基于局部脑血流量和工作记忆表现预测2年内血压变化

贝叶斯推荐你关注思影科技

来自美国匹兹堡大学精神病与心理学部的J.Richard Jennings等人在Hypertension杂志上发文指出,基于ASL成像的局部脑血流量指标,结合工作记忆量表分析,可以预测被试在2年内的血压变化。

随年龄增长,高血压和认知衰退往往共同出现,高血压可能会严重影响大脑并可能会导致中风。对动物实验的研究表明多种神经因子参与了高血压的形成,而对人类的研究发现在平均年龄50岁时,血压(BP)与脑容量,脑血流量(CBF)和白质完整性强相关,因此利用这类相关可以将一些大脑参数作为BP动态变化的信号。来自匹兹堡大学和华盛顿大学的研究团队的研究更加证实了这种可能性:他们一年来对患者进行的高血压药理治疗也没有改变与高血压有关的脑部指标的前瞻性变化。事实上,基线时脑结构和局部脑血流量(rCBF)的测量与BP降低的成功率呈正相关。

如果假设促进原发性高血压的神经因子随时间在人体逐渐显现出随血压升高而改变的脑血管激活和认知功能障碍,那么可以通过神经心理学表现和rCBF在高血压前期进行预测。与之对立的假设是对大脑的影响是高血压的后遗症,因此可以用两年前的BP来预测患者神经心理功能和rCBF反应的变化。

本文研究分两部分:第一,由于BP的动态变化与自主神经控制相关的脑区相关,以此构建ROI,提前将被试按照BP值进行分组,然后进行任务,并假设这些区域≥1的rCBF可以预测BP的动态变化。第二,虽然大部分研究显示高血压患者患有轻度认知障碍,但受影响的具体认知过程因研究而异,因此本文通过一系列神经心理测试来研究高血压患者和血压正常的被试的差异,并假设认知过程缺陷≥1可以预测高血压前期患者的BP动态变化。

方法

1. 神经心理学测试

(1)记忆测试:考察被试对小故事和口述不相关物品的即时和延迟的记忆;

(2)工作记忆测试:对复杂图形,乱序的字母标记点,检测保留的字母-数字序列的即时和延迟记忆,以及在多次延迟短序列的即时记忆;

(3)注意力测试:对2次警戒任务中错过的目标的关注度;

(4)执行力:彩色字干扰和所有口头流畅项目的总和;

(5)精神效率:2次试验总和的数字警戒时间,数字符号替代测试,连接数字点的时间,和挂钩时间优先和非优先手。最终使用所提及的测试的单位加权组合。

2. 磁共振成像

预处理后,基于BP或BP对认知任务的反应与脑结构或功能相关的文献,从MRI影像提取了16个双侧ROI(第一特征向量),其中大部分脑区被认为是中央自主神经网络的组成部分:杏仁核; Brodmann区域6(前额叶皮层);背外侧前额叶皮层;中扣带皮层;腹外侧前额叶皮层;腹内侧前额叶皮层;前岛小脑前背扣带;背纹;后扣带;后顶叶次要前扣带;丘脑;腹侧纹状体。

3. 构建回归模型

由于ROI之间的相关性,首先对ROI数据进行主成分分析,然后应用双变量相关和多变量回归来确定初次访视期间与BP随访相关的因素。为了保持统计学敏感性,分析使用SBP的定量变化作为结果,然后应用相同的方法来评估初始BP是否预测随后的大脑功能(rCBF反应和神经心理表现)。其中与SBP变化和评估潜在关系的探索性多变量回归模型的双变量相关性报告在表S1至S7中。因为没有统计学意义,以下变量不包括在模型中:根据CES-D(流行病学研究 - 抑郁中心)评估的基线或随访中的处方药物使用抑郁症,感觉压力量表,任务执行期间的 SBP反应性,每个个体的基线和随访之间的时间,报告的出生体重,高血压家族史,酒精使用频率,吸烟史,身体活动,白质高完整度,脑室或血浆大小和盐摄入量。

基于这些结果,回归模型首先将随访SBP作为初始SBP的函数,协变量包括:年龄,性别,种族和教育水平,以及神经心理因素或rCBF复合物(表2)。在下一步中,添加了具有BMI和呼吸暂停风险的模型(表3)。在最后一步中,随访SBP被评估为初始神经心理学和初始rCBF复合物的函数,以检查这些预测因子的潜在协方差。可比较的多变量模型测试了替代假设,即初始SBP预测后续控制结束时的神经心理学和rCBF反应。然后将每个神经心理学测试结果和rCBF单独计算模型。

