轻度认知障碍与阿尔茨海默病痴呆中皮质微结构改变

在阿尔茨海默病（AD）中，在使用传统神经影像技术可靠检测到皮质萎缩之前，神经退行性过程已经持续了多年。扩散加权成像的最新进展为研究神经微结构提供了新技术，这可能有助于了解神经退行性变化。在这项研究中，我们使用神经突方向离散度和密度成像（NODDI），这是一种多室扩散模型，以研究轻度认知障碍（MCI）和AD痴呆临床连续过程中的皮质微结构。通过基于灰质的空间统计（GBSS），我们证明了在MCI的颞部和顶部皮质区域，神经元密度指数（NDI）显著降低，而在AD痴呆的顶部、颞部和额部区域，NDI和定向弥散指数（ODI）均降低。在对照微结构和皮质厚度（来源于T1加权MRI）的后续感兴趣区域（ROI）分析中，即使在控制皮质厚度后，NODDI指标的差异仍然存在。此外，对于MCI患者，灰质NDI（而非皮质厚度）在颞部、顶部和后扣带区域降低。总之，我们的研究结果强调了NODDI指标在检测皮质微结构退行性变化方面的实用性，而这些变化发生在可测量的宏观结构变化和明显的临床痴呆之前。本文发表在Cerebral Cortex杂志。

介绍：

在过去的几十年里，人们在阿尔茨海默病（AD）中对神经退行性变化进行了大量的研究，试图通过非侵入性神经影像技术来对其进行体内表征。早期使用体积T1加权MRI的研究主要关注海马（Jack等人，1992年；Fox等人，1996年；Whitwell等人，2007年）和其他内侧颞叶结构（Mori等人，1997年；Krasuski等人，1998年；de Toledo-Morrell等人，2000年）的宏观结构萎缩。随着自动分割技术的发展，近期研究描述了已知容纳AD病理的大脑区域广泛的粗大皮质萎缩（Lerch等人，2005年；Apostolova等人，2007年；Dickerson等人，2008年；Bakkour等人，2009年；Frisoni等人，2009年；Becker等人，2011年；Chételat等人，2012年；LaPoint等人，2017年）。尽管这些研究极大地丰富了我们对病变相关区域模式和皮质萎缩进展的认识，但众所周知，在AD中，病理学改变在宏观结构变化可以通过传统的T1加权成像可靠检测之前，已经积累了多年（Villemagne等人，2013年）。鉴于神经元损失的不可逆性，对AD无症状阶段发生的最早期神经退行性变化进行敏感检测对于改善诊断、分期和监测治疗干预反应至关重要。

与宏观结构T1加权MRI相比，扩散加权成像（DWI）通过对组织内水分子扩散的敏感性提供关于神经微结构的独特定量信息（Bihan，2003年）。微观组织屏障的破坏或改变（例如，细胞膜的破裂，细胞结构的变化或髓鞘的丢失）会导致扩散信号的可测量变化。最常用的定量扩散信号的技术是扩散张量成像（DTI）模型，该模型将每个体素中水扩散的速率和方向建模为一个简单的椭圆张量（Alger，2012年）。从张量模型中计算出的DTI指标既可以量化方向性扩散，也可以量化受阻扩散的总体程度，并用于推断每个体素内的微结构完整性和结构。尽管DTI分析已被广泛用于研究AD中的白质微结构，但使用这些技术研究皮层和皮质灰质微结构变化的研究相对较少（Weston等人，2015年）。这些研究主要使用DTI指标的平均扩散性（MD）来评估灰质微结构，即所有方向上的扩散性的平均大小，并报告AD患者的海马（Kantarci等人，2005年；Müller等人，2005年；Douaud等人，2013年）和皮质区域（Rose等人，2008年；Scola等人，2010年；Jacobs等人，2013年；Montal等人，2018年）MD增加，这些区域也观察到了粗大的萎缩。然而，DTI模型存在一些局限性，特别是在分析皮质灰质方面。值得注意的是，皮质与脑脊液（CSF）的密切邻近使得皮质DTI分析特别容易受到部分体积效应的偏见影响，即皮质体素中的张量模型被相邻CSF的扩散信号污染（Henf等人，2018年）。因此，同时发生的脑萎缩可能会混淆微结构测量并导致AD中皮质MD变化的高估。

