本篇文献分享发表于Brain Communications杂志。所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤付出与研究成果。
1. 引言
额颞叶痴呆（FTD）是一组异质性神经退行性疾病，其特征为进行性认知功能下降及显著的行为、执行功能和/或语言障碍。 FTD 涵盖一系列综合征谱系，包括 FTD 行为变异型（bvFTD）、原发性进展性失语症非流利/语法变异型（nfvPPA）以及原发性进展性失语症语义变异型（svPPA）。近期研究发现并描述了一种以右侧前颞叶为主变性区域的综合征，被命名为语义-行为变异型 FTD（sbvFTD）。
弥散张量成像是一种成熟的磁共振成像技术，能够通过测量脑组织内水分子的弥散特性来表征白质微结构。在额颞叶痴呆中，弥散张量成像研究已经证明了白质纤维束损伤，行为变异型额颞叶痴呆中表现为广泛变化，语义变异型原发性进行性失语中表现为左侧颞叶更局灶的损伤，非流利变异型原发性进行性失语患者中表现为左侧颞叶和额叶区域的损伤。迄今为止，尚无横断面研究直接刻画语义-行为变异型额颞叶痴呆中基于弥散张量成像的微结构改变。只有最近的一项研究应用了基于健康对照者结构连接组的网络扩散模型来预测不同额颞叶痴呆亚型（包括语义-行为变异型额颞叶痴呆）中萎缩的传播。
尽管弥散张量成像提供了关于神经退行性疾病微结构改变的有价值信息，但其单室模型存在一些局限性，例如部分容积效应引入的偏倚、交叉纤维以及弥散张量成像指标缺乏生物学特异性。为了克服这些问题，引入了一种称为神经突方向离散度与密度成像的多壳弥散磁共振成像技术。神经突方向离散度与密度成像是一种生物物理模型，假设每个体素的微结构特征可以用具有不同水弥散特性的三个隔室的组合来描述：神经突内、神经突外和脑脊液。通过对每个体素中这些隔室的贡献进行建模，神经突方向离散度与密度成像可以估计不同的指标，例如细胞内体积分数(ICVF)和方向离散度(ODI)]。这些指标具有生物学可解释性，已显示与组织学衍生的指标相关。神经突方向离散度与密度成像模型相对于标准弥散张量成像的另一个巨大优势是其通过捕捉灰质区域内异质的微结构特性，能够更好地描述灰质复杂性。迄今为止，神经突方向离散度与密度成像已用于评估不同神经退行性疾病中的体内白质和灰质损伤，提供了关于皮层微结构不同方面的信息。只有一项初步研究探讨了神经突方向离散度与密度成像在评估额颞叶痴呆综合征中白质损伤的优势，显示散发性形式中广泛的白质受累。
此研究的目的是评估整个额颞叶痴呆谱系中白质和灰质神经突方向离散度与密度成像衍生指标改变的模式。此研究旨在识别与每种额颞叶痴呆临床亚型相关的独特微结构改变模式，探索神经突方向离散度与密度成像作为检测和鉴别诊断额颞叶痴呆的无创生物标志物的效用，并将其性能与弥散张量成像进行比较。此外，此研究还探讨了将神经突方向离散度与密度成像衍生指标与临床神经心理学数据相结合的机器学习算法的实施，以开发一个能够区分额颞叶痴呆综合征的稳健诊断工具。
2. 材料与方法
2.1. 参与者
这是一项前瞻性研究，已获得当地人体实验伦理标准委员会的批准，所有患者在纳入研究前均提供了书面知情同意书。从2017年至今，165名疑似额颞叶痴呆谱系临床综合征的患者被转诊至圣拉斐尔医院神经科，以进行综合评估，包括全面的神经和神经心理学评估，以及包含弥散序列的3.0 T脑磁共振成像。这种多学科评估使得能够识别出130名患有行为变异型额颞叶痴呆、语义变异型原发性进行性失语、非流利变异型原发性进行性失语和语义-行为变异型额颞叶痴呆的患者，这些患者随后被评估是否纳入本横断面研究。纳入标准为：根据国际诊断标准诊断为行为变异型额颞叶痴呆、语义变异型原发性进行性失语、非流利变异型原发性进行性失语和语义-行为变异型额颞叶痴呆。排除标准为：重叠的肌萎缩侧索硬化；可能干扰认知功能的重要医疗疾病或物质滥用；任何其他重大系统性、精神或神经系统疾病；磁共振成像上的腔隙性和广泛性脑血管疾病；磁共振成像上的显著伪影或缺失T1加权、T2加权或弥散磁共振成像序列。27名患者因上述标准被排除。此外，为了减轻样本异质性的来源，在筛查已知致病突变后，排除了25名具有已知致病突变的患者，原因是不同的空间和时间萎缩及变性模式。最终研究队列包括78名散发性额颞叶痴呆参与者：35例行为变异型额颞叶痴呆、20例语义变异型原发性进行性失语、14例非流利变异型原发性进行性失语和9例语义-行为变异型额颞叶痴呆。39名患者的子样本也接受了腰椎穿刺进行脑脊液生物标志物检测；没有患者显示出基于pTau/Aβ42比率的阿尔茨海默病样生物标志物谱。