结果

1. 血流量

2Back和多源干扰测试任务的血流激活模型与文献中先前观察到的模型一致。这在全脑分析和选择用于与BP相关的分析的投资回报率分析中都是明显的。图1显示了跟踪期间的体素激活结果,并概述了分析中使用的ROI,大概分布在前额叶,纹状体和脑岛。

图1. A. 从文献中总结出的16个ROI的组合mask,这些ROI的功能或结构都与血压或心理任务中的血压反应相关。 B. 2Back任务中脑血流量(CBF)变化显著的区域。 C. 多源干扰测试中CBF变化显著的区域。

2. 神经心理学表现

被试在两年随访期间的神经心理测试的表现比较一致。相关性非常鲁棒:记忆,r = 0.89; 执行功能,r = 0.76; 工作记忆,r = 0.87; 精神效能,r = 0.84; 注意力r = 0.73。

表2至4显示了顺序回归模型的结果。在表2和表3中,神经心理学和rCBF预测因子分别显示了不同的模型。表3显示了模型中增加呼吸暂停风险和BMI。表4的模型则为神经心理学和rCBF共同预测。如表2所示,初步测试时的工作记忆神经心理学评分与随访SBP显著相关;SBP变化越小,初步测试中的工作记忆就越好。其他神经心理因素和表2中的其他协变量除基线SBP外均对SBP的变化无显著贡献。在表3中,工作记忆保持与后续SBP相似的关系。呼吸暂停风险对模型无贡献,但BMI与随后的SBP呈正相关。图2表现了关于初始SBP校正的随访SBP作为初始工作记忆分数的函数的散点图。

图2.根据工作记忆神经心理因素评分的初始/预调节对收缩期血压(SBP)的调整。

3. 区域脑血流

表2显示 rCBF在随访期间没有显著变化,初始值与后续随访值之间的相关性分别为:前额叶r = 0.47,纹状体r = 0.32,皮下脑岛r = 0.30(P≤0.001)。图3所示,纹状体的初始值与随访SBP显着相关,具体表现为纹状体对2Back和多源干扰测试任务的反应越强,SBP变化越多。在执行任务期间纹状体的rCBF降低(rCBF变化,每100mL / min为-22.5mL; t = 5.5; P<0.001),而前额叶增加(rCBF,每100mL / min为15.7mL; t = 4.8; P<0.001),皮下脑岛无明显变化。 rCBF的变化在下列区域之间是相关的:前额叶和纹状体(r = 0.61);前额叶和脑岛(r = 0.55);纹状体和脑岛(r = 0.65)。表3显示纹状体的rCBF与随后的SBP保持相似的水

图3. 工作记忆任务中纹状体区域的rCBF变化对SBP的预测函数散点图

表2. 使用初始测试的神经心理学评分和脑区rCBF值来预测后续SBP的多元回归结果:神经心理学得分,脑区rCBF值独立预测

表3. 使用初始测试的神经心理学评分和脑区rCBF值来预测后续SBP的多元回归结果:神经心理学得分和其他协变量(BMI,Apnea risk),脑区rCBF值和其他协变量(BMI,Apnea risk)独立预测

4. 神经心理学和脑血流共同预测

如表4所示,工作记忆和纹状体值同时作为独立预测因子时,两者均与随访SBP相关,BMI作为协变量与SBP呈现持续的边际关系。

表4. 使用初始测试的神经心理学评分和脑区rCBF值来预测后续SBP的多元回归结果:神经心理学得分,脑区rCBF值和其他协变量(BMI,Apnea risk)共同预测

5. 初始BP值预测脑功能

本文使用了相同的分析方法来检验第二种假设,即初始BP是否可以预测后续大脑和神经心理功能的变化。在这些分析中,表2包括人口统计学变量,prefollow-up神经心理学功能或rCBF反应,以及prefollowup SBP。表3增加了BMI和呼吸暂停风险。