DWI采集、处理和建模的进步共同促进了研究神经微结构的更复杂的技术。多壳层DWI采集允许使用多室生物物理模型对扩散信号进行更复杂和生物学相关的建模。神经突方向离散度和密度成像（NODDI）（Zhang等人，2012年）是一种多室模型，它将复合扩散信号划分为三个微结构部分：细胞内扩散（轴突或树突内的受限扩散）、细胞外扩散（轴突和树突外的受阻扩散）以及各向同性扩散（即自由水）。NODDI模型为每个体素提供三个微结构指标：（1）神经元密度指数（NDI），反映轴突或树突内约束水扩散的比例；（2）方向离散指数（ODI），反映神经元一致性程度；以及（3）各向同性扩散体积分数（VISO），反映体素中自由水（即CSF）的比例。重要的是，通过分离出扩散信号的CSF成分，NODDI模型（与DTI不同）能够解释部分体积效应，这使得它成为研究皮质微结构的特别适合的工具（Assaf等人，2013年；Fukutomi等人，2018年）。实际上，在过去的几年里，NODDI模型已经应用于研究各种条件下的灰质微结构，包括衰老（Nazeri等人，2015年）、精神分裂症和双相情感障碍（Nazeri等人，2017年）、多发性硬化症（Granberg等人，2017年）、帕金森病（Kamagata等人，2017年）和早发性AD（Parker等人，2018年）。

在这项研究中，我们使用多壳层DWI和NODDI模型研究轻度认知障碍（MCI）和AD痴呆的皮质微结构改变。这项工作的目的是沿着痴呆临床连续谱描述灰质NODDI微结构，目标是确定微结构变化的区域模式是否相对于传统宏观结构T1加权MRI提供独特的信息。具体而言，我们应用了一种称为基于灰质的空间统计（GBSS）（Nazeri等人，2015年，2017年）的技术，该技术利用了NODDI的多室建模，允许对皮质微结构进行无偏的灰质特异性体素统计分析。然后，我们进行了后续感兴趣区域（ROI）分析，以便在相同的脑区域内比较NODDI微结构指标和皮质厚度测量（来自传统的T1加权MRI）。我们的发现表明，NODDI指标是皮质微结构的敏感标志物，可能为MCI和AD痴呆中灰质神经退行性变化提供早期指示。

材料和方法

参与者

参与者包括来自威斯康星州阿尔茨海默病研究中心（ADRC）临床核心的AD痴呆患者、MCI患者和认知未受损的个体，他们都接受了多壳层DWI和T1加权结构MRI检查。在这项研究中，AD痴呆和MCI患者使用倾向评分匹配（R v3.5.2中的MatchIt包）与认知未受损参与者进行1对1的年龄和性别匹配，最终队列包括112名参与者：n = 56认知未受损参与者（对照组），n = 30 MCI，n = 26 AD痴呆。所有参与者都接受了全面的神经心理测验，以确定认知状况。根据2011年更新的国家老龄化-阿尔茨海默病协会（NIA-AA）工作组诊断标准，利用可用的临床和认知信息对MCI和AD痴呆患者进行诊断（Albert等人，2011；McKhann等人，2011）。本研究中所有MCI患者都属于失忆性亚型 - 22/30名患者为单领域MCI（仅记忆受损），8/30名患者为多领域MCI（记忆受损加上额外一个认知领域的损害）。所有参与者都由由医生、神经心理学家和护士执业医师组成的共识审查委员会讨论。ADRC研究的一般排除标准包括任何重大神经疾病（除AD痴呆外）、酒精/物质依赖病史、重大精神障碍（包括未治疗的重性抑郁症）或其他重大医学疾病。威斯康星大学健康科学机构审查委员会批准了所有研究程序，并且所有实验都符合相关指南和法规。所有参与者都提供了书面知情同意参与本研究。

