基于大尺度脑网络分析对意识障碍患者预后预测的研究

This research uses large scale of brain functional connectivity network analysis method based on fMRI, the patients of disoeder of consciousness (DOC) are divided into vegetative state / unresponsive wakefulness syndrome (VS/UWS) group and the minimally conscious state (MCS) group (and the control group), to observe the characteristics of the advanced networks (default mode network, salience network, executive-control network) and the low-level networks (auditory network, visual network, sensory network, motor network and so on). we analyse the activities within-network and the interaction between-network, compare the difference between groups, analysis the correlation with CSR-R and FOUR. We research the local characteristics (ReHo and ALFF) and the global characteristics of the brain function network. We start both transverse and longitudinal studies to establish the DOC imaging signs of early differential diagnosis, prognosis forecast and curative effect evaluation. Our aim is to provide important imaging evidence for the prediction of the brain's neural plasticity and prognosis, and understand the mechanism of different conscious states in DOC patients.

本课题以fMRI为载体，基于大尺度脑功能连接网络分析方法，将意识障碍(DOC)患者分为植物状态/无反应觉醒综合征(VS/UWS)组和微意识状态(MCS)组(另设对照组)，观察默认网络、执行网络、突显网络等高级网络以及听觉、视觉、感觉运动等低级网络的特征，以网络内部连接强度和网络之间的交互作用为分析指标，比较不同诊断组间的差异，分析其与昏迷恢复量表-修订版量表(CSR-R)和无反应状态整体分级量表(FOUR)量表行为评分的相关性，研究脑功能的局部特性(ReHo和ALFF)和整体特性(脑网络)，开展横、纵向研究，建立DOC的早期鉴别诊断、预后判断及疗效评价的影像学标志，为DOC患者的大脑神经可塑性及预后预测、不同意识状态的脑机制变化提供重要的影像学证据。

意识障碍患者的预后预测对临床治疗及患者家属都有重要意义。目前的预后预测模型的准确度不高，敏感性和特异性均较低。意识障碍患者往往颅脑损伤变形严重，本研究采用非线性配准方法，对患者功能磁共振脑网络数据进行个体化的配准，提取每个患者脑功能网络的特征信息，找到准确评估不同个体的致病主要区域，找到个体化造成意识障碍的关键区域。研究大脑的固有网络内部感兴趣区的自发活动性质，将不同大脑网络感兴趣区的自发功能活动进行激活强度的排序(与正常人激活情况的比较)，可以得到DMN中的aMPFC,PCC,R.LAatP等区域；ECN的L.SPC，DMPFC，R.SPC等区域在意识的发生过程中起到更为重要的作用。.基于病因、年龄和病程作为重要预测指标的基础上，融合使用基于脑功能磁共振影像的患者脑功能网络特征，建立了一个多模态意识障碍患者预后预测模型，采用机器学习的方法，最终得到患者个体化的量化预后预测评分，在训练集上，模型预测意识恢复的准确率为92%，其中敏感度为85%，特异度为94%；通过使用bagging验证技术，模型的准确率可达89%，敏感度69%，特异度94%。在测试集上，模型预测意识恢复的准确率为88%，其中敏感度83%，特异度92%。比较影响预后的不同因素的权重，评估影响预后的不同因素的作用，发现DMPLC区的激活，aMPLC-DMPLC之间的连接强度和发病年龄，是患者预后的关键因素，从而量化了不同脑网络特征和临床指标在预测方面的价值。