偏头痛和丛集头痛的生物标志物

目标：
     本研究旨在识别磁共振成像（MRI）生物标志物，这些标志物能够区分偏头痛和丛集头痛患者，并找出两组患者之间共享的成像特征。

方法：
      从20名偏头痛患者、20名丛集头痛患者和15名健康对照组中获取了临床、功能和结构MRI数据。使用支持向量机算法和逐步去除过程对头痛患者和对照组进行区分，并对患者的亚组进行区分。还调查了组间区域差异和成像特征与患者临床特征之间的关联。

结果：
     将头痛患者从对照组中分类的准确性为80%。区分偏头痛和对照组的分类准确性为89%，而丛集头痛和对照组的分类准确性为98%。在区分丛集头痛和偏头痛患者方面，MRI分类器的准确性为78%，而MRI-临床联合分类模型的准确性为99%。双侧下丘脑和中脑导水管周围灰质（PAG）功能网络是将偏头痛和丛集头痛患者从对照组中分类的最重要MRI特征。左侧丘脑网络是将偏头痛患者从丛集头痛患者中分类的最有区分性的MRI特征。与偏头痛相比，丛集头痛患者显示出左侧丘脑和介导内感觉和感觉整合的皮质区域之间的功能交互减少。存在不安是区分两组患者的最重要临床特征。

解释：
       功能性生物标志物，包括下丘脑和PAG（中脑导水管周围灰质）网络，由偏头痛和丛集头痛患者共享。丘脑皮质通路可能是区分偏头痛和丛集头痛发作及其不同临床特征的神经底物。本文发表在Annals of Neurology杂志。（可添加微信号19962074063或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群)。

介绍：

      头痛，如偏头痛和丛集头痛，是全球最常见的神经系统疾病之一。诊断偏头痛和丛集头痛主要基于仔细的临床病史收集。偏头痛患者通常会经历单侧或双侧的搏动性疼痛，可能持续4到72小时，并可能伴有恶心、呕吐以及对光、声音和头部运动的敏感性增加。而丛集头痛的核心特征是剧烈的单侧疼痛，持续15到180分钟，颅神经自主症状（CAS），以及一种不安和焦虑的感觉。通常，丛集头痛患者会经历一系列的每日头痛发作期，这被称为“发作期”，可能持续7天到1年。在一个发作期和另一个发作期之间，患者完全没有头痛发作；这段时间被称为“非发作期”。

       尽管这两种主要头痛的临床表型可能不同，但它们分享一些病理生理机制。偏头痛和丛集头痛都被广泛认为是涉及激活不同的皮质、间脑和脑干区域并随后释放关键神经肽（如降钙素基因相关肽（CGRP））的脑疾病。最近的研究表明，脑干和下丘脑可能是偏头痛和丛集头痛发作的推测驱动因素。先进的磁共振成像（MRI）技术已被应用于偏头痛和丛集头痛患者的研究，包括在急性发作期间和间发作期，揭示了涉及多感官处理（包括疼痛）的大脑区域的广泛结构和功能异常。只有少数MRI研究直接比较了偏头痛和丛集头痛患者，显示丛集头痛患者相比偏头痛患者，下丘脑双侧增大，前额和枕部区域的灰质（GM）体积减少，以及大脑认知网络的功能活动增加。

     机器学习技术提供了用于诊断、预后和个性化治疗的生物标志物，并有助于阐明疾病的病理生理机制。使用机器学习方法的主要优势之一是它们允许在单个受试者级别进行推断，并且对可能在群体级别比较中无法检测到的微妙和空间分布的大脑差异敏感。监督和非监督的机器学习算法已被应用于临床和MRI数据，以识别偏头痛的不同表型，预测偏头痛发作的开始、疾病进展和治疗反应，并将偏头痛患者与对照组以及其他慢性疼痛疾病区分开来。最近的一项研究使用结合临床和体积成像数据的监督机器学习模型，提供了关于丛集头痛患者治疗反应预测因素的见解。迄今为止，还没有研究探讨机器学习技术在区分偏头痛和丛集头痛患者方面的潜力。

      在这项研究中，我们应用了监督机器学习方法和多模态MRI技术，以识别区分偏头痛和丛集头痛患者的间发作期MRI生物标志物，并揭示这两种类型的主要头痛共享的成像特征。我们的工作假设是，偏头痛和丛集头痛患者可能在参与两种类型头痛发作开始和疼痛处理的皮质和皮质下区域中分享一些结构和功能异常。然而，不同的MRI改变可能解释这些条件之间的临床特征差异。次要分析识别了偏头痛和丛集头痛诊断的最佳临床预测因素，并研究了是否可以通过结合MRI和临床数据实现更准确的患者分类。

