臨床前擴散磁振造影 (dMRI) 之 ISMRM 擴散研究小組的考量和建議：第一部分 -- 活體小動物造影

Główne pojęcia

本文旨在為活體動物的臨床前擴散磁振造影 (dMRI) 提供最佳實務指南，涵蓋從實驗設計、物種選擇、硬體和動物準備、影像擷取協定、數據處理到開放科學等面向，以期提升小動物 dMRI 研究的嚴謹性和可重複性，進而促進生物醫學知識的進展。

Streszczenie

臨床前擴散磁振造影 (dMRI) 指南：活體小動物造影

導言

• 擴散磁振造影 (dMRI) 是一種非侵入性技術，利用水分子在生物組織中的受限擴散來獲取組織微結構信息。
• 小動物 dMRI 在方法開發和驗證、表徵擴散現象的生物學基礎以及比較解剖學方面發揮了重要作用。
• 本文旨在為活體動物的臨床前 dMRI 提供來自擴散領域的建議和指南。

轉譯面向

• 雖然擴散過程的基本原理相同，但必須仔細考慮組織模型、疾病和設備差異，才能將研究結果轉譯到活體人類。
• 不同物種的腦部和其他器官的微結構存在差異，例如齧齒動物和靈長類動物的白質與灰質比例差異很大。
• 腦損傷模型（如創傷性腦損傷、癲癇、中風、脊髓損傷、水腫或脫髓鞘）具有很高的轉譯價值，因為細胞對外部損傷的反應在不同物種間相似。
• 由於梯度強度和擴散時間的差異，小動物和臨床 dMRI 擷取的數據對空間尺度的敏感性不同。

影像擷取

• 應選擇具有高填充因子的射頻線圈以最大化信噪比，例如體積線圈和表面線圈的組合。
• 強磁場梯度 (G) 允許獨立或很大程度上不相關地探索 q-t 空間的兩個維度，其中 q 是引入擴散敏感性的空間相位扭曲，t 是分子擴散和探索局部環境的擴散時間。
• 維持穩定的生理體溫對於減少動物個體間的差異至關重要，並有助於在整個實驗過程中保持一致的擴散率和 T1 加權。
• 異氟烷因其易用性和長時間的穩定性而成為常用的麻醉劑，但其他麻醉劑也可以使用。
• 對於容易產生運動的器官，通常需要採用門控策略來限制運動的影響，例如呼吸門控和心臟門控。
• 脈衝梯度自旋迴波 (PGSE) 已成為人類和動物成像中最廣泛使用的擴散編碼策略，也是目前所有掃描儀上的“默認”編碼方案。
• 其他擴散編碼也是可行的，特別是在臨床前系統上，例如刺激迴波擷取模式 (STEAM)、振盪梯度自旋迴波 (OGSE) 和多維擴散編碼 (MDE)。
• 平面迴波成像 (EPI) 讀出是一種快速擷取方式，可最大程度地減少整體運動對擴散圖像的影響，並在單次激發中擷取圖像，以最大程度地減少擷取多個擴散體積所需的時間。
• “最佳”q-t 覆蓋範圍很大程度上取決於希望最大化敏感度的微結構特徵，因此在這個主題上沒有直接的建議。
• 對於包括擷取多個 b 值的研究，將 DW 圖像的擷取順序隨機化可能很方便，這樣就不會一次性擷取大量高 DW 測量值。
• 對於高磁場強度，射頻能量沉積可能會導致樣品加熱，這對於短 TR 來說可能很大，並且會損害可用 dMRI 數據所需的溫度穩定性。
• 建議優化擴散編碼方向的分佈，就像人類 dMRI 那樣。
• 在 dMRI 分析中使用有效 b 矩陣而不是名義 b 矩陣至關重要。