招募了48名健康对照者，在年龄和性别上与患者相当，来自患者的配偶和口口相传。对照组的纳入标准为：神经系统评估正常，简明精神状态检查评分≥26，无神经退行性疾病家族史。健康对照者的排除标准为：任何重大系统性、精神和神经系统疾病，以及磁共振成像扫描上可见的局灶性或弥漫性脑损伤，包括缺血性腔隙和广泛的脑血管病变。
所有患者和对照组先前已纳入两项研究。这些先前的文章涉及额颞叶痴呆中的功能连接模式，而在本研究中，此研究报告了用神经突方向离散度与密度成像评估的结构连接。
2.2. 临床与认知评估
临床评估由经验丰富的神经科医生进行，记录就诊时的疾病持续时间。使用临床痴呆评定量表和临床痴呆评定量表(CDR) -总分箱评估整体疾病严重程度(CDR-SB)。参与者还接受了全面的神经心理学评估。
2.3. 基因检测
使用优化的方案从血液样本中评估了C9orf72病理性扩增的存在以及GRN、MAPT、FUS、TARDBP、TBK1、TREM2、OPTN和VCP基因中已知致病性变异的存在。
2.4. 磁共振成像采集
所有参与者在3.0 Tesla Philips Ingenia CX扫描仪上接受了脑磁共振成像扫描，采用标准化的受试者定位和重新定位程序。该方案包括T2加权、3D液体衰减反转恢复、3D高分辨率T1加权序列和轴位脉冲梯度自旋回波单次激发弥散加权平面回波成像序列。
2.5. 磁共振成像分析
代表磁共振成像分析流程的示意图如图1所示。
2.5.1. 基于体素的形态测量
使用基于体素的形态测量来评估不同临床组中局部灰质萎缩的模式。该分析使用统计参数映射软件进行，使用DARTEL方法配准。
2.5.2. 弥散加权磁共振成像分析
弥散加权成像的预处理包括对离共振和涡流诱导畸变的校正，以及使用 FSL 库中的Eddy工具进行运动校正、异常值检测与替换。使用多壳方法线性回归估计弥散张量。随后，计算FA图像。对于NODDI 模型，使用在MATLAB R2023环境中执行的NODDI工具箱v0.9计算ICVF 和ODI，采用默认设置。由于技术和生物学考虑，IsoVF未包含在此研究中。IsoVF估计值特别容易受到脑脊液部分容积效应的影响，这在晚期额颞叶痴呆中难以严格处理。
2.5.3. 基于纤维束的空间统计分析
使用FSL中实现的基于纤维束的空间统计工具进行体素水平弥散张量磁共振成像分析，以获得FA（平均扩散系数）、MD（平均扩散率）、 ICVF 及ODI扩散骨架化白质（WM）图像。创建了四个不同的4D白质图像，包含FA、MD、 ICVF 及OD。为了进行机器学习分析，将4D图配准到USCLobes脑图谱。针对每位受试者，从USCLobes脑图谱的白质（WM）图谱中获取各感兴趣区域（ROI）的骨架化FA、MD、ICVF及ODI平均值，并将其作为相关性分析和机器学习分析的特征指标。脑干与小脑ROI被排除在后续分析之外。
2.5.4. 基于灰质的空间统计分析
基于灰质的空间统计是一种评估灰质微结构体素水平差异的技术。由于配准错误，有6名受试者被排除在基于灰质的空间统计分析之外。该过程生成灰质骨架（GM）上的 ICVF 和ODI图像。对于每个受试者，从USCLobes脑图谱的感兴趣区获得了骨架 ICVF 和ODI平均值，并作为相关和机器学习分析的特征。脑干和小脑感兴趣区被排除在后续分析之外。弥散张量成像衍生的指标如FA和MD未包含在此分析中，因为弥散张量成像模型对部分容积效应的敏感性，这在灰质分析背景下可能损害可靠性。
2.6. 统计分析
2.6.1. 人口学、临床和认知数据