对象
       在2017年4月至2018年3月之间，有60名偏头痛患者、45名丛集头痛患者和30名健康对照组被前瞻性筛选以确定是否符合资格。患者是连续从参加国王学院医院头痛诊所的人群中招募的。通过广告，还扩大了对国王学院伦敦的员工和学生的患者和对照组的招募。为了测量与偏头痛和丛集头痛间发作期相关的成像变化，所有的脑MRI都是在无头痛的阶段进行的。此外，丛集头痛患者必须处于“非发作期”才能被纳入研究，也就是他们的大脑较不容易发生头痛发作的时期。符合资格的患者必须满足以下入选标准：（1）被诊断为周期性头痛疾病；（2）在MRI检查时没有头痛；和（3）在MRI检查前至少1个月没有使用用于偏头痛或丛集头痛的药物预防治疗，或影响中枢神经系统的药物。头痛患者和对照组的排除标准是任何其他慢性疼痛综合症，神经、精神病或其他主要系统疾病，每月使用止痛药超过8天，使用非法药物，和MRI显示任何脑病变。对于偏头痛，只有具有和没有先兆的发作的偏头痛患者才被纳入研究。只有那些偶尔有紧张型头痛的对照组被纳入研究。基于纳入和排除标准，由于慢性头痛、MRI当天存在头痛、MRI伪影、同时存在的精神病条件、使用非法药物，或使用抗抑郁药或头痛预防治疗，有40名偏头痛患者、25名丛集头痛患者和15名对照被排除（图1）。

图1：参与者配置示意图。MRI = 磁共振成像。

临床评估
      在MRI检查之前，获取了所有参与者的临床病史和神经学检查。所有患者都符合国际头痛疾病分类的周期性偏头痛和周期性丛集头痛的诊断标准。患者和对照组都被要求填写头痛日记，以控制他们在MRI检查前后的几天里是否有任何类型的头痛。使用数字评分量表评估平均头痛疼痛强度。

伦理批准
      本地人类研究的伦理委员会批准了这项研究，并且所有受试者都在研究参与之前根据赫尔辛基宣言提供了书面知情同意。

MRI获取
     使用3.0T扫描仪（GE Discovery MR750；GE Medical Systems，Milwaukee，WI），获取了以下脑序列：（1）液体衰减反转恢复（FLAIR；重复时间[TR]/回波时间[TE] = 8000/125毫秒，反转时间[TI] = 2000毫秒，翻转角[FlA] = 111°，矩阵大小 = 256×128，视场[FOV] = 240×240mm2，厚度4mm，36个轴向切片），（2）三维（3D）T1加权梯度回波（TR/TE = 7.3/3.0毫秒，TI = 400毫秒，FlA = 11°，矩阵大小 = 256×256×196，FOV = 270×270mm2，厚度1.2mm，196个矢状切片），（3）扩散加权（DW）自旋回波（TE/TR = 74/11,250毫秒，FlA = 90°，矩阵大小 = 128×128，FOV = 256×256mm2，厚度2mm，72个轴向切片，b值 = 1500mm2/s，DW方向 = 60），（4）静息状态（RS）功能MRI（fMRI）（TR/TE = 2,500/44毫秒，FlA = 80°，矩阵大小 = 64×64，FOV = 240×240mm2，厚度3mm，32个轴向切片），和（5）三维伪连续动脉自旋标记（pCASL；TE/TR = 11/5,180毫秒，FOV = 240×240mm2，厚度3mm的56个切片分区）。在fMRI期间，参与者被指示保持眼睛睁开。要求参与者在MRI前一天禁止服用非甾体抗炎药或扑热息痛，禁止饮用含酒精或咖啡因的产品，并禁止使用含烟草或尼古丁的产品。

MRI数据分析
     在FLAIR上评估了白质（WM）高信号的存在，并使用局部阈值分割技术（Jim 8；Xinapse Systems，West Bergholt，UK）测量了其体积。

     所有图像都经过预处理和分析，以获得大脑体积、WM分数各向异性（FA）、WM平均扩散性（MD）、脑血流（CBF）和RS功能连接性（FC）图（图2A）。T1加权图像被纠正了WM高信号的存在，然后使用测地信息流(Geodesic Information Flows)进行了组织分割，生成了GM和WM的3D图。然后，T1图像被非线性配准到MNI模板，得到的雅可比体积变形图进一步被掩蔽并用于独立成分分析（ICA）。

