse individuals aged 54 to 103[J/OL]. Alzheimer's & Dementia, 2025, 20 [2026-05-13]. https://doi.org/10.1002/alz.095325. DOI: 10.1002/alz.095325.
[8]
MOK V, SRIKANTH V, XIONG Y, et al. Race-ethnicity and cerebral small vessel disease--comparison between Chinese and White populations[J]. Int J Stroke, 2014, 9Suppl A100: 36-42. DOI: 10.1111/ijs.12270.
[9]
HUSEIN N K, LIN K, CHAN D K E, et al. Global ethnic disparities in cerebral small vessel disease imaging markers and vascular risk factors: a systematic review and meta-analysis[J/OL]. Alzheimers Dement, 2026, 22(2): e70976 [2026-05-13]. https://doi.org/10.1002/alz.70976. DOI: 10.1002/alz.70976.
[10]
DE KORT F A S, COENEN M, WEAVER N A, et al. White Matter Hyperintensity Volume and Poststroke Cognition: An Individual Patient Data Pooled Analysis of 9 Ischemic Stroke Cohort Studies[J]. Stroke, 2023, 54(12): 3021-3029. DOI: 10.1161/strokeaha.123.044297.
[11]
FAZEKAS F, CHAWLUK J B, ALAVI A, et al. MR signal abnormalities at 1.5 T in Alzheimer's dementia and normal aging[J]. AJR Am J Roentgenol, 1987, 149(2): 351-356. DOI: 10.2214/ajr.149.2.351.
[12]
KALFAOGLU M E, COSGUN Z, YASAR A BUZ, et al. Cerebrospinal Fluid Volume and Other Intracranial Volumes Are Associated with Fazekas Score in Adults: A Single Center Experience[J/OL]. Medicina (Kaunas), 2025, 61(8): 1411 [2026-05-13]. https://doi.org/10.3390/medicina61081411. DOI: 10.3390/medicina61081411.
[13]
VAN STRAATEN E C, FAZEKAS F, ROSTRUP E, et al. Impact of white matter hyperintensities scoring method on correlations with clinical data: the LADIS study[J]. Stroke, 2006, 37(3): 836-840. DOI: 10.1161/01.Str.0000202585.26325.74.
[14]
MITCHELL J E, MCDONALD S J, SHARP D J, et al. The normative modelling framework for traumatic brain injury[J]. Brain, 2025, 148(11): 3817-3832. DOI: 10.1093/brain/awaf296.
[15]
GANOKROJ P, AEKPLAKORN W, CHITTAMMA A, et al. Age- and sex-specific reference values for plasma lipids and lipoproteins in thai adults: a national health examination survey analysis[J/OL]. J Health Popul Nutr, 2025, 45(1): 19 [2026-05-13]. https://doi.org/10.1186/s41043-025-01176-8. DOI: 10.1186/s41043-025-01176-8.
[16]
ZHENG K, WANG Z, CHEN X, et al. Analysis of Risk Factors for White Matter Hyperintensity in Older Adults without Stroke[J/OL]. Brain Sci, 2023, 13(5): 835 [2026-05-13]. https://doi.org/10.3390/brainsci13050835. DOI: 10.3390/brainsci13050835.
[17]
WATSON C, BUSOVACA E, FOLEY J M, et al. White matter hyperintensities correlate to cognition and fiber tract integrity in older adults with HIV[J]. J Neurovirol, 2017, 23(3): 422-429. DOI: 10.1007/s13365-016-0509-5.
[18]
DE KORT F A S, VINKE E J, VAN DER LELIJ E J, et al. Cerebral white matter hyperintensity volumes: Normative age- and sex-specific values from 15 population-based cohorts comprising 14,876 individuals[J]. Neurobiol Aging, 2025, 146: 38-47. DOI: 10.1016/j.neurobiolaging.2024.11.006.
[19]
KILINC D, VERNOOIJ M W, BRON E E, et al. Normative Population-Derived Data for MRI Manifestations of Cerebral Small Vessel Disease[J]. Stroke, 2024, 55(12): 2863-2871. DOI: 10.1161/strokeaha.124.046731.