图像采集和预处理

MRI数据采用General Electric 3T MR750扫描仪（Waukesha, WI）和32通道头线圈进行采集。使用多壳层自旋回波计划成像脉冲序列（6×b=0 s/mm2, 9×b=500 s/mm2, 18×b=800 s/mm2 和 36×b=2000 s/mm2；TR/TE = 8575/76.8 ms；2×2×2 mm3 各向同性体素分辨率；128×128采集矩阵）采集扩散加权图像。T1加权结构图像采用3D翻转恢复准备的快速梯度回波损耗FSPGR-BRAVO序列（TI = 450 ms；TR/TE = 8.1/3.2 ms；翻转角度 = 12°；1×1×1 mm3各向同性体素分辨率；256×256采集矩阵）获取。

扩散加权图像使用MRtrix3（Tournier等人，2019）进行去噪（Veraart等人，2016）和Gibbs ringing校正（Kellner等人，2016），然后使用FSL（v5.0.11）（Jenkinson等人，2012）中的eddy工具（Andersson和Sotiropoulos，2016）进行运动校正和涡流失真校正。接下来，使用FSL中的Brain Extraction Tool（Smith，2002）构建脑膜，然后使用Diffusion Imaging in Python（Garyfallidis等人，2014）在脑膜内的每个体素上进行扩散张量拟合，生成分数各向异性（FA）图。

通过使用Accelerated Microstructure Imaging via Convex Optimization中的NODDI模型，生成NDI、ODI和VISO参数图。这种方法通过将NODDI模型近似为线性系统来提高处理速度（Daducci等人，2015）。此外，还使用了灰质优化的细胞内本征平行扩散率1.1 μm2/ms以提高灰质模型拟合（Fukutomi等人，2018）。

在进一步处理和统计分析之前，所有图像都经过了质量控制的视觉检查。此外，参与者在DWI采集过程中的头部运动通过使用eddy中的均方根运动总结进行定量评估，结果显示各组在平均采集运动方面没有差异（ANOVA，F2,109 = 1.47，P = 0.24）。根据视觉检查或过度运动，没有参与者被排除在分析之外。

基于灰质的空间统计

GBSS（Gray Matter-Based Spatial Statistics）是一种统计技术，该技术调整了基于纤维束的空间统计（Smith等人，2006）框架，以便允许在灰质中进行NODDI指标的体素分析（Nazeri等人，2015，2017）。GBSS的处理步骤如图1所示。简而言之，通过从1中减去白质分数图（使用Atropos分割工具（Avants等人，2011a）在Advanced Normalization Tools [ANTs] v2.1.0中从FA图估算）和CSF分数图（NODDI VISO参数图）生成灰质分数图。然后，将每个组织分割图乘以其相应的组织权重（CSF = 0，白质 = 1，灰质 = 2），并求和以生成“伪T1加权”图像。然后使用ANTs中的antsMultivariateTemplateConstruction2.sh脚本（Avants等人，2011b）将所有参与者的伪T1加权图像用于创建特定于人口的模板。原生扩散空间 NODDI 参数图（NDI 和 ODI）以及灰质分数图随后通过在模板构建过程中生成的变形场非线性地变形到人群模板。人群空间灰质分数图进行平均以创建平均灰质图像，然后使用 FSL 中的 tbss_skeleton 工具进行骨架化。最后，将 NDI 和 ODI 从局部灰质分数最大值投影到灰质骨架上，并将灰质骨架的阈值设置为仅包括灰质分数 >0.65 的体素，且参与者中超过 70% 的人满足此条件。（Nazeri等人，2017）。

CAT12基于表面的皮层厚度处理

使用MATLAB中的SPM12的Computational Anatomy Toolbox（CAT，v12.5）处理T1加权结构图像（http://www.neuro.uni- http://jena.de/cat/）。简而言之，T1加权图像经过组织分割，然后使用基于投影的厚度方法（Dahnke等人，2013）进行皮层厚度和中心表面估计。然后对表面数据进行拓扑校正（Yotter等人，2011b），球面映射（Yotter等人，2011a）和球面注册。在执行全脑基于表面的分析之前，将表面数据在32-k网格分辨率（约2毫米平均顶点间距）（Glasser等人，2013）的模板空间中重新采样，并使用25毫米FWHM高斯核（Chung等人，2005）