图2 神经影像学数据分析概述。 

(A) 图像经过预处理和分析，以获得每个受试者的大脑体积、白质（WM）分数各向异性（FA）、WM平均扩散性（MD）、脑血流（CBF）和静息态（RS）功能连接性（FC）图。

(B) 每个受试者的大脑体积、WM FA、WM MD、CBF 和 RS FC 图被按时间顺序合并。

(C) 执行独立成分分析，以获得显示受试者间共变 MRI 度量变化模式的空间成分图。每种 MRI 模态都获得了五个独立成分，并作为 MRI 特征包括在以下分类分析中。

(D) 使用支持向量机（SVM）模型来识别在区分患者和对照组以及患者亚组中表现最佳和最具信息量的 MRI 特征。估计了模型的准确性、敏感性和特异性，并根据分类模型提供的权重向量对每个特征在分类患者和对照组中的相对重要性进行了排序。在每轮 SVM 训练后，删除了最不具信息量的度量，并用其余度量训练了新的 SVM。在每个删除步骤中都记录了分类器的准确性。

(E) 执行了体素逐个 t 测试，以研究最具区分性 MRI 特征内的区域间组差异。 

3D = 三维；A = 前；DTI = 弥散张量成像；fMRI = 功能 MRI；pCASL = 伪连续动脉自旋标记。

弥散张量成像（DTI）
     DTI数据经过视觉检查，排除了那些有损坏图像的数据。使用ExploreDTI软件预处理DTI数据，并纠正了涡流、运动伪影和回波平面成像几何失真。然后从弥散张量计算了FA和MD图。

伪连续动脉自旋标记（pCASL）
      pCASL图像获取了两次以增加统计功效。两个pCASL扫描被共配准并重新配准到T1空间。T1加权和质子密度图像被重新对准。CBF图被去除颅骨并空间标准化到MNI标准空间。从两个预处理的CBF图中获得了一个平均CBF图。最后，使用8mm高斯核对CBF图进行了空间平滑。

静息状态功能MRI（RS fMRI）
      RS fMRI预处理包括体积重新对准、时间序列去峰和切片时间校正。预处理后，功能数据被与Multi-Echo ICA方法优化组合和去噪。然后，使用8mm高斯核对数据进行空间平滑，使用来自T1分割处理步骤的图对WM和脑脊液信号进行回归，应用截止频率为0.005Hz的高通时间滤波器，并将图像配准到标准MNI152空间。

静息状态功能MRI（RS fMRI）分析
      RS fMRI分析集中在在偏头痛和丛集头痛病理生理学中起关键作用的下皮质区域，包括下丘脑、背侧脑桥、三叉神经脊束核（STN）、丘脑和中脑导水管周围灰质（PAG）。使用双重回归分析法研究不同感兴趣区域（ROIs）内的体素逐步（voxelwise）功能连接（FC）。基于之前的研究，我们使用了一个6mm的球体围绕下丘脑的峰值MNI坐标（来自Maniyar等人和Schulte等人的x = ±6，y = −6，z = −10），以及一个3mm的球体围绕背侧脑桥的峰值MNI坐标（来自Maniyar等人的x = ±6，y = −36，z = −27），STN（三叉神经脊束核）（来自Stankewitz等人的x = ±3，y = −36，z = −45）和PAG（来自Schwedt等人和Maniyar等人的x = ±6，y = −30，z = −9）。也使用FSL内的Harvard-Oxford概率解剖图谱定义了丘脑ROI（阈值>20%）。

大脑体积、WM FA、WM MD、CBF和RS FC图的分析
     每个受试者的脑体积、白质分数各向异性（WM FA）、白质平均扩散性（WM MD）、脑血流（CBF）和静息态功能连接（RS FC）图被使用FSL时序拼接（temporally concatenated），并使用MELODIC group时序拼接独立成分分析（ICA）进行分析（见图2B, C）。ICA的输出是空间成分图，显示了跨受试者的MRI指标变化模式。每个独立成分（IC）空间图被转换为阈值化的逐体素Z统计图，以推断每个受试者的贡献显著调节的体素。这种方法允许我们将原始MRI数据转换为一组特征，这些特征可以包括在后续的分类分析中。每种MRI模态都获得了五个ICs。只有那些显示出限于脑实质的时间上一致的信号模式的成分被用作分类不同参与组的特征（见图2C）