从结果来看,初始SBP无法显著预测随访期间的神经心理因素或rCBF反应。表3显示其与最终SBP的回归系数几乎没有变化,因此表5仅显示了表2的结果,初始SBP与后续工作记忆稍微相关。将初始SBP和随访工作记忆之间的关系与初始工作记忆和随访SBP之间的关系进行比较,并使用Z统计量校正这些相关间的独立性后发现,工作记忆与随访SBP之间的相关显著比初始SBP和随访工作记忆之间的相关更强(Z * = 2.77; P <0.01)。

表5. 初始收缩压预测神经心理学和区域性脑血流量的回归权重

讨论

研究结果表明脑血管心理测试的反应性和神经心理功能水平都与两年期间血压的增加相关,因此可以将这些这些因素用来预测中年血压的变化过程。前人研究观察到7岁至38岁期间血压的变化相对稳定,而随时间推移,在男性和BMI较高的人群中发现血压升高的比例更大,本文的结果也与之相符。通过本文的研究,已经确定了大脑rCBF激活和记忆功能可以预测中年血压的变化,具有临床意义,可以应用到具体的治疗当中,例如基于血管紧张素对中枢神经系统的影响,已经提出将血管紧张素作为受体阻断剂使用,但仍然需要进一步研究早期大脑的功能和结构对血压的影响。

参考文献:Jennings J R, Heim A F, Sheu L K, et al. BrainRegional Blood Flow and Working Memory Performance Predict Change in Blood PressureOver 2 Years[J]. Hypertension, 2017: HYPERTENSIONAHA. 117.09978.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-11-10

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器之心

前沿 | 新框架SyConn利用卷积神经网络和随机森林阅读神经成像:可识别线粒体和突触等

机器之心原创 作者:Yujia 参与:Joni、Rick R、吴攀 人脑是一个智能而复杂的机器。这种类比在某些方面是准确的,并且在大脑研究领域中提供了一种方法。...

39060
来自专栏企鹅号快讯

2017年度盘点:Github上十大有趣的机器学习项目

目录: 1 AlphaZero-Gomoku 2 OpenPose 3 Face Recognition 4 Magenta 5 YOLOv2 6 MUSE 7...

61880
来自专栏新智元

【重磅】谷歌推出 Wide Deep Learning,开源 TensorFlow API

【新智元导读】今天(美国加州当地时间29日),资深软件工程师 Heng-Tze Cheng 在 Google Research 发表博文,宣布谷歌研究所最新推出...

54750
来自专栏量子位

谷歌与Verily发布新研究,可通过视网膜图像用AI检测心脏病

安妮 编译整理 量子位 出品 | 公众号 QbitAI 心脏病是一种常见的高发疾病。传统的治疗方法通常依赖于心电图、超声、X射线等大型仪器,可能不久后,会有一种...

30960
来自专栏PPV课数据科学社区

【数据分析】R语言中用自助法求统计量置信区间

当样本不符合理论分布假设时,求样本统计量的置信区间就成为一个难题。而自助法(Bootstrap)的思路是对原始样本重复抽样产生多个新样本,针对每个样本求取统计量...

51550
来自专栏一名叫大蕉的程序员

机器学习虾扯淡之特征工程(一)No.38

0x00瞎扯淡 当当当,我又来啦。 哇咔咔,很多人都说我好久好久没写机器学习的东西啦。是不是忘啦? 没有没有,记着呢。 只是最近在看很多其他的东西,比如敲敲sc...

24080
来自专栏数说工作室

训练集是题库,测试集就是高考!| 不能更简单通俗的机器学习名词解释

1. train? valid? or test? 机器学习最明显的一个特点是需要大量的数据。特别对监督学习来说,就是需要大量的带标签数据(labeled da...

47280
来自专栏量化投资与机器学习

【HMM研究实例】运用HMM模型的择时策略

下面拿A股市场来做检验。 模型的设定如下: 隐藏状态数目:6 输入变量:当日对数收益率,五日对数收益率,当日对数高低价差(其他备选因素成交量、成交额等大家可以自...

41270
来自专栏思影科技

思影数据处理业务一:功能磁共振(fMRI)数据处理

79440
来自专栏AI科技评论

干货 | 不能更通俗易懂的机器学习名词解释

train? valid? or test? 机器学习最明显的一个特点是需要大量的数据。特别对监督学习来说,就是需要大量的带标签数据(labeled dat...

39870

扫码关注云+社区

领取腾讯云代金券