使用方差分析和事后检验比较额颞叶痴呆组与健康对照者之间的人口学、临床和认知/行为数据，分类变量使用卡方检验。双尾P值<0.05被认为具有统计学显著性。统计分析使用R软件进行。
图1代表MRI分析流程的示意图。
2.6.2. 基于体素的形态测量、基于纤维束的空间统计和基于灰质的空间统计体素水平分析
为评估组间区域萎缩程度的体素水平差异，此研究采用协方差分析（ANCOVA）模型，将年龄、性别、教育程度及颅内总体积作为协变量进行分析。结果以P<0.05为显著性水平，并通过家族错误率校正多重比较。针对不同组别 TBSS 及 GBSS 骨架化图谱的体素水平统计分析，使用基于置换检验的非参数推断工具（FSL 软件中的'randomise'功能），以年龄、性别和教育程度为协变量进行5000次置换模拟。所有结果均采用无阈值聚类增强法进行多重比较校正，并以P<0.05作为显著性水平进行展示。
表1纳入受试者的人口统计学特征及主要临床特征
2.6.3. 相关分析
进行偏相关分析以探索不同感兴趣区的平均 ICVF, ODI, MD和FA与额颞叶痴呆组中疾病严重程度和认知功能整体评分之间的关系。这些分析考虑了潜在的混杂因素，包括每位参与者的年龄、性别和教育水平。此外，为了解决多重比较的问题，应用了Bonferroni校正。
2.6.4. 机器学习
基于76项MRI特征的不同组合（USCLobes）的平均FA值（仅白质）、MD值（仅白质）、ICVF 值（白质+灰质）及ODI值（白质+灰质）与9项精选神经心理学测试数据，训练了多种分类器模型。各模型采用不同组合的标准化特征进行训练，并以准确度评分作为优化指标。所有模型均通过留一法进行交叉验证，性能评估指标包括：(i)准确度评分；(ii)精确度；(iii)召回率；(iv)F值。为建立性能比较基准，我们设置了两个虚拟分类器作为对照。为提升分类准确性，采用向后序贯特征选择算法对支持向量机（SVM）模型进行特征筛选，系统评估各特征对模型性能的贡献度并剔除负面影响特征。为增强最优模型的可解释性，应用了SHapley加性解释（Shap）方法，计算模型分类过程中最重要的特征。鉴于受试者队列规模较小，线性机器学习算法如 SVM 因其结构简单具有优势，相较于复杂方法能有效降低过拟合风险。为验证该假设，我们还对数据集应用了其他机器学习技术。
在脑海科技云平台中，内置了 NODDI 分析模块，支持用户批量处理数据，并确保每一步参数设置都有据可查。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本等信息，极大提升了研究的透明度和可复现性。读者可对照思考如何在平台中实现类似的分析流程。感兴趣可联系预约产品演示。
3. 结果
3.1. 人口学、临床和认知数据
最初招募了165名患者。根据排除标准排除后，纳入了78名散发性额颞叶痴呆参与者和48名健康对照者。未发现额颞叶痴呆参与者和对照组之间在年龄、性别和教育程度方面存在差异。然而，行为变异型额颞叶痴呆参与者比对照者年龄更大，语义-行为变异型额颞叶痴呆参与者的男性数量比非流利变异型原发性进行性失语更多。此外，行为变异型额颞叶痴呆参与者相对于非流利变异型原发性进行性失语病例显示出更高的临床痴呆评定量表和临床痴呆评定量表-总分箱。语义-行为变异型额颞叶痴呆参与者的疾病持续时间比非流利变异型原发性进行性失语更长。
3.2. 基于体素的形态测量
与对照者相比，所有疾病组在预期区域均表现出灰质萎缩模式。
3.3. 基于纤维束的空间统计
显著性结果（P<0.05）见图2和图3（所有患者组与对照组的比较）。
简言之，各组均表现出特定的脑白质改变模式。与对照组相比，良性家族性颞叶痴呆（bvFTD）患者呈现广泛的双侧FA、ICVF 及ODI降低，同时MD增加，主要累及双侧额颞束（与其他患者组相比）。特发性额颞叶痴呆（svPPA）和非特发性额颞叶痴呆（nfvPPA）患者较对照组表现出左侧为主的FA与 ICVF 降低，以及额颞区MD增加。病态良性家族性颞叶痴呆（sbvFTD）患者相较于对照组主要表现为右侧颞叶区域的FA、MD及 ICVF 改变。各组患者与对照组相比均观察到不同脑区ODI降低，其中胼胝体及长程白质束呈现特异性白质改变（与 FTD 综合征相比）。