分类分析

       使用在LIBSVM库中实现的线性核支持向量机（SVM）模型，用于评估患者和对照组的最准确分类。基于模型提供的权重向量，对每个特征在分类患者和对照组以及患者亚组中的相对重要性进行了排序。在每轮SVM训练后，删除了最不具信息量的度量，并用剩余的度量训练了一个新的SVM。这个过程重复，直到只剩下一个特征。在每个逐步删除步骤中都记录了分类器的准确性。准确性最高的分类器被认为是性能最好的。根据分类模型提供的真阳性、真阴性、假阳性和假阴性估计了敏感性和特异性。权重向量高于下一个最高度量的1个标准偏差（SD）以上的特征被认为在分类中具有最高的重要性。此外，进行了10折交叉验证模型，以评估结果对新受试者的泛化能力。在交叉验证期间，数据集被分成n折（本例中n = 10）。然后，在n - 1折上训练模型，并在剩余的折上验证其性能。

       首先，为了研究哪些MRI度量产生了患者和对照组以及患者亚组的最佳区分，我们进行了包括从ICA获得的MRI特征的分类分析，这些特征编码了大脑激活模式（RS FC和CBF图）和形态测量（大脑体积、WM FA和MD图；见图2D）。分类准确性的估计已根据年龄和性别效应进行了调整。其次，为了测试目前用于诊断偏头痛和丛集头痛的临床特征的准确性，我们进行了包括那些被认为相对特异于偏头痛（畏光、畏声、恶心/呕吐、运动敏感性、疼痛的严重性和侧性）和丛集头痛（CAS，一种不安感，疼痛的严重性和侧性）的临床特征的二次分类分析。年龄、性别、疾病持续时间和头痛发作频率也包括在临床分类分析中。最后，为了研究结合MRI和临床数据是否会更准确地分类偏头痛和丛集头痛患者，我们进行了包括最佳分类模型的MRI和临床特征的分类分析。

统计分析

     使用Mann–Whitney测试比较连续变量之间的组的人口统计学和临床特征，对分类变量使用卡方或Fisher精确测试（SPSS软件，版本22.0；IBM，Armonk，NY）。

      在RS fMRI预处理期间，计算了总共500个随机排列，以创建用于评估双重回归分析的测试统计量的零分布。对于ICA，结果在基于高斯/伽马混合模型的备择假设测试下被阈值化为p > 0.5，该模型适用于组件的强度直方图。

      为了确定观察到的分类准确性是否具有统计学意义，执行了重复的随机子抽样验证，其中从患者和对照组中随机选择n个受试者，对每个n从1到10重复1000次。使用部分相关分析（SPSS软件，版本22.0）评估分类模型中最高贡献的MRI特征与患者的临床特征（疼痛侧，疼痛严重性，头痛发作频率，疾病持续时间，存在不安感，畏光，畏声，恶心/呕吐，运动敏感性）之间的关联。

      使用SPM12进行了体素逐个t测试，以调查最具区分性的MRI特征内的区域间组差异，统计阈值为p < 0.05，家庭误差校正（见图2E）。使用SPM12中实现的多元线性回归模型评估了这种区域差异与患者的临床特征（疼痛侧，疼痛严重性，头痛发作频率，疾病持续时间，存在不安感，畏光，畏声，恶心/呕吐，运动敏感性）之间的相关性。所有区域分析中都包括年龄和性别作为协变量。

结果

人口统计学、临床和常规MRI数据

      最终分析包括20名偏头痛患者（10名无先兆，10名有先兆），20名丛集性头痛患者和15名对照对象。一名偏头痛患者在MRI的前一天报告了一次偏头痛发作，而所有其他患者在检查前至少2天没有头痛。大多数偏头痛患者也否认在MRI后的几天里有头痛（5名患者的数据不可用）。所有丛集性头痛患者在他们没有发作的时候都进行了扫描，他们中没有人在MRI前后至少48小时有任何头痛发作。除了丛集性头痛，3名患者还有无先兆的偏头痛发作（患者1：6年2次发作；患者2：每年4次发作；患者3：每月4次发作），2名患者在青春期时曾患有无先兆的偏头痛，4名患者还被诊断为可能的偏头痛。8名对照对象患有不频繁的紧张型头痛。没有对照对象在MRI前后报告有任何头痛。

