基于一般线性模型的机器学习方法在BOLD-fMRI脑胶质瘤患者个体化运动功能区定位中的应用价值

目的 探讨基于一般线性模型（GLM）的机器学习方法在血氧水平依赖功能磁共振成像（BOLD-fMRI）定位脑胶质瘤患者个体化运动功能中的应用价值。方法 前瞻性研究。纳入2017年11月—2021年11月西安交通大学第一附属医院神经外科确诊为脑胶质瘤且病灶位于大脑运动功能区的38例患者作为机器学习模型的验证集（男25例、女13例,年龄24~69岁）,同期招募健康志愿者50例作为模型的训练集（男26例、女24例,年龄22~68岁）。采用独立成分分析法（ICA）,随机提取98例人类连接组计划（HCP）受试者的静息态功能核磁共振（rs-fMRI）特征。依据健康志愿者的rs-fMRI和基于任务的功能磁共振（tb-fMRI）的相关性,训练基于GLM的机器学习模型。观察项目：（1）采用Pearson相关系数（CC）分析比较GLM预测的激活与实际激活的相似度。（2）采用Dice系数（DC）作为模型预测效能的定量指标,比较GLM与ICA方法的预测效能。结果 （1）胶质瘤患者基于GLM的机器学习方法所预测的激活与实际tb-fMRI的功能激活相似度高[（89.47% （34/38）的患者CC值>0.30）]。（2）胶质瘤患者GLM预测任务态运动功能激活的效能,DC为0.34（0.27,0.42）,优于ICA方法的效能DC 0.26（0.16,0.30）,差异有统计学意义（Z=-3.88,P<0.001）;GLM在肿瘤半球的预测效能优于ICA方法,DC分别为0.36（0.17,0.48）和0.34（0.04,0.45）,差异有统计学意义（Z=-2.43,P=0.015）;2种方法在非肿瘤半球的预测效果均显著高于肿瘤半球（Z=-4.33、-3.59,P值均<0.001）。结论 基于GLM的机器学习方法能够很好地在术前利用rs-fMRI数据预测出胶质瘤患者的tb-fMRI运动功能激活,且其预测效果好于ICA方法。     

脑膜瘤与低级别胶质瘤基于小波变换运动功能网络动态连接的差异

目的 观察脑膜瘤与低级别胶质瘤基于小波变换的运动功能网络动态连接的差异。方法 选取脑膜瘤（脑膜瘤组）及低级别胶质瘤（胶质瘤组）患者各14例及正常对照者（对照组）14名，采用小波变换一致性（WTC）方法分析3组运动功能网络动态连接情况。结果 基于双手运动任务刺激及广义线性模型分析确定3组运动功能网络节点分别为左右侧主要运动皮层激活区（LPMC、RPMC）及辅助运动皮层激活区（SMA）。在运动网络LPMC、RPMC、SMA感兴趣区（ROI）内，脑膜瘤组、胶质瘤组LPMC-SMA、RPMC-SMA、LPMC-RPMC的WTC均低于对照组（P均<0.05），胶质瘤组均低于脑膜瘤组（P均<0.05）。结论 利用WTC方法能够敏感观察脑膜瘤与低级别胶质瘤运动功能网络连接的低频振荡改变。