感兴趣区域分析

为了在相同的脑区域内研究NODDI微结构和皮层厚度，我们使用了已知受AD影响的8个双侧皮层区域进行了后续的ROI分析。ROI是根据Desikan图谱（Desikan等人，2006年；Klein和Tourville，2012年）构建的，包括以下区域：“前额”（由上、中前和中后额皮层组成）、“颞”（由中部和前部颞皮层组成）、“顶”（由下顶和边缘顶皮层组成）、“前扣带”（由前扣带和后扣带皮层组成）、“后扣带”（由海马回和扣带回组成）、“内嗅皮质”和“旁海马”。

使用CAT12的ROI工具在原生T1加权空间中提取每个ROI的平均皮层厚度。为了在原生扩散空间中提取NODDI指标，使用ANTs中的antsRegistration将T1加权的图谱空间图像非线性变形到每个受试者的伪T1图像。对于每个受试者，将产生的变形场用于将图谱空间ROI变形到原生扩散空间。为了确保ROI仅包括灰质体素，我们使用每个受试者的灰质分数图（阈值为0.7并二值化）对每个ROI进行掩模。然后使用FSL的fslstats在每个经过灰质掩模的ROI内提取NDI和ODI的平均值。

图1. GBSS处理步骤。

(A) 对于每个受试者，通过从1中减去白质（WM）分数（使用Atropos从受试者的FA图中估算）和脑脊液（CSF）分数（从受试者的NODDI VISO参数图中估算）生成灰质（GM）分数图。然后使用GM、WM和CSF分数生成一个伪T1加权对比图像。

(B) 所有受试者的伪T1加权图像用于通过ANTs中的迭代非线性配准（antsMultivariateTemplateConstruction2.sh）创建一个人群模板。从这一步骤生成的变形场用于将每个受试者的NDI、ODI和GM分数图像非线性变形到人群模板空间。

(C) 将人群模板空间中的GM分数图像平均，生成平均GM图像，然后使用FSL的tbss_skeleton工具对其进行骨架化。最后，从局部GM分数最大值将NDI和ODI投影到GM骨架上，并将GM骨架阈值设置为仅包括> 70%参与者中GM分数大于0.65的体素。

统计分析

在最终的灰质骨架掩模的人群空间 NDI 和 ODI 图像上进行 GBSS 体素分析，使用FSL的randomise（Winkler等，2014）进行非参数置换推断（n = 10000次置换），然后进行阈值无关簇增强（Smith和Nichols，2009）。使用重新采样和平滑的表面图像数据在CAT12中进行全脑基于表面的皮质厚度分析。对于GBSS和CAT12表面分析，分别测试了组间比较（MCI组与对照组；AD痴呆组与对照组；MCI组与AD痴呆组），所有分析均包括年龄和性别作为协变量。由此产生的统计图经过FWE校正，以PFWE < 0.05显示，并使用Surf Ice（https://www.nitrc.org/projects/surfice/）显示为表面。

对于感兴趣区域（ROI）分析，我们使用协方差分析（ANCOVA）模型在控制年龄和性别的同时，测试诊断组（对照组、MCI和AD痴呆）之间NODDI和皮层厚度测量的差异。为了解决8个ROI之间的多次比较问题，我们使用了Benjamini-Hochberg假发现率（FDR）校正的显著性阈值PFDR < 0.05。为了可视化此分析，我们将MCI和AD痴呆组的NODDI和皮层厚度测量表示为相对于对照组平均值的百分比变化，并将每个组的平均百分比变化与自助法95%置信区间（使用R中的boot v1.3包进行10000次迭代）绘制出来。为了进一步研究NODDI指标在ROI中是否提供独特的微结构信息，我们重新运行了相同的ANCOVA模型，但通过包括皮层厚度作为协变量来控制宏观结构效应。