      头痛患者的年龄比对照组大，而头痛患者和对照组之间的性别没有差异（表1）。与对照组和偏头痛患者相比，丛集性头痛患者的年龄最大，而偏头痛患者和对照组之间的年龄没有差异。如预期的那样，考虑到这两种疾病的性别患病率，偏头痛患者主要是女性，而大多数丛集性头痛患者是男性。偏头痛患者每月的头痛发作次数中位数是4（四分位范围[IQR] = 2-56）。丛集性头痛患者每年的发作次数中位数是0.8（IQR = 0.5-1），持续时间中位数是45天（IQR = 30-71），每天3次（IQR = 1-3）。畏光、畏声、运动敏感性和恶心/呕吐在偏头痛患者中更为普遍，而不安感和单侧疼痛在丛集性头痛患者中更为频繁。与偏头痛患者相比，丛集性头痛患者经历了更为严重的头痛发作。

表1：对照组和患者的人口统计学、临床和常规磁共振成像特征

注意：测量结果以中位数和四分位距（25th–75th百分位数）报告。性别和患者的临床特征以频率报告。

缩写：NRS = 数字评分量表；WMH = 白质高信号。两名偏头痛，4名丛集头痛和2名对照受试者有小的、非特异性的、点状的白质超强度，平均病变体积之间没有显著的组间差异（见表1）。

特征选择

      从ICA中选择了不同的结构和功能MRI模式，包括脑干、小脑、丘脑、基底节和前、顶、颞、枕区域，并作为MRI分类分析中的特征。包括在临床分类分析中的临床和人口统计特征是年龄、性别、疾病持续时间、头痛发作频率、存在恶心/呕吐、对光、声音敏感、运动敏感、CAS（cranial autonomic symptoms）和不安以及疼痛的严重性和侧重性。

分类分析

头痛患者和对照组

       MRI模型在区分对照组和头痛患者方面取得了最高的分类准确性，准确率为80%（p = 0.006；见图3和表2）。尽管没有MRI特征的权重向量超过了下一个最高指标的1个标准差（SD），但右侧下丘脑的RS FC IC3、左侧下丘脑的RS FC IC5和PAG的左侧RS FC IC4在预测中具有最高的特征重要性。在RS FC IC3中，右侧下丘脑与岛叶、顶叶、枕叶和颞叶的FC增加。相反，在RS FC IC5中，左侧下丘脑显示与岛叶、顶叶、枕叶和颞叶的FC减少。在RS FC IC4中，左PAG（中脑导水管周围灰质）与脑桥、以及中央和上额回的RS FC减少，以及与楔前叶、枕区、中央颞回和眶前回的RS FC增加。我们发现左PAG的RS FC IC4与运动敏感性的存在呈正相关（r = 0.4，p = 0.009）、声音恐惧症（r = 0.3，p = 0.05）和恶心/呕吐（r = 0.3，p = 0.03）。左PAG的RS FC IC4与CAS的存在（r = −0.3，p = 0.04）和疼痛严重性（r = −0.3，p = 0.04）呈负相关。

图3：区分头痛患者和对照组的分类模型。

(A) 条形图表示包括在模型中的磁共振成像（MRI）特征的标准化权重，该模型在区分对照组和整个头痛患者组方面具有最高的分类准确性。

(B) 预测中最重要的MRI特征的空间图。脑图在备择假设下的p > 0.5水平上进行了阈值处理。高z分数以红-黄色表示，低z分数以蓝色表示。

A = 前；CBF = 脑血流；FA = 分数各向异性；FC = 功能连接；IC = 独立成分；L = 左；MD = 平均扩散性；P = 后；PAG = 中脑导水管周围灰质；R = 右；RS = 静息状态；STN = 三叉神经脊束核；WM = 白质。

表2：区分头痛患者和对照组以及偏头痛和丛集头痛患者的最具区分性模型的分类性能

偏头痛患者和对照组

      最佳MRI分类器在区分偏头痛患者和对照组方面达到了89%的准确率（p = 0.008；见图4A和表2）。右侧中脑导水管周围灰质（PAG）的RS FC IC4在分类中具有最高的特征重要性。在这个RS网络中，右侧PAG与前额区域和岛叶的RS FC增加，而与小脑，以及下枕叶和眶前回的RS FC减少（见图4C）。在偏头痛患者中，观察到右侧PAG的RS FC IC4与CAS（r = 0.5，p = 0.02）的存在之间存在正相关。

