大脑和身体许多关键功能——如意识、睡眠、呼吸、心率和运动——都依赖于脑干内的“白质”纤维束传递信号。然而，现有成像技术难以细致分辨这些重要的神经纤维，限制了研究人员和医生评估脑干受创伤或神经退行性疾病影响的能力。
麻省理工学院（MIT）、哈佛大学和麻省总医院的研究团队开发了一款基于人工智能的软件，能够自动分割任何扩散MRI序列中的八个不同神经束。
这项研究于2024年2月6日发表在《美国国家科学院院刊》（PNAS）上，MIT研究生Mark Olchanyi领导的团队介绍了他们的脑干束工具（BrainStem Bundle Tool，简称BSBT），并已公开发布代码。BSBT揭示了帕金森病、多发性硬化和创伤性脑损伤患者脑干结构的不同变化模式，同时也为阿尔茨海默病提供了新的见解。此外，研究显示BSBT能够回溯追踪一名昏迷患者脑干神经束的恢复过程，反映了患者七个月的康复历程。
“脑干是大脑中极难成像的区域，因此一直未被充分探索，”Olchanyi说。他是MIT医学工程与医学物理项目的博士生。“我们需要了解人类脑干白质的组织结构，以及这些结构在某些疾病中如何被破坏。”
Olchanyi的导师、研究共同通讯作者Emery N. Brown教授补充道：“脑干是人体最重要的控制中心之一。Mark的算法为成像研究和基础生理调控的理解做出了重大贡献。通过提升脑干成像能力，我们得以更好地研究呼吸、心血管系统调节、体温控制以及昼夜觉醒和睡眠机制等关键生理功能。”
Brown教授是MIT皮考尔学习与记忆研究所、医学工程与科学研究所及脑与认知科学系的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及哈佛医学院教授。
算法构建
扩散MRI技术能够追踪神经元延伸的长轴突，轴突外包裹着脂肪鞘——髓鞘，水分子沿着髓鞘内的轴突扩散，这就是大脑“白质”的表现。扩散MRI能够捕捉水分子的定向扩散特征，但脑干内神经束体积小且受脑脊液流动及呼吸、心跳引起的运动影响，导致分割难度极大。
作为博士论文的一部分，Olchanyi致力于开发一款AI算法来克服这些挑战。BSBT通过追踪来自丘脑、小脑等脑部邻近区域进入脑干的纤维束，生成“概率纤维图谱”。随后，一个卷积神经网络结合脑干内多通道成像信息，自动区分出八个独立的神经束。
为了训练神经网络，Olchanyi使用了人类连接组计划（HCP）中30例志愿者的活体扩散MRI扫描数据，并对其进行了手动标注，教会网络识别神经束。随后，他通过与尸检人脑的显微镜检查和超高分辨率成像结果对比验证BSBT的准确性。训练完成后，BSBT能够自动识别新扫描中的八个神经束。
在一致性和可靠性测试中，BSBT成功在40名志愿者两个月间隔的两次扫描中准确定位相同神经束。Olchanyi还使用多个数据集进行测试，并逐一禁用神经网络的各个组件，验证其对分析结果的贡献。
“我们对神经网络进行了严格考验，确保它能够做出合理的分割，并且各个组件都有效提升了准确率。”他说。
潜在的新型生物标志物
算法训练和验证完成后，团队进一步测试了利用BSBT分割的神经束体积和结构变化，是否能作为疾病或损伤的生物标志物。虽然脑干难以详细检查，但已有研究表明神经退行性疾病常早期影响脑干。
研究团队将BSBT应用于阿尔茨海默病、帕金森病、多发性硬化和创伤性脑损伤患者的扩散MRI数据，比较患者与健康对照组，或患者自身随访数据。工具测量了神经束体积和“分数各向异性”（FA），后者反映水分子沿髓鞘轴突的流动程度，是白质结构完整性的指标。
结果显示，各疾病患者脑干神经束均出现一致的变化模式。阿尔茨海默病患者仅一束神经束显著下降；帕金森病患者三束神经束FA降低，另一束神经束体积在两年随访中减少；多发性硬化患者四束神经束FA下降，三束体积减少；创伤性脑损伤患者虽无显著体积损失，但大多数神经束FA降低。
研究表明，BSBT在区分患者与健康对照方面优于其他分类方法。
因此，作者指出，BSBT可作为现有诊断成像的有力补充，提供脑干白质结构的细致评估及部分病例的纵向追踪信息。
昏迷患者的康复追踪
在一例29岁重度创伤性脑损伤昏迷患者的七个月康复过程中，BSBT分析显示其脑干神经束虽被移位但未断裂，病变体积减少了三倍，神经束逐渐恢复到正常位置。
作者认为，BSBT具有重要的预后价值，能够识别保存的脑干神经束，辅助昏迷患者的康复评估。
本研究的其他通讯作者包括Juan Eugenio Iglesias和Brian Edlow，参与作者还有David Schreier、Jian Li、Chiara Maffei等人。
研究获得了美国国立卫生研究院、国防部、James S. McDonnell基金会、Rappaport基金会、美国家庭睡眠呼吸暂停研究所、美国脑基金会、美国神经学会、医学与创新技术整合中心、神经科学研究蓝图及马萨诸塞州生命科学中心等机构的资助。