數據處理

• 數據預處理對於校正圖像偽影和準備數據以進行定量分析至關重要。
• 幾種軟體包可用於執行預處理步驟，例如運動校正、渦流校正和頭骨剝離。
• 擴散張量成像 (DTI) 和擴散張量束造影 (DTT) 是臨床前 dMRI 中常用的分析技術。
• 其他先進的分析方法，例如多室模型和圖論分析，也被應用於臨床前 dMRI 數據。

展望

• 開放科學實務，例如共享代碼、數據和分析管道，對於提高臨床前 dMRI 研究的可重複性和透明度至關重要。
• 未來的工作應側重於開發標準化方案、改進數據分析方法以及促進數據共享和協作。

總之，本指南提供了有關活體動物臨床前 dMRI 的全面建議，涵蓋從實驗設計到數據分析的各個方面。通過遵循這些指南，研究人員可以提高其研究的嚴謹性和可重複性，並最終促進我們對腦部和其他器官微結構的理解。

Statystyki

臨床 dMRI 系統通常配備 40 - 80 mT/m 的磁場梯度，而小動物 MRI 系統上的磁場梯度通常為 300 mT/m 或更高，1 T/m 變得越來越普遍。
一些小動物系統提供高功率梯度選項，並且市面上已有專用插件，其梯度高達 3 T/m（沿所有三個軸）。
與標準室溫射頻線圈相比，低溫探頭（低溫探頭）可將信噪比提高 2.5 到 5 倍，方法是最大程度地減少熱線圈噪聲。
大多數市售的低溫探頭都用於小鼠腦部，也有一些用於大鼠腦部。

Cytaty

小動物擴散磁振造影 (dMRI) 已被用於方法開發和驗證、表徵擴散現象的生物學基礎以及比較解剖學。
許多有影響力的 dMRI 研究最初是在小動物或離體樣本中進行的。
臨床前 dMRI 的附加價值是多方面的。
腦部和其他器官的基本成分在哺乳動物物種中基本保持不變，為轉譯性活體 MRI 研究提供了基礎。
雖然擴散過程從根本上是相同的，並且受相同的物理定律支配，但必須仔細考慮這些定律，才能將研究結果轉譯到活體人類。

Kluczowe wnioski z

Considerations and Recommendations from the ISMRM Diffusion Study Group for preclinical diffusion MRI: Part 1 -- In vivo small-animal imaging

by Ileana O Jel... o arxiv.org 11-25-2024

https://arxiv.org/pdf/2209.12994.pdf

Głębsze pytania

除了本文中提到的因素外，還有哪些其他因素會影響臨床前 dMRI 研究結果對人類的轉譯？

除了文中提到的物種差異、疾病模型和硬件設備等因素外，以下因素也會影響臨床前 dMRI 研究結果對人類的轉譯：
1. 年齡和發育階段：

齧齒動物的腦部發育速度遠快於人類，因此在不同年齡段進行的 dMRI 研究結果可能難以直接比較。例如，髓鞘化程度的差異會顯著影響 dMRI 參數，因此在比較不同年齡或發育階段的動物與人類時需要格外謹慎。
選擇與人類目標疾病階段相似的動物模型至關重要。
2. 疾病病程和治療干預：

許多人類疾病具有複雜的病程，而動物模型可能無法完全模擬這些過程。例如，神經退行性疾病的發展通常跨越數年甚至數十年，而動物模型可能僅能反映疾病的某些方面或階段。
治療干預的時間窗口和劑量也可能影響結果的轉譯。
3. 免疫和炎症反應：

動物模型的免疫和炎症反應可能與人類不同，這可能會影響 dMRI 參數，特別是在涉及炎症或免疫細胞浸潤的疾病中。
需要進一步研究免疫抑制或基因改造動物模型，以更好地模擬人類疾病。
4. 環境因素：