[20]
WELLEK S. An investigation into the statistical precision attainable with a distribution-free method of constructing age-dependent reference centiles[J/OL]. PLoS One, 2025, 20(8): e0330330 [2026-05-13]. https://doi.org/10.1371/journal.pone.0330330. DOI: 10.1371/journal.pone.0330330.
[21]
CAI X, LUO X, GUO L, et al. Probabilistic maps of white matter hyperintensity in a Chinese aging cohort and application for clinical diagnosis[J]. Eur Radiol, 2026, 36(4): 2424-2434. DOI: 10.1007/s00330-025-12064-4.
[22]
KIM J S, LEE S, KIM G E, et al. Construction and validation of a cerebral white matter hyperintensity probability map of older Koreans[J/OL]. Neuroimage Clin, 2021, 30: 102607 [2026-05-13]. https://doi.org/10.1016/j.nicl.2021.102607. DOI: 10.1016/j.nicl.2021.102607.
[23]
POLITI M T, FERREIRA J C, PATINO C M. Beyond the average: why data spread matters in clinical studies[J/OL]. J Bras Pneumol, 2025, 51(2): e20250142 [2026-05-13]. https://doi.org/10.36416/1806-3756/e20250142. DOI: 10.36416/1806-3756/e20250142.
[24]
ALSHIKHO M J, LAO P J, EDWARDS N C, et al. Voxelwise correlation of neighbors as a hypothesis driven framework for characterizing white matter lesion heterogeneity[J/OL]. Sci Rep, 2026, 16(1): 3427 [2026-05-13]. https://doi.org/10.1038/s41598-025-33418-4. DOI: 10.1038/s41598-025-33418-4.
[25]
HADAD R, COBIGO Y, MILICIC A, et al. White Matter Hyperintensities in Behavioral Variant Frontotemporal Dementia and Semantic Variant Primary Progressive Aphasia[J/OL]. Neurol Open Access, 2026, 2(1) [2026-05-13]. https://doi.org/10.1212/wn9.0000000000000064. DOI: 10.1212/wn9.0000000000000064.
[26]
SMITH E E, SAPOSNIK G, BIESSELS G J, et al. Prevention of Stroke in Patients With Silent Cerebrovascular Disease: A Scientific Statement for Healthcare Professionals From the American Heart Association/American Stroke Association[J/OL]. Stroke, 2017, 48(2): e44-e71 [2026-05-13]. https://doi.org/10.1161/str.0000000000000116. DOI: 10.1161/str.0000000000000116.
[27]
HUANG C C, YANG A C, CHOU K H, et al. Nonlinear pattern of the emergence of white matter hyperintensity in healthy Han Chinese: an adult lifespan study[J]. Neurobiol Aging, 2018, 67: 99-107. DOI: 10.1016/j.neurobiolaging.2018.03.012.
[28]
HABES M, ERUS G, TOLEDO J B, et al. White matter hyperintensities and imaging patterns of brain ageing in the general population[J]. Brain, 2016, 139(Pt 4): 1164-1179. DOI: 10.1093/brain/aww008.
[29]
WATT J K, DICKIE D A, LYALL D M, et al. Normative values of the brain health index in UK biobank[J/OL]. Neuroimage Rep, 2023, 3(3): 100176 [2026-05-13]. https://doi.org/10.1016/j.ynirp.2023.100176. DOI: 10.1016/j.ynirp.2023.100176.
[30]
曹家骏, 刘娜, 钟美梦, 等. 人工智能-压缩感知技术在颅脑3D T2-FLAIR序列采集及脑白质高信号评价中的应用[J]. 磁共振成像, 2024, 15(2): 135-139, 146. DOI: 10.12015/issn.1674-8034.2024.02.020.
CAO J J, LIU N, ZHONG M M, et al. Application of artificial intelligence-assisted compressed sensing technologyin brain 3D T2-FLAIR sequence acquisition and evaluation of white matter hyperintensity[J]. Chin J Magn Reson Imaging, 2024, 15(2): 135-139, 146. DOI: 10.12015/issn.1674-8034.2024.02.020.