图2与对照组相比， FTD 变异体中DTI衍生微观结构指标的 TBSS
3.4. 基于灰质的空间统计
显著结果在图4中显示。从灰质感兴趣区获得的细胞内体积分数和方向离散度的平均值在报告如下。
简言之，与对照组相比，良性血管性前额叶痴呆（bvFTD）患者双侧额叶及前颞叶皮层表现出 ICVF 和ODI降低，且右侧受累程度略重。单纯性血管性颞叶痴呆（svPPA）仅表现为左侧颞叶皮层 ICVF 改变，且与对照组相比双侧半球ODI普遍降低。非血管性颞叶痴呆（nfvPPA）则呈现广泛性 ICVF（仅左半球）及ODI降低。与对照组相比，偏侧性血管性前额叶痴呆（sbvFTD）的改变模式仅表现为右侧半球 ICVF 及ODI降低。
3.5. 相关性
在 FTD 组中，不同脑区的 ICVF、ODI和FA值与疾病严重程度和/或整体认知功能之间存在显著相关性。然而，仅少数相关性在svPPA和nfvPPA受试者中通过Bonferroni校正（rrange=−0.76--0.90；Prange=0.02--0.05）。
图3 TBSS FTD 变体中 NODDI 衍生微观结构指标相对于对照组的差异。
3.6. 机器学习
3.6.1. 支持向量机模型
研究人员采用不同 SVM 模型，基于神经心理学数据与MRI数据的不同组合进行训练，旨在实现对 FTD 综合征（bvFTD、svPPA、nfvPPA及sbvFTD）患者正确分类时的最佳准确率。各模型的准确率、精确度、召回率及F1分数详见表2和附表10（准确率范围：53.4%-83.6%；精确度范围：39.4%-84.4%；召回率范围：42.1%-81.1%；F1分数范围：40.3%-82.0%）。
在使用未经筛选的特征训练模型时，基于MD指标的多种配置方案（单独使用或与其他特征联合使用）均达到了83.6%的最高准确率（MD、MD+PSI、MD+FA+PSI以及MD+ ICVF +PSI）。与所有机器学习模型相比，本研究模型表现欠佳：随机分类器在1000次迭代中平均准确率为24.9%，而对最常见类别（bvFTD）的预测准确率仅为45.2%。这一显著性能差距证实了本模型基于数据提取信息进行有效预测的能力。
3.6.2. 顺序特征选择
序贯特征选择算法能够筛选出对分类和模型训练最具价值的变量。结果汇总于表2和补充表10（准确率范围=61.6%-98.6%；精确率范围=45.7%-98.6%；召回率范围=50.8%-99.2%；F1分数范围=47.7%-98.9%）。经过特征选择后，最佳模型是在包含FA、 ICVF 、ODI及神经心理学数据的多模态数据集上训练得出，准确率达到98.6%（表20）。针对其他机器学习方法（如随机森林、朴素贝叶斯、XGBoost和逻辑回归）的实验结果表明，尽管样本量较小， SVM 仍是本分类分析中更优的方法。
3.6.3. 模型可解释性
通过计算Shapley值进行的可解释性分析显示了每个特征对模型输出的影响。对支持向量机模型分类贡献最大的15个最重要特征在图5中报告。
图4 GBSS FTD 变体中 NODDI 衍生微观结构指标相对于对照组的差异。
4. 讨论
此研究表明，神经突方向离散度与密度成像在检测整个额颞叶痴呆临床谱系受试者的脑灰质和白质改变方面是敏感的，相对于弥散张量成像具有优势。多个脑区的细胞内体积分数、方向离散度、各向异性分数和平均弥散度值与疾病严重程度和认知功能相关。神经突方向离散度与密度成像还揭示了即使在每个额颞叶痴呆表型内部从拓扑学角度来看也存在不同的改变模式，表明与临床特征密切相关，因为这些特征在表型之间差异很大。此研究还证明，利用神经突方向离散度与密度成像捕捉的细微微结构改变，并将其与机器学习的计算能力相结合，可以实现对额颞叶痴呆综合征的准确特征刻画。模型可解释性方法SHAP的实施增强了对模型决策过程的理解，说明了特征对分类器对每个受试者预测的贡献及其影响。这个框架显示出了有希望的结果，可能有助于临床实践，提高区分额颞叶痴呆临床谱系中综合征的准确性和可靠性。