图4：分类模型区分偏头痛患者和丛集头痛患者与对照组。

（A）条形图表示包括在产生最高分类准确度的模型中的磁共振成像（MRI）特征的标准化权重，该模型用于区分偏头痛患者和对照组。

（B）条形图表示包括在产生最高分类准确度的模型中的MRI特征的标准化权重，该模型用于区分丛集头痛患者和对照组。

（C）右侧中脑导水管周围灰质（PAG）的静息态（RS）功能连接（FC）独立成分4（IC4）的空间图，其阈值为p > 0.5，根据一种替代假设进行阈值化。高z分数以红-黄色表示，低z分数以蓝色表示。

与对照组相比，偏头痛患者右PAG显示增加的RS FC的脑区域以绿色显示（根据其t值进行颜色编码；p < 0.05，簇wise familywise错误校正用于多重比较）。

A = 前；CBF = 脑血流；FA = 分数各向异性；L = 左；MD = 平均扩散性；P = 后；R = 右；STN = 三叉神经脊束核；WM = 白质。

丛集头痛患者和对照组

      在区分丛集头痛患者和对照组的MRI模型中，表现最佳的模型的准确度为98%（p < 0.001；见图4B和表2）。右侧PAG的RS FC IC4是预测中最重要的MRI特征。右侧PAG的RS FC IC4与丛集头痛患者的临床特征之间没有找到显著的相关性。

偏头痛和丛集头痛患者

      在区分丛集头痛和偏头痛患者的MRI模型中，表现最佳的模型的准确度为78%（p = 0.01；见图5A和表2）。左侧丘脑的RS FC IC4在分类中具有最高的特征重要性。在这个网络中，左侧丘脑显示出与顶部区域、中央颞部和中央前回的RS FC减少，以及与小脑、扣带回、中央前回和枕部区域的RS FC增加（见图5B）。我们没有找到左侧丘脑RS FC IC4与患者临床特征之间的任何显著关联。

图5：区分偏头痛和丛集头痛患者的分类模型

(A) 条形图表示包含在模型中的磁共振成像（MRI）特征的标准化权重，该模型在区分偏头痛和丛集头痛患者方面产生了最高的分类准确度。

(B) 左侧丘脑的静息态（RS）功能连接（FC）独立组件 4（IC4）的空间图，其阈值为 p > 0.5，根据另一种假设进行阈值化。高 z 分数以红-黄色表示，低 z 分数以蓝色表示。与偏头痛患者相比，丛集头痛患者的左侧丘脑显示出减少的RS FC的脑区域以紫色显示（根据其 t 值进行颜色编码；p < 0.05，簇值家庭误差校正进行多重比较）。

(C) 条形图表示包含在临床模型中的临床和人口统计特征的标准化权重，该模型在区分偏头痛和丛集头痛患者方面产生了最高的分类准确度。

(D) 条形图表示包含在MRI-临床联合模型中的临床、人口统计和MRI特征的标准化权重，该模型在区分偏头痛和丛集头痛患者方面产生了最高的分类准确度。

A = 前；CBF = 脑血流；L = 左；P = 后；PAG = 中脑导水管周围灰质。

      基于所有人口统计和临床特征正确分类个体患者为偏头痛或丛集头痛的最佳分类准确度为 99%（p < 0.001；见图 5C 和表 2）。尽管没有临床特征的权重向量超过下一个最高度量的 1 个标准差，但不安感的存在和疼痛的严重性在预测中具有最高的特征重要性。

      最佳的 MRI-临床联合分类模型达到了 99% 的准确度（p < 0.001；见图 5D 和表 2）。在预测中，不安感的存在是具有最高重要性的特征。

      

体素逐步分析 

      在左侧下丘脑 RS FC IC5、右侧下丘脑 RS FC IC3 以及左侧 PAG 的 RS FC IC4 中，头痛患者和对照组之间没有显著的大脑区域差异，以及丛集头痛患者和对照组在右侧 PAG 的 RS FC IC4 中也没有显著差异。

      在右侧 PAG 的 RS FC IC4 中，与对照组相比，偏头痛患者的右侧 PAG 和同侧小脑之间的 RS FC 增加（见图 4C 和表 3）。

表 3. 偏头痛患者和对照组之间，以及丛集头痛和偏头痛患者之间的区域静息状态功能连接差异

p < 0.05，经过多重比较的族群家庭误差校正。缩写：FC = 功能连接；MNI = 蒙特利尔神经学研究所；PAG = 中脑导水管周围灰质；RS = 静息状态。在左侧丘脑的 RS FC IC4 中，与偏头痛患者相比，丛集头痛患者显示左侧丘脑与左侧楔前叶、角回和中颞回之间的 RS FC 减少（见图 5B 和表 3）。

