第一部分 基于扩散张量成像的自动纤维定量分析在SLE患者脑白质微结构改变中的应用研究目的:基于扩散张量成像(diBMN 673试剂ffusion tensor imaging,DTI)的自动纤维定量(automated fiber quantification,AFQ)分析探讨系统性红斑狼疮(systemic lupus erythematosus,SLE)患者脑白质纤维束的损伤节段及其与认知功能障碍的关系。方法:前瞻性搜集39例女性SLE患者(SLE组)及44例与其年龄、性别及教育程度相匹配健康志愿者(HC组)的临床及影像学资料。应用扩散张量成像的自动纤维束定量(AFQ)分析对每个参与者的全脑白质纤维束进行追踪,并将每条白质纤维束分成100等份,对每个等份的各项异性分数(fractional anisotropy,FA)、平均扩散系数(mean diffusivity,MD)、轴向扩散系数(axial diffusivity,AD)、径向扩散系数(radial diffusivity,RD)值进行定量分析,比较两组间各条纤维束扩散张量系数的差异,并将SLE患者组中的白质纤维束受损节段的DTI指标值与神经心理学量表进行相关性分析。结果:与HC组相比,SLE组的左侧下额枕束(96-100段)、左侧下纵束(69-79段)FA值降低;左侧丘脑放射束(1-11段)、左侧皮质脊髓束(21-24、87-100段)、右侧皮质脊髓束(20-25、70-90、94-100段)、右侧扣带回扣带束(45-54段)、胼胝体小钳(14-19、23-31、68-91段)、左侧下额枕束(8-12、16-21、27-31、92-97段)、右侧下额枕束(10-19段)、右侧下纵束(28-34、43-46段)、左侧弓形束(38-42段)MD值升高,左侧皮质脊髓束(66-100段)、右侧皮质脊髓束(68-90、93-100段)、右侧下纵束(41-46段)、左侧上纵束(54-83段)AD值升高,左侧丘脑放射束(1-10段)、左侧皮质脊髓束(20-25段)、胼胝体小钳(14-31、64-77段)、左侧下额枕束(94-100段)、左侧下纵束(70-79段)RD值升高(均为FDR校正)。此外,相关性研究发现,左侧下额枕束97-100 段(97:r=0.356,p=0.026;98:r=0.345,p=0.031;99:r=0.336,p=0.037;100:r=0.340,p=0.034)的FA值与MMSE量表评分呈正相关。结论:采用AFQ分析能够更加精细且准确地发现SLE患者脑内白质纤维束的受损节段。此外,DTI相关指标的改变与认知功能障碍具有相关性,可作为早期识别SLE认知功能障碍的影像学指标。第二部分 基于扩散张量成像的自动纤维定量分析的机器学习模型对SLE疾病诊断价值的应用研究目的:基于磁共振扩散张量成像(DTI)的自动纤维定量(AFQ)分析结果探究系统性红斑狼疮(SLE)患者脑白质微结构的改变在机器学习模型诊断预测中的应用价值。方法:搜集39例女性SLE患者(SLE组)及44例与其年龄、性别及教育程度相匹配健康志愿者(HC组)的DTI图像。应用自动纤维定量(AFQ)分析对每个受试者的全脑白质纤维束进行追踪,然后将每条纤维束化分为100等份,分别提取其FA、MD、RD、AD值作为两组被试的脑白质纤维束特征,使用最大相关和最小冗余(maximum relevancy and minimum redundancy,mMRM)、最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)逻辑回归算法筛选具有组间差异的机器学习特征,构建FA、MD、AD、RD四个独立机器学习模型和FA+MD、FA+MD+AD+RD两个联合机器学习模型,通过支持向量机(SVM,support vector machine)五折交叉验证法对SLE组及HC组进行预测分类,使用受试者工作特征曲线(receiver operating characyerAlisertib纯度istic curve,ROC)评价诊断效能。结果:所有白质纤维束共提取116个特征(18个FA特征;14个MD特征;15个AD特征;15个RD特征;26个FA+MD特征;28个FA+MD+AD+RD特征)。其中,FA(训练组:AUC=0.96;测试组:AUC=0.91)、MD(训练组:AUC=0.96;测试组:AUC=0.93)、AD(训练组:AUC=0.97;测试组:AUC=0.86)、RD(训练组:AUC=0.94;测试组:AUC=0.85)、FA+MD(训练组:AUC=0.98;测试组:AUC=0.94)、FA+MD+AD+RD(训练组:AUC=0.99;测试组:AUC=0.96),所有纤维束节点的分类特征在SLE组和HC组分类中具有良好的诊断效能,其中,独立模型中MD模型的诊断效能最好,训练组AUC值为0.96,灵敏度为94.88%,特异度为92.60%,准确度为93.68%;测试组AUC值为0.93,灵敏度为84.29%,特异度为91.11%,准确度为88.01%。联合模型中FA+MD+AD+RD模型的诊断效能最好,测试组AUC值为0.93,灵敏度为99.35%,特异度为97.71%,准确度为98.49%;训练组AUC值为0.96,灵敏度为87.14%,特异度为88.61%,准确度为87.87%。结论:基于扩散张量成像的自动纤维定量分析early response biomarkers结果构建的机器学习模型对SLE组和HC组的分类预测具有较高的应用价值。其中,独立模型MD和联合模型FA+MD+AD+RD的诊断效能最好,预测分类的价值更高。