弥散磁共振成像显示额颞叶痴呆中广泛的脑微结构改变
使用弥散张量成像，在相对于对照者的所有额颞叶痴呆组中观察到白质各向异性分数和平均弥散度的变化。这些发现与先前使用弥散张量成像证明行为变异型额颞叶痴呆和原发性进行性失语综合征中早期白质异常的研究一致，具有每种综合征特有的改变模式。此外，受最近描述的语义-行为变异型额颞叶痴呆综合征影响的受试者显示出主要定位于额颞叶区域、以右侧颞叶受累为主的不同各向异性分数降低和平均弥散度增加模式。在所有额颞叶痴呆组中，各向异性分数降低和平均弥散度增加的区域超出了基于体素的形态测量所识别的灰质萎缩区域，这强化了早期和实质性白质改变是额颞叶痴呆标志性特征的认识。
在额颞叶痴呆中，神经突方向离散度与密度成像指标揭示了与对照者相比独特的白质改变，与此前在该患者群体中类似结果的近期报告一致。细胞内体积分数图在所有额颞叶痴呆组中显示降低值，在每种综合征中被认为是神经退行性过程病灶中心的区域具有局灶性模式。这些改变与灰质萎缩区域相比与各向异性分数更密切相关。非流利变异型原发性进行性失语病例偏离了这种模式，在细胞内体积分数图上显示出广泛的左侧颞额叶损伤，尽管疾病持续时间较短且灰质萎缩团块有限。
表2 不同特征组合下机器学习模型性能的比较分析
图5多级分类。20个最重要特征的全局特征重要性Shap图。
细胞内体积分数是一个主要反映成像体素内神经突密度的指标，这是神经退行性变的已知组成部分。验证研究已证明细胞内体积分数与组织学量化的轴突密度测量相关。在非流利变异型原发性进行性失语中看到的独特细胞内体积分数模式可能与其他额颞叶痴呆变异型相比 tau 蛋白病的更高频率有关。事实上，先前的研究表明额颞叶痴呆-tau 中的白质病理学比额颞叶痴呆-TDP43 更严重。需要进一步进行病理学验证的研究来证实这一假设。
方向离散度揭示了与对照者相比，所有额颞叶痴呆组中白质微结构的显著差异。行为变异型额颞叶痴呆和语义变异型原发性进行性失语在不同白质纤维束中显示出方向离散度的降低和增加，而非流利变异型原发性进行性失语和语义-行为变异型额颞叶痴呆仅在特定纤维束中显示出方向离散度降低。方向离散度量化了体素内神经突的角度变化或离散度，反映了神经突的连贯性，较低的值表示纤维对齐，较高的值表示局部神经突方向更大的复杂性或更少的连贯性。该指标在对照者和多发性硬化症病例的脊髓样本中显示出与组织学衍生的方向离散度指数的相关性。方向离散度降低提示神经突复杂性降低，可能是由于树突丢失，而方向离散度增加可能与神经炎症或树突生长等过程有关。方向离散度在白质中的生物学意义仍不清楚，但可能涉及轴突对齐和周围环境中的复杂相互作用。由于观察到双峰改变，解释行为变异型额颞叶痴呆和语义变异型原发性进行性失语中更高的方向离散度值具有挑战性。值得注意的是，细胞内体积分数降低和方向离散度增加都有助于各向异性分数降低，反映了不同白质区域的不同过程------一些区域神经突密度降低，另一些区域方向离散度增加。
与弥散张量成像的局限性相比，神经突方向离散度与密度成像在研究灰质方面表现出色。在不同的患者组中，细胞内体积分数和方向离散度图中均可见灰质改变，表明细胞密度降低和皮层结构改变。局灶性细胞内体积分数降低反映了白质模式，而方向离散度改变更为广泛，提示树突和突触改变。这些发现与阿尔茨海默病的研究一致，其中细胞内体积分数降低先于痴呆发生，而方向离散度改变指示树突结构的后期改变。
机器学习揭示了额颞叶痴呆变异型的有鉴别力的多模态生物标志物