      没有发现这种功能改变与偏头痛患者的临床特征之间的显著相关性。

讨论 

     在这项研究中，我们使用了一种监督机器学习方法和多模态成像数据，识别了区分偏头痛和丛集头痛患者的最具区分性的 MRI 模式，以及这两种主要头痛共享的成像特征。

      我们的结果显示了对原发性头痛患者和对照组进行稳健和准确分类的能力，达到了80%的准确率。当我们分别训练模型来区分偏头痛和丛集头痛患者和对照组时，分别获得了89%和98%的总准确率。

      我们研究的第一个有趣结果是，不同的大脑激活和形态学模式的组合在区分偏头痛和丛集头痛患者与对照组之间表现出了最佳的分类性能。此前，区分偏头痛患者和对照组的准确率较低，范围从67%到86%。这些结果是通过包括只有大脑皮层形态测量或 RS FC 数据的监督分类算法获得的。之前使用分类或单变量标准方法的 MRI 研究已经分别研究了结构和功能成像特征，在偏头痛和丛集头痛患者中都显示出涉及多感官处理（包括疼痛）的大脑区域的异常。只有一项之前的分类研究证明了在区分偏头痛患者和对照组时，结合 GM 体积和 RS fMRI 数据相对于单一成像特征的优势（准确率分别为83%和71%）。此外，只有少数几项使用标准单变量分析的研究探讨了偏头痛患者中 GM 体积和功能大脑变化的同时存在。在这项研究中，体积和 RS fMRI 测量已经与 DTI 和 pCASL 数据整合，提供了有关大脑血流动力学、功能、宏观结构和微结构变化的全面信息。多个功能和结构成像指标的整合揭示了有关潜在生物过程的互补信息。这种方法可能有助于我们更好地理解头痛的病理生理机制。

      监督分类算法迄今尚未用于区分丛集头痛患者和对照组。有趣的是，我们发现区分丛集头痛和对照组的分类准确率为98%，特异性为100%。这些结果表明，确保对照组不患有丛集头痛的生物学特征不像偏头痛那样具有挑战性。

     在将偏头痛和丛集头痛患者从对照组中分类时，最具区分性的MRI模式包括PAG 和下丘脑的大脑 RS FC 网络。下丘脑在偏头痛和丛集头痛的病理生理机制中的重要作用是众所周知的。有充足的证据支持下丘脑在偏头痛和丛集头痛发作的急性阶段起关键作用。 最近的 fMRI 研究在三叉神经痛觉刺激期间强调了偏头痛和丛集头痛周期中下丘脑活动的动态功能变化，支持其在推动头痛发作的起始中起关键作用。 与之前的间发作研究类似，我们在这里显示了在头痛发作之外研究的偏头痛和丛集头痛患者的下丘脑与涉及疼痛控制和视觉处理的大脑区域之间存在显著的功能交互。我们的发现也与之前的分类研究一致，该研究报告了杏仁核和下丘脑之间的 RS FC 对区分偏头痛患者和对照组的分类准确性有所贡献。

      PAG（中脑导水管周围灰质）是内源性疼痛抑制系统的关键区域。有证据显示，痛觉大脑区域和 PAG 之间的功能交互改变可能有助于偏头痛患者痛觉过敏的发展。还有证据显示 PAG 刺激可能引发头痛的发作。在这里，我们发现了连接左右 PAG 到小脑、岛叶以及前、颞、枕区域的网络在整个头痛患者群体中，以及在偏头痛和丛集头痛患者中分别具有特定的作用。尽管迄今尚未研究 PAG 的 RS FC 在头痛分类中的作用，但之前的研究已确认在区分偏头痛患者和对照组中疼痛处理大脑区域的参与，包括岛叶、小脑、颞叶和前额区域。值得注意的是，尽管左右 PAG 连接到相似的大脑区域，但它们的功能耦合方向相反。我们在头痛患者中发现的 PAG 左侧 RS FC 网络与疼痛严重性之间的显著关联强化了其在调节疼痛感知中的关键作用。有趣的是，在我们的患者样本中，PAG 网络的全局功能活动也与 CAS 的存在以及偏头痛特异性症状（如运动敏感性、畏声和恶心/呕吐）显著相关。这些发现与之前的正电子发射断层扫描研究相一致，该研究建议 PAG 可能有助于偏头痛患者恶心的出现，临床前研究显示 PAG 参与控制感觉、自主和运动过程。PAG 活动可以通过参与偏头痛和丛集头痛病理生理学的各种神经肽和神经递质（如5-羟色胺、促进素和 CGRP）进行调节，这表明 PAG 可能是急性和预防性头痛治疗（如曲普坦和抗 CGRP 单克隆抗体）的作用部位。我们的发现强调了 PAG 作为伴随偏头痛和丛集头痛的症状的介质之一，支持其包含潜在的治疗靶点。