最后，我们进行了一项探索性的逻辑回归分析，以研究和比较NODDI和皮层厚度测量对MCI和AD痴呆的诊断准确性。为了进行此分析，为了生成每个度量的单一参数，我们首先使用R中的caret v6.0软件包中的递归特征消除（RFE）来识别最重要的感兴趣区域。简而言之，对于每个度量，我们使用所有八个ROI的值作为预测因子来运行RFE，然后使用10折交叉验证的分类精度来确定最重要的ROI。对于皮层厚度，最重要的ROI是前扣带回、海马旁、颞叶和后扣带回；对于NDI，最重要的ROI是后扣带回、前扣带回、颞叶、海马旁和楔前叶；对于ODI，最重要的变量是海马旁、后扣带回、顶叶和海马旁。然后，我们对这些识别出的ROI进行平均，以生成每个度量的单一参数，这些参数（以及年龄和性别）用于逻辑回归模型中预测诊断，针对每个诊断组运行单独的模型。我们运行了一个宏观结构模型（仅使用皮层厚度）、三个微观结构模型（仅使用NDI，仅使用ODI，然后使用NDI和ODI）和一个多模态模型（使用所有三个度量：CT、NDI和ODI）。使用Akaike信息准则（AIC）评估模型拟合度。对于每个模型，使用R中的pROC软件包（v1.14）生成平滑的接收者操作特征（ROC）曲线和曲线下面积（AUC）以及自举95％置信区间（10000次迭代）。

结果

参与者特征

参与者特征见表1。各组在年龄、性别、APOE ε4基因型患病率、种族或教育年限方面没有差异。如预期的那样，蒙特利尔认知评估（MoCA）总分在MCI和AD痴呆组中较低。

全脑GBSS分析

使用GBSS研究MCI和AD痴呆患者皮层NODDI微结构指标的改变模式。对于两组患者，我们观察到在顶叶、颞叶和额叶区域（图2A，B；补充图1），皮层NDI相对于认知正常的参与者显著降低。具体来说，与对照组相比，MCI组的NDI降低主要集中在楔状回和角回、包括颞极的大部分颞叶以及包括颞中前回、三角部和外侧眶额皮质在内的左侧前叶（图2A）。AD痴呆组显示了类似的NDI降低模式，额外涉及上额回以及后扣带回和楔前叶（图2B）。在AD痴呆组相对于MCI组没有NDI显著降低的区域。最后，在MCI或AD痴呆组中，没有皮层区域的NDI显著升高，而且在任何组间比较中，没有皮质下灰质区域的NDI差异显著。

关于ODI，虽然MCI组与认知正常的参与者相比没有差异，但与对照组相比，AD痴呆组在大部分颞叶、顶叶和额叶区域的皮层ODI显著降低（图2C）。这种ODI降低的模式比NDI观察到的模式更广泛，还包括侧前中央和后中央回、颚突部、内侧上额和眶额区域以及前扣带回。此外，与MCI组相比，AD痴呆组在类似的分布中表现出较低的皮层ODI（图2D）。与认知正常的参与者相比，AD痴呆组没有皮层区域的ODI显著升高，而且在任何组间比较中，没有皮质下灰质区域的ODI差异显著。

基于表面的皮层厚度分析

CAT12基于表面的分析显示，与认知正常组相比，AD痴呆组在双侧上额区域、双侧下顶叶区域、双侧下颞回、海马旁皮质和颞极的皮层厚度显著降低（图3A）。此外，与MCI组相比，AD痴呆组在额叶和顶叶区域的几个小簇中皮层厚度显著降低（图3B）。在MCI组相对于对照组没有皮层厚度显著降低的区域。

ROI分析

为了在同一脑区域内研究微观结构和宏观结构，我们进行了进一步的ROI分析，该分析涉及使用通用图谱从8个双侧灰质ROI中提取本征空间中的NODDI指标和皮层厚度。总的来说，与MCI组和对照组之间观察到的差异相比，AD痴呆组在微观结构和宏观结构方面的差异更大（图4）。对于AD痴呆组，除前扣带回外，所有ROI中的NDI和皮层厚度都显著降低，而ODI在所有8个ROI中都显著降低（附表1为ANCOVA结果摘要）。对于MCI组，与对照组相比，任何ROI中的ODI都没有显著差异。值得注意的是，在MCI组中，虽然任何ROI的皮层厚度都没有显著降低，但NDI在包括颞叶、顶叶和后扣带回等几个ROI中显著降低。