[31]
HE H, JIANG J, PENG S, et al. A robust automated segmentation method for white matter hyperintensity of vascular-origin[J/OL]. Neuroimage, 2025, 315: 121279 [2026-05-13]. https://doi.org/10.1016/j.neuroimage.2025.121279. DOI: 10.1016/j.neuroimage.2025.121279.
[32]
赵如盛, 徐露露, 李青, 等. 基于深度学习的T2 Flair序列提升白质高信号图像质量的价值[J]. 磁共振成像, 2024, 15(11): 117-122. DOI: 10.12015/issn.1674-8034.2024.11.018.
ZHAO R S, XU L L, LI Q, et al. Value of T2 Flair sequence based on deep learning in improving image quality of white matter hyperintensities[J]. Chin J Magn Reson Imaging, 2024, 15(11): 117-122. DOI: 10.12015/issn.1674-8034.2024.11.018.
[33]
ZHAO H, ZHANG M, TANG W, et al. Deep learning-based automated segmentation for the quantitative diagnosis of cerebral small vessel disease via multisequence MRI[J/OL]. Front Neurol, 2025, 16: 1540923 [2026-05-13]. https://doi.org/10.3389/fneur.2025.1540923. DOI: 10.3389/fneur.2025.1540923.
[34]
LEE J, CHOI K S, CHOI S H, et al. Deep learning-based prediction of cerebral white matter hyperintensity burden using carotid magnetic resonance angiography[J/OL]. Front Neurol, 2025, 16: 1656705 [2026-05-13]. https://doi.org/10.3389/fneur.2025.1656705. DOI: 10.3389/fneur.2025.1656705.
[35]
杨晶, 李琼阁, 吴涛, 等. 深度学习重建法提高磁共振高分辨海马冠状位图像质量的比较研究[J]. 磁共振成像, 2023, 14(5): 21-24, 30. DOI: 10.12015/issn.1674-8034.2023.05.005.
YANG J, LI Q G, WU T, et al. A comparative study on the enhancement of high resolution coronal image quality by deep learning reconstruction[J]. Chin J Magn Reson Imaging, 2023, 14(5): 21-24, 30. DOI: 10.12015/issn.1674-8034.2023.05.005.
[36]
MAO J, SUN L, CHEN J, et al. Overview of Research on Digital Image Denoising Methods[J/OL]. Sensors (Basel), 2025, 25(8): 2615 [2026-05-13]. https://doi.org/10.3390/s25082615. DOI: 10.3390/s25082615.
[37]
CHENG Y, DAI Y, ZHENG R, et al. Federated Spatial Prior-Based Source-Free Domain Adaptation for White Matter Hyperintensities Segmentation[J]. IEEE J Biomed Health Inform, 2026, 30(4): 3146-3159. DOI: 10.1109/jbhi.2025.3612029.
[38]
BORDIN V, COLUZZI D, RIVOLTA M W, et al. Explainable AI Points to White Matter Hyperintensities for Alzheimer's Disease Identification: a Preliminary Study [C]//2022 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, 2022: 484-487. DOI: 10.1109/embc48229.2022.9871306.
[39]
KIM M E, GAO C, RAMADASS K, et al. White matter micro- and macrostructure brain charts for the human lifespan[J]. Nature, 2026, 655(8124): 979-989. DOI: 10.1038/s41586-026-10454-2.
[40]
曹瑾怡, 仲伟逸, 应云清, 等. 血管源性脑白质高信号消退的神经影像学研究进展[J]. 中华神经科杂志, 2024, 57(8): 907-914. DOI: 10.3760/cma.j.cn113694-20240411-00230.
CAO J Y, ZHONG W Y, YING Y Q, et al. Neuroimaging advances in the regression of white matter hyperintensity of presumed vascular origin[J]. Chin J Neurol, 2024, 57(8): 907-914. DOI: 10.3760/cma.j.cn113694-20240411-00230.

上一篇 多参数磁共振成像评估急性缺血性卒中缺血半暗带的研究进展
下一篇 冠状动脉磁共振血管成像研究进展
  
诚聘英才 | 广告合作 | 免责声明 | 版权声明
联系电话:010-67113815
京ICP备19028836号-2