       MRI 模型区分丛集头痛和偏头痛患者的准确率最低（78%）。有趣的是，除了丛集头痛发作外，9名患者还有明确或可能没有先兆的偏头痛病史。这些数据与之前的发现一致，显示丛集头痛患者中偏头痛和偏头痛家族史的患病率较高。 丛集头痛患者中有45%的两种类型的头痛共存可能解释了我们获得的较低准确率，并支持偏头痛和丛集头痛之间的共同遗传易感性和病理生理机制。我们不能排除在“发作期”阶段研究丛集头痛患者可能会提高准确率的可能性。有证据显示丛集头痛患者在疾病的“发作期”和“非发作期”阶段之间存在动态的功能和结构大脑变化，这些变化可能促使丛集头痛发作的开始。在疾病最活跃的阶段研究丛集头痛患者可能揭示与偏头痛患者相比更多的影像学差异。将患者的临床特征添加到 MRI 测量中，提高了区分偏头痛和丛集头痛患者模型的分类准确性，总体准确性达到99%。患者的临床特征提供了识别个体为偏头痛或丛集头痛的最高准确性，从而加强了临床标准对这两种形式的原发性头痛的鉴别诊断的重要性。有趣的是，临床和 MRI-临床联合模型都显示，区分偏头痛和丛集头痛患者的最重要特征是不安的存在。行为障碍，如不安和焦虑，是相对特异于丛集头痛的症状，患者经常描述。在我们的样本中，所有丛集头痛患者都报告在他们的发作期间经历了不安。

      本研究识别出最具区分性的 MRI 特征，揭示了丘脑在区分偏头痛和丛集头痛患者分类中的核心作用。与偏头痛患者相比，我们发现丛集头痛患者的左丘脑与顶叶脑区域（包括楔前区和角回）之间的功能交互较低。丘脑是处理和整合伤害刺激的关键区域。丘脑皮层投射到感觉运动、视觉和边缘区域可以解释头痛特征的部分复杂性。楔前叶和角回是默认模式网络的组成部分，该网络已知参与认知、自我监控、感觉整合和内感觉。基于我们的结果，我们可以推测，对内生成的感觉刺激的异常处理可能导致丛集头痛患者描述的不安感和强迫移动的感觉。这一假设与之前显示不安腿综合症或精神障碍患者的异常丘脑皮层活动与不安存在之间的关联的证据一致。

     本研究的主要优点是整合了多模态功能和结构 MRI 数据，并结合了影像和临床数据。此外，我们首次使用监督分类算法区分丛集头痛患者和对照组，以及偏头痛和丛集头痛患者。

      本研究的局限性在于样本量相对较小。因此，我们决定使用监督机器学习方法，该方法在每个患者的水平上执行生物标记物提取，而不依赖样本大小。此外，患者和对照组的样本大小与头痛疾病的先前 MRI 研究一致。研究中包括有和没有先兆的偏头痛患者，许多丛集头痛患者具有偏头痛生物学特征。具有偏头痛和丛集头痛生物学特征的参与者可能会模糊重要的区别。我们的结果应在一个独立的样本中得到验证。此外，进一步的研究有必要在发作期和非发作期对偏头痛和丛集头痛患者进行分类。

      尽管详细的临床病史仍然是偏头痛和丛集头痛诊断的基础，但我们的数据突显了机器学习技术和多模态 MRI 数据在理解偏头痛和丛集头痛的神经生物学基础中的潜在价值。包括大脑功能和结构 MRI 测量的 MRI 分类器准确地将个体分类为患有偏头痛或丛集头痛，支持将这些原发性头痛视为复杂的大脑疾病的观点。我们识别了大脑功能生物标志物，包括偏头痛和丛集头痛共享的丘脑和 PAG 网络，这些网络可能介导患者所经历的疼痛和相关症状。我们还提出丘脑皮质通路作为可能区分偏头痛和丛集头痛发作及其不同临床特征的神经基质。随着新的急性和预防疗法的许可，机器学习技术和多模态 MRI 数据的应用可能会进一步揭示原发性头痛的病理生理机制，揭示新的治疗靶点，并指导针对每种形式的原发性头痛开发新药。