在MCI组和AD痴呆组与认知正常的参与者相比，特别是对于颞叶、顶叶、前脑、后扣带回区域的结果保持不变。控制皮层厚度减弱了一些效应——具体来说，在海马旁皮质区域，与对照组相比，AD痴呆组的NDI和ODI都不再显著降低。同样，在额叶和海马旁皮质区域，在控制皮层厚度后，AD痴呆组的NDI也不再显著降低。

表1 受试者特征

图2. 来自全脑GBBS分析的MCI和AD痴呆组皮层灰质NODDI指标减少。

皮层灰质中的NDI在MCI（A）和AD痴呆（B）中都显著降低。相对于对照组（C）和MCI组（D），灰质中的ODI在MCI中未发生变化，但在AD痴呆中显著降低。GBSS统计图映射到Surf Ice的表面，表示具有显著（FWE校正P < 0.05）差异的区域。显著GBSS结果的代表性轴向切片可以在补充图1中找到。

图3. 来自全脑CAT表面分析的AD痴呆组皮层厚度降低。

CAT12表面分析显示了AD痴呆组相对于对照组（A）以及AD痴呆组相对于MCI组（B）皮层厚度降低的区域。CAT12统计图映射到Surf Ice的表面，表示具有显著（FWE校正P < 0.05）差异的区域。

表2 ROI分析的ANCOVA结果总结，展示了皮层NDI的差异，分别在考虑和不考虑皮层厚度时。

Logistic回归分析

使用NDI、ODI和皮层厚度的不同组合进行了一项探索性logistic回归分析，以测试这些微观结构和宏观结构指标的诊断准确性。对于区分AD痴呆组和对照组，仅使用皮层厚度的宏观结构模型表现最差（AUC = 0.82），而将宏观结构和微观结构指标相结合的多模态模型表现最佳（AUC = 0.91）（图5A）。对于区分MCI组和对照组，皮层厚度再次表现最差（AUC = 0.66），多模态模型表现最佳（AUC = 0.72）（图5B），尽管所有模型的表现均比AD痴呆与对照组的表现差。

图4. 八个AD区域内皮层灰质NODDI指标和皮层厚度的感兴趣区域（ROI）分析。

使用通用图谱在原生成像空间从八个ROI中提取NDI、ODI和皮层厚度，然后运行ANCOVA模型（控制年龄和性别），以确定诊断组之间灰质微结构和宏观结构的差异。每个ROI和每个诊断组的数据以相对于对照组均值的平均百分比变化（黑色菱形）表示，并带有自助法95%置信区间（MCI和AD痴呆组的条形图；对照组的实线黑线）。条形图按ROI着色，表示与对照组均值的显著（FDR校正P < 0.05）差异，而灰色条形图表示与对照组均值无显著差异。

表3 ROI分析的ANCOVA结果总结，展示了皮层ODI的差异，分别在考虑和不考虑皮层厚度时。

图5. 使用NODDI微结构和/或皮层厚度的探索性逻辑回归模型的ROC曲线。

对于NDI、ODI和皮层厚度（CT），每个度量的每个受试者参数与年龄和性别一起用于逻辑回归模型，以预测AD痴呆（A）和MCI（B）的诊断。ROC曲线下方的模型摘要表格显示了带有自助法95%置信区间（CI）的AIC和AUC。

讨论

在本研究中，我们使用多壳层DWI和NODDI模型研究了包括MCI和AD痴呆在内的临床认知障碍连续谱上的皮层微结构。我们发现，MCI患者的皮层NDI普遍降低（但ODI无差异），而AD痴呆患者的NDI和ODI在广泛的皮层区域均降低。此外，我们的后续ROI分析表明，在控制皮层厚度之后，NODDI指标在MCI和AD痴呆组仍然显著降低。另外，对于MCI患者，灰质NDI（而不是皮层厚度）在颞叶、顶叶和后扣带区降低。

虽然DWI传统上被应用于研究AD中的白质微结构，但也有越来越多的研究使用DWI技术研究灰质微结构（Weston等，2015）。这些研究中的大多数都使用了DTI模型来研究皮层MD，并报告了在皮层萎缩区域（包括内侧和外侧颞叶、上部和内侧前叶、颞上回、后扣带和扣带前部）MD增加（Rose等，2008；Montal等，2018）。然而，DWI中通常使用的相对较大的体素尺寸（约2 × 2 × 2 mm3）使得灰质DTI MD测量特别容易受到来自相邻CSF或白质组织的部分容积效应的影响。实际上，一项最近的研究表明，在对体素灰质分析进行部分容积效应校正之后，MCI和认知正常参与者之间在MD上再也没有显著差异，而AD和认知正常参与者之间显著体素的数量也大幅减少（Henf等，2018）。