動物飼養環境（例如，籠子大小、社交互動、環境豐富度）的差異可能會影響腦部結構和功能，進而影響 dMRI 參數。
應盡可能標準化動物的飼養環境，以減少變異。
5. 數據分析方法：

dMRI 數據分析方法的選擇和參數設置可能會影響結果的解釋。例如，不同的纖維追踪算法可能會產生不同的連接模式。
應使用標準化的數據分析流程，並在報告結果時提供詳細的參數設置。

如何利用機器學習等新興技術來改進臨床前 dMRI 數據的分析和解釋？

機器學習等新興技術為臨床前 dMRI 數據的分析和解釋帶來了新的機遇，可以從以下幾個方面進行改進：
1. 自動化圖像分析：

機器學習算法可以自動識別和分割腦部區域，提高分析效率和準確性，減少人為偏差。
例如，卷積神經網絡（CNN）已被成功應用於腦部 MRI 圖像的分割和病灶檢測。
2. 生物標記物發現：

機器學習算法可以從 dMRI 數據中提取潛在的生物標記物，用於疾病診斷、預後評估和治療反應監測。
例如，支持向量機（SVM）和隨機森林等算法可以根據 dMRI 特徵區分不同的疾病亞型。
3. 疾病模型建立：

機器學習算法可以整合 dMRI 數據和其他生物信息（例如，基因組數據、蛋白質組數據），建立更精確的疾病模型，用於藥物篩選和治療靶點發現。
例如，深度學習算法可以構建多模態數據融合模型，揭示疾病發生的分子機制。
4. 圖像質量提升：

機器學習算法可以用于 dMRI 圖像的去噪、偽影校正和分辨率增強，提高圖像質量和分析可靠性。
例如，生成對抗網絡（GAN）可以生成高分辨率的 dMRI 圖像，彌補硬件設備的限制。
5. 數據可視化和解釋：

機器學習算法可以將複雜的 dMRI 數據轉化為直觀的圖像或圖表，幫助研究人員更好地理解數據和發現潛在的生物學意義。
例如，t-SNE 和 UMAP 等降維算法可以將高維 dMRI 數據可視化在低維空間中，揭示數據的內在結構。

臨床前 dMRI 的進步如何推動個性化醫療的發展，特別是在診斷和治療腦部疾病方面？

臨床前 dMRI 的進步為腦部疾病的個性化醫療提供了強有力的工具，主要體現在以下幾個方面：
1. 早期診斷和疾病分型：

臨床前 dMRI 研究可以識別與人類疾病相關的早期微結構變化，為早期診斷提供依據。
結合機器學習等技術，可以根據 dMRI 特徵對疾病進行更精確的分型，指導個性化治療方案的制定。
2. 藥物研發和療效預測：

臨床前 dMRI 可以用於評估藥物對腦組織微結構的影響，篩選潛在的治療藥物。
通過建立 dMRI 與藥物反應的關聯模型，可以預測患者對特定藥物的治療反應，提高治療成功率。
3. 手術規劃和導航：

對於需要進行腦部手術的患者，臨床前 dMRI 可以提供詳細的腦白質纖維束信息，幫助醫生精確規劃手術路徑，避免損傷重要功能區域。
術中 dMRI 技術的發展也為實時監測手術過程和評估手術效果提供了可能。
4. 疾病進程監測和預後評估：

臨床前 dMRI 可以動態監測疾病進程中腦組織微結構的變化，評估治療效果和預測疾病進展。
通過建立 dMRI 與疾病預後的關聯模型，可以為患者提供更精準的預後評估，指導治療決策。
5. 開發新型治療策略：

臨床前 dMRI 研究可以深入了解腦部疾病的發病機制，為開發新型治療策略提供理論依據。
例如，通過研究神經保護藥物對腦組織微結構的影響，可以開發針對特定病理機制的治療方法。
總之，臨床前 dMRI 的進步為腦部疾病的個性化醫療提供了重要的技術支持，從早期診斷、疾病分型、藥物研發、手術規劃到疾病進程監測和預後評估，dMRI 都發揮著越來越重要的作用，推動著精準醫療的發展。