驱动大脑和身体最重要功能的信号——意识、睡眠、呼吸、心率和运动——通过脑干中被称为"白质"纤维束传输，但现有成像系统一直无法精确分辨这些关键的神经线缆。这使得研究人员和医生难以评估这些结构如何受到创伤或神经退行性疾病的影响。

在一项新研究中，来自MIT、哈佛大学和麻省总医院的研究团队发布了一款基于AI技术的软件，能够在任何弥散MRI序列中自动分割八个不同的纤维束。

该开放获取研究于2月6日发表在《美国国家科学院院刊》上。由MIT研究生Mark Olchanyi领导的研究团队报告称，他们开发的脑干束工具（BSBT）已公开发布，该工具揭示了帕金森病、多发性硬化症和脑外伤患者的结构变化模式，同时对阿尔茨海默病也有所启发。此外，研究显示BSBT能够回顾性追踪昏迷患者纤维束愈合过程，反映了患者七个月的康复历程。

"脑干是一个基本未被探索的大脑区域，因为它很难成像，"MIT医学工程和医学物理学项目的博士候选人Olchanyi说。"从成像角度看，人们并不真正了解它的构成。我们需要理解人类白质的组织结构，以及这种组织在某些疾病中如何被破坏。"

Olchanyi的论文导师、该研究的共同高级作者Emery N. Brown教授补充道："脑干是人体最重要的控制中心之一。Mark的算法对成像研究以及我们理解基本生理调节的能力做出了重大贡献。通过增强我们对脑干成像的能力，他为我们提供了获取重要生理功能的新途径，如呼吸和心血管系统控制、体温调节、白天保持清醒和夜间睡眠机制。"

Brown是MIT皮考尔学习记忆研究所、医学工程与科学研究所以及脑与认知科学系的Edward Hood Taplin计算神经科学与医学工程教授，同时也是麻省总医院的麻醉师和哈佛医学院教授。

构建算法

弥散MRI有助于追踪神经元用于相互交流的长分支，即"轴突"。轴突通常被称为髓鞘的脂肪鞘包裹，水在髓鞘内沿轴突扩散，髓鞘也被称为大脑的"白质"。弥散MRI可以突出显示这种高度定向的水位移。但分割脑干中不同轴突束一直很困难，因为它们很小，且被脑液流动以及呼吸和心跳产生的运动所掩盖。

作为更好理解意识机制的论文工作的一部分，Olchanyi希望开发一种AI算法来克服这些障碍。BSBT通过追踪从大脑高级邻近区域（如丘脑和小脑）延伸到脑干的纤维束，生成"概率纤维图"。然后，一个称为"卷积神经网络"的人工智能模块将该图与脑干内多个成像信息通道结合，以区分八个独立束。

为了训练神经网络分割这些束，Olchanyi向其"展示"了来自人类连接组计划（HCP）志愿者的30个活体弥散MRI扫描。这些扫描经过手动标注，教导神经网络如何识别这些束。然后他通过将BSBT的输出与死后人脑的"基准真值"解剖进行对比来验证，在这些解剖中，束通过显微检查或非常缓慢但超高分辨率成像得到清晰界定。训练后，BSBT能够熟练地在新扫描中自动识别八个不同的纤维束。

在一项测试其一致性和可靠性的实验中，Olchanyi让BSBT在40名志愿者中寻找束，这些志愿者接受了间隔两个月的单独扫描。在每种情况下，该工具都能在同一患者的两次扫描中找到相同的束。Olchanyi还用多个数据集（不仅是HCP）测试了BSBT，甚至通过逐一限制神经网络的每个组件来检查它们如何对BSBT的分析做出贡献。

"我们对神经网络进行了严格测试，"Olchanyi说。"我们想确保它真正进行了这些合理的分割，并且以提高准确性的方式利用了每个独立组件。"

潜在的新型生物标志物

一旦算法得到适当训练和验证，研究团队开始测试分割弥散MRI扫描中不同纤维束的能力是否能够追踪每个束的体积和结构随疾病或损伤的变化，从而创建一种新型生物标志物。虽然脑干一直难以详细检查，但许多研究表明神经退行性疾病会影响脑干，通常在疾病进展早期就出现影响。

Olchanyi、Brown及其共同作者将BSBT应用于来自阿尔茨海默病、帕金森病、MS和脑外伤（TBI）患者的多个弥散MRI扫描数据集。将患者与对照组进行比较，有时还与他们自己的历史数据进行时间对比。在扫描中，该工具测量束体积和"分数各向异性"（FA），后者追踪有多少水沿着有髓轴突流动，相对于在其他方向扩散的水量，这是白质结构完整性的代理指标。

在每种病症中，该工具都发现了束变化的一致模式。虽然阿尔茨海默病只有一个束显示显著下降，但在帕金森病中，该工具揭示了八个束中三个的FA降低。它还揭示了患者在基线扫描和两年随访之间另一个束的体积损失。MS患者在四个束中显示最大的FA降低，三个束中有体积损失。同时，TBI患者在任何束中都没有显示显著的体积损失，但在大多数束中FA降低是明显的。

研究中的测试表明，BSBT在区分健康状况患者与对照组方面比其他分类方法更准确。

因此，BSBT可以"通过提供脑干白质结构的细粒度评估以及在某些情况下的纵向信息，成为辅助当前诊断成像方法的关键工具"，作者写道。

最后，在一名因严重TBI而昏迷七个月的29岁男子的案例中，Olchanyi将BSBT应用于该男子昏迷期间的扫描。该工具显示该男子的脑干束已被移位，但未被切断，并显示在昏迷期间，神经束上的病变体积减少了三分之二。随着愈合，束也重新归位。

作者写道，BSBT"通过识别能够促进昏迷康复的保存脑干束，具有重大的预后潜力"。

该研究的其他高级作者是Juan Eugenio Iglesias和Brian Edlow。其他共同作者包括David Schreier、Jian Li、Chiara Maffei、Annabel Sorby-Adams、Hannah Kinney、Brian Healy、Holly Freeman、Jared Shless、Christophe Destrieux和Hendry Tregidgo。

研究资金来自美国国立卫生研究院、美国国防部、James S. McDonnell基金会、Rappaport基金会、美国婴儿猝死综合征研究所、美国脑基金会、美国神经学学会、医学与创新技术整合中心、神经科学研究蓝图和马萨诸塞州生命科学中心。

Q&A

Q1：BSBT是什么？它有什么功能？

A：BSBT是脑干束工具，由MIT、哈佛大学和麻省总医院研究团队开发的基于AI技术的软件。它能够在任何弥散MRI序列中自动分割脑干中八个不同的白质纤维束，帮助医生和研究人员评估这些关键神经结构如何受到创伤或神经退行性疾病的影响。

Q2：BSBT在哪些疾病的诊断中显示出应用价值？

A：BSBT在多种神经系统疾病中都显示出诊断价值，包括帕金森病、多发性硬化症、脑外伤和阿尔茨海默病。该工具能够揭示不同疾病在脑干纤维束中的特定变化模式，比其他分类方法更准确地区分患者与健康对照组，为疾病诊断提供新的生物标志物。

Q3：BSBT如何帮助昏迷患者的治疗和预后评估？

A：BSBT能够追踪昏迷患者脑干束的愈合过程，为预后评估提供重要信息。在一个案例中，它显示了一名昏迷七个月的脑外伤患者，其脑干束虽然移位但未被切断，病变体积在昏迷期间减少了三分之二，束结构逐渐归位，这与患者的康复过程相对应，具有重大预后价值。