与DTI相比，NODDI是一种多室扩散模型，可以考虑到CSF部分容积效应，这使得它在分析皮层灰质微结构方面具有优势。反过来，GBSS可以利用NODDI模型在整个大脑范围内广泛测试微结构变化，使用体素逐一方法（Nazeri等，2015，2017）。在我们的研究中，GBSS分析揭示了AD痴呆组中广泛的皮层NODDI指标减少，ODI的减少比NDI的减少更广泛。这些NODDI微结构变化发生在以前已经显示出皮层变薄（Dickerson等，2008；Bakkour等，2009）和MD增加（Rose等，2008；Montal等，2018）的AD区域。此外，对于MCI组，GBSS分析显示整个颞叶、顶叶和部分前额皮质的NDI显著降低，而CAT12表面分析没有显示出皮层厚度显著降低的区域。

作为一种多室模型，从NODDI模型中提取的指标可能比DTI模型更能捕捉微结构特性和量化神经元细胞结构。无论是离体（Jespersen等，2010；Grussu等，2017）还是在体（Fukutomi等，2018）证据都表明，NDI反映了灰质中髓鞘轴突的密度，而ODI捕捉了神经纤维方向的异质性，这可能反映了灰质中树突分枝的复杂性。因此，使用这些指标可能提供关于AD中特定灰质微结构变化的宝贵信息。在本研究中，MCI组在颞叶、顶叶和前额区域的NDI显著降低，表明这些区域髓鞘轴突密度的减少是发生在明显临床痴呆之前的早期微结构变化。此外，虽然MCI组在ODI上没有变化，但AD痴呆组在特征性AD皮层区域的ODI显著降低，这为神经影像学证据提供了显著的树突结构丢失与临床痴呆表型之间的关联。尽管以前的尸检研究已经证实了MCI和AD中突触和树突的损失（Davies等，1987；Terry等，1991；Baloyannis等，2011；Scheff等，2011），但为了进一步描述NODDI指标与AD中神经病理变化之间的关系，我们仍需要进行更多结合离体成像和尸检组织病理分析的研究。

这些额外的研究可能有助于揭示NODDI指标与AD神经病理特征（如淀粉样斑块、神经纤维缠结和突触丢失）之间的具体关系，从而为诊断和监测AD的进展提供更多依据。通过更深入地研究这些关系，NODDI方法可能为未来的AD研究提供新的见解，帮助开发更有效的治疗方法和干预措施。

我们的后续ROI分析使用了一个通用的图谱，以便更深入地研究AD病理影响区域内NODDI微结构和皮层厚度的变化。这项分析的结果揭示了一些有趣的发现。首先，与GBSS和CAT12表面分析中观察到的全脑水平结果类似，MCI组在皮层厚度未改变的几个ROI中NDI显著降低，包括颞叶、顶叶和后扣带（图4）。值得注意的是，这些区域是大脑最早累积淀粉样蛋白的区域之一（Buckner等，2005；Sperling等，2009），并与最近通过在体淀粉样PET成像推导出的四阶段区域淀粉样进展模型的第I和II阶段相对应（Grothe等，2017）。淀粉样沉积的早期阶段（在认知未受损和MCI个体中最常见）与当前发现的神经纤维密度降低的区域重叠，突显了NDI作为AD相关神经退行性病变早期生物标志物的潜在应用。我们目前的研究结果为这些区域正在进行的微结构改变提供了更多信息，并根据我们按临床疾病严重程度的分层，表明神经元密度在皮层萎缩和痴呆发展之前就已经减少。