此研究表明神经突方向离散度与密度成像指标和机器学习能有效区分额颞叶痴呆综合征。与先前的研究不同，此研究使用了一种多模态方法，整合了来自弥散张量成像、神经突方向离散度与密度成像和神经心理学数据的特征。仅基于平均弥散度训练的模型达到了83.6%的准确率。在特征选择之后，性能最佳的神经影像模型达到了91.8%的准确率，强调了联合分析来自不同弥散成像分析框架的指标以有效捕捉白质和灰质特征的重要性。结合各向异性分数、细胞内体积分数、方向离散度和神经心理学特征的最佳整体模型达到了98.6%的准确率。值得注意的是，对每个综合征分类贡献最大的特征最常来自神经影像数据。实际上，在各向异性分数、细胞内体积分数和方向离散度中观察到的改变强调了额颞叶痴呆病理生理学的复杂性，反映了神经元丢失、树突重塑和小胶质细胞激活的组合。这些改变可能导致了跨额颞叶痴呆亚型观察到的多样化临床表现，突显了多模态影像方法在阐明潜在疾病机制中的重要性。值得注意的是，神经心理学数据对模型性能有显著贡献。较高的额叶行为量表-A评分增加了行为变异型额颞叶痴呆的可能性，表明阴性行为症状，而较低的额叶行为量表-A评分提示语义-行为变异型额颞叶痴呆诊断。这可能是由于语义-行为变异型额颞叶痴呆患者没有表现出额叶行为量表-A所描述和评估的典型行为变异型额颞叶痴呆阴性症状。相反，他们表现出改变的社会情感行为，如情绪表达、社会反应、社交互动动机的改变以及优先级的改变，包括对特定兴趣的过度关注以及享乐价值和个人偏好的改变。这些最近由国际工作组共识建议提出的症状，无法通过像额叶行为量表这样的标准问卷捕捉。语义流畅性缺陷强烈提示语义变异型原发性进行性失语，而对非流利变异型原发性进行性失语的提示性差，与预期一致。较差的数字广度倒背和高数字广度倒背表现分别有助于非流利变异型原发性进行性失语和行为变异型额颞叶痴呆的分类，与已知的语言产生差异一致。相反，没有认知特征有助于语义-行为变异型额颞叶痴呆的识别，反映了其超出标准测试领域的复杂性。鉴于纳入的患者数量相对较少，这些发现应谨慎解释，并需要在更大的队列中进行进一步验证。
局限性与结论
此研究存在局限性。首先，缺乏额颞叶痴呆诊断的病理学确认；尽管在可用的情况下，脑脊液结果不提示阿尔茨海默病，但仍需要进一步使用死后病理学评估的研究。其次，样本相对较小，并且缺乏外部验证数据集。值得注意的是，在罕见疾病如额颞叶痴呆及其亚型的背景下，获取外部验证数据集确实可能带来挑战，主要是由于疾病的罕见性和获取磁共振成像扫描的困难。虽然更大的额颞叶痴呆患者磁共振成像数据集可用，但缺乏本研究中使用的多壳弥散成像等先进成像技术限制了它们在此类研究中的使用。为了克服这一限制，使用了交叉验证。第三，机器学习部分受到组间规模不平衡的阻碍，这是由于难以招募罕见的额颞叶痴呆综合征。不同额颞叶痴呆综合征之间受试者的不均匀分布可能引入了偏倚并影响了模型性能的普适性。为了克服这一限制，未来的研究应努力纳入更平衡和更具代表性的样本。第四，必须承认本研究采用了横断面设计，这本质上限制了追踪疾病进展的能力。
结论
此研究揭示了神经突方向离散度与密度成像衍生指标和机器学习算法在额颞叶痴呆特征刻画中的应用。神经突方向离散度与密度成像有效地捕捉了灰质和白质中的细微结构改变，相对于标准弥散张量成像呈现出优势。将来自神经突方向离散度与密度成像的丰富信息与认知数据相结合，使机器学习模型能够学习各种额颞叶痴呆亚型之间的复杂模式和关系。神经突方向离散度与密度成像和机器学习算法的结合使用有望增强对额颞叶痴呆病理学的理解，并促进个体水平的临床区分。
解读：脑海科技
参考文献
Pisano S, Basaia S, Agosta F, Canu E, Spinelli EG, Cecchetti G, Ghirelli A, Sibilla E, Magnani G, Caso F, Caroppo P, Prioni S, Villa C, Tremolizzo L, Appollonio I, Verde F, Ticozzi N, Silani V, Filippi M. Frontotemporal dementia characterization using neurite orientation dispersion and density imaging. Brain Commun. 2025 Nov 11;7(6):fcaf442. doi: 10.1093/braincomms/fcaf442. PMID: 41346467; PMCID: PMC12673379.