其次，通过从相同的ROI中提取NODDI指标和皮层厚度，我们可以测试在控制ROI内皮层厚度后，NODDI指标的差异是否仍然存在。总体而言，在考虑皮层厚度后，大部分NODDI指标减少的区域仍然显著，这表明NDI和ODI的变化代表了超出单纯粗略萎缩的独特微结构改变。一个值得注意的例外是内嗅皮质区——在这里，控制皮层厚度解释了AD痴呆组中观察到的大部分微结构改变，这可能是由于该ROI相对较小且该区域表现出最大的皮层变薄。众所周知，内嗅皮质在疾病的最早阶段就受到影响；因此，在诊断为AD痴呆时，该区域可能已经发生了严重的萎缩。

最后，我们的探索性逻辑回归分析使用了这8个ROI中的平均微观结构和宏观结构参数，以测试NDI、ODI和皮层厚度的诊断准确性。这项分析表明，将宏观结构和微观结构信息结合起来的模型在区分AD痴呆和MCI组与对照组方面具有最佳准确性，而仅使用皮层厚度的模型表现较差。这些发现表明，NODDI指标可能为AD痴呆中神经退行性变化提供额外有价值的诊断信息。

尽管NODDI模型已经用于研究各种精神和神经疾病的灰质微结构，但迄今为止只有一项研究在AD背景下研究了NODDI灰质微结构（Parker等，2018）。那项研究采用了基于ROI的方法，研究了年轻发病AD患者（平均年龄61.1±4.9岁），结果显示NDI在所有六个研究的ROI（额颞皮质、颞下回和颞中回、纺锤状回、楔前回和前中央回）中显著降低，而ODI在颞下回、颞中回、纺锤状回和楔前回显著降低。我们目前的研究结果与之前的研究结果大致一致，我们研究的对象是更年长的散发性AD痴呆患者（平均年龄72.2±10.2岁）。

将之前和现在的研究结合起来，表明年轻发病和散发性AD之间的微观结构变化是一致的。此外，我们当前的研究将灰质NODDI微结构的改变扩展到了临床中间阶段的MCI，在痴呆发展之前。

当前研究的一些局限性应该注意。首先，AD痴呆组的参与者是根据更新后的NIA-AA指南中的临床和认知标准进行诊断的（Albert等，2011；McKhann等，2011），但并没有所有参与者的淀粉样和tau生物标志物数据来证实阿尔茨海默病的病理。没有这些数据，我们无法排除在AD痴呆组中的一些参与者没有足够的淀粉样物质来满足新的AT(N)阿尔茨海默病研究框架的标准（Jack等，2018）。因此，对目前结果的解释仅限于临床诊断的认知障碍和AD痴呆。需要使用CSF或PET成像AD生物标志物的额外研究，以更好地了解淀粉样和tau沉积与皮层微结构之间的关系。其次，我们受到DWI扫描（2×2×2mm³）的体素分辨率相对于皮层厚度（1.5-5mm）的固有限制。因此，虽然NODDI模型通过特定地建模自由水扩散来减少CSF部分容量效应，我们承认皮层灰质中的NODDI指标可能受到CSF信号不完全抑制或底层白质扩散信号的部分影响，特别是在皮层较薄的区域。然而，估计和遮蔽白质分数以及GBSS中的骨架化步骤旨在将统计分析限制在部分容量风险较低的皮层区域。

最后，尽管我们研究了代表认知衰退连续谱的诊断组的皮层微结构，但本研究是横断面的。纵向研究将有助于阐明NODDI指标在预测MCI转变为AD痴呆或跟踪疾病进展方面的作用。此外，随着纵向数据集的增加，将可以对皮层微结构改变进行事件时间建模（Marinescu等，2019），这可能为病理过程的区域进展的细粒度模式提供有价值的见解，这在横断面分析中并不明显。

总结：

本研究表明，在MCI和AD痴呆中，微结构神经变性过程是广泛和强烈的，而且这些微结构改变可以在皮层变薄未被检测到的脑区被检测到。这些发现表明，NODDI指标提供了关于皮质神经退行性改变的独特信息，这些信息之前未能通过T1加权结构成像或基于DTI的方法检测到。考虑到AD病理在可检测到的大结构萎缩之前积累多年，未来的研究将着重于探讨NODDI指标是否是在前驱期间对皮层微结构改变敏感和早期的标志，这对于进一步了解AD发病过程中最早的神经退行性改变至关重要。