三叉神经痛( trigeminal neuralgia，TN) 是临床最常见的 脑神经性疾病，女性发病率较男性稍高，且随着年龄增长而 增加，发病率约为 43／10 万[1] 。主要表现为局限于三叉神经 分布区的阵发性闪电样或针刺样疼痛[2] ，长期的疼痛刺激严 重影响患者的生活质量，也给国家和社会带来了沉重的医疗 负担。
目前临床上对 TN 的诊断主要取决于 MRI 的血管受压表现和典型的临床症状[2，3] ，由于 TN 在不同个体间存在较大差异，其疼痛表现也各不相同，而且神经⁃血管接触在健康 人群中和 TN 患者的无症状侧是非常常见的，TN 常被误诊 或诊断不足，因此临床上迫切需要一个客观、可靠的生物学 标记物来帮助诊断 。同时，随着对 TN 研究的不断深入，其 预后愈来愈受到重视，TN 患者手术后疗效评估也是目前研 究中的热点、难点问题。
近些年来，神经影像学技术以其无创性、客观性、直观性及可重复性强的优势被广泛应用，诸如基于体素的形态测量 学( voxel ⁃based morphometry，VBM) 、磁共振扩散张量成像( dif⁃ fusion tensor imaging，DTI) 及静息态功能磁共振成像( resting⁃state functional MRI，rs⁃fMRI) 等 被 广 泛 应 用 到 TN 的 研 究 中[4 ~ 9] ，从不同的成像角度研究了 TN 大脑结构和功能的变 化，但是这些研究大多数是建立在组间水平上的，缺乏在个体 水平对 TN 进行识别和预测的能力 。与传统组间的方法相比 较，基于 MRI 的机器学习技术[10 ~ 13] 可以合理利用所有可利 用的经验信息(包括脑影像数据或者临床数据) ，对疾病进行 分类或者预测，并保证良好的泛化能力 。本文就基于 MRI 的机器学习在 TN 中的早期识别及预后预测中的进展进行综 述，旨在促进 MRI 在 TN 患者个体化诊疗中的广泛应用。
近些年，越来越多的研究将机器学习与神经精神疾病脑影像结合起来，希望可以借助机器学习的手段，挖掘相关影 像的潜在信息，从而将其运用于个体诊断和预后评估，以便 于更好地指导临床，其中常用的算法包括支持向量机( sup⁃port vector machine，SVM) 、朴素贝叶斯( naive bayes model， NBM) 、随机森林( random forest，RF) 等。
SVM 是一类按监督学习方式对数据进行二元分类的广 义线性分类器，主要通过在特征空间寻找一个超平面，以最 小的错分率把两类样本分开[14，15] 。当数据线性不可分时， SVM 可以利用核函数将目标特征投射至高维空间，从而将 样本数据转变为线性可分 。常用的核函数有多项式核函数、 高斯核函数、Sigmoid 核函数、线性组合核函数等，不同的核 函数和参数选择决定了分类器最终的泛化能力 。SVM 目前已被成功地应用于神经、精神类疾病的诊断，如精神分裂 症 [16] 、抑郁症[17] 、帕金森病[18] 、轻度认知障碍[19] 等 。由于 SVM 易于实现，分类效果优越，且在小样本数据中表现较 好，故 SVM 是目前应用最为广泛的机器学习算法。
NBM 是基于贝叶斯定理与特征条件独立假设的分类方 法 [ 15] ，该算法核心思想是对于需要分类的样本，求出该样本 在出现同等条件下不同类别中的概率，如果出现概率最大就 认为该项属于哪一类别 。由于其有着坚实的数学基础，误判 率很低，在实际应用中多用于模式识别[20] 和文本处理[21 ] 。 但是实际上并非总是如此，这是因为 NBM 模型假设属性之 间相互独立，这个假设在实际应用中往往是不成立的，这给 NBM 模型的正确分类带来了一定影响。
RF 是利用多棵树对样本进行训练并预测的一种分类 器，其分类结果根据所有树分类结果的投票选择而定[22] 。 RF 最大的优点是能够处理高维度非线性的特征，泛化效能 强，特别适用于解决脑影像多模态融合、高维度特征降维的 问题 。Sarica 等[23] 综述了 12 篇关于阿尔茨海默病神经影像 数据分类的机器学习算法，得出应用 RF 算法预测疾病具有 最高的准确率 。但 RF 在解决回归问题时不能够做出超越 训练集数据范围的预测，可能导致具有某些特定噪声的数据 在进行模型训练时出现过拟合。
随着机器学习方法在神经、精神类疾病的广泛应用，为 其对 TN 患者的早期识别打下了坚实的基础 。Zhong 等 [24] 率先采用 SVM 模型对 23 例右侧 TN 患者和 23 例健康对照 ( healthy control，HC) 的 DTI 数据进行模式识别，发现全脑区 域间标准化流线数成功地区分了 TN 和 HC，准确率达 88％ ， 灵敏度 91．30％ ，特异度 91．30％ ，ROC 曲线下面积( area un⁃ der the ROC curve，AUC) 为 0．96，该模型突出了疼痛的感觉、 情感和认知维度所在区域的白质连通性，包括岛叶、楔前叶、 顶下小叶和顶上小叶、眶部额下回和额中回。
随后张艳阳[25] 分别以 TN 患者患侧三叉神经入脑干区 域的扩散指标各向异性分数( fractional anisotropy，FA) 、平均 扩散系数( mean diffusivity，MD) 、轴向扩散系数( axial diffu⁃ sivity，AD) 、径向扩散系数 ( radial diffusivity，RD) 为特征变 量，采用留一交叉验证法来验证模型的准确率，结果显示以 FA 为特征的分类准确率最高，可达 78．85％ ，AUC 为 0．91。
最近 Chen 等[26] 基于 TN 患者症状侧和健侧的三叉神 经、脑桥丘脑束( TPT) 和丘脑皮质纤维束( S1) 的扩散率指标 ( FA、MD、AD 和 RD) 为特征变量，通过训练高斯过程分类器 试图早期识别 TN 患者及 TN 患者的症状侧 。结果显示双侧 S1 的扩散率指标可以最高程度地识别 TN 患者，准确率达 85％；症状侧 S1 的 RD 指标可以最高程度识别 TN 患者，准 确率达 87％；健侧 TPT 的 FA 指标可以最高程度的识别 TN 患者，准确率达 89％；TPT 的 FA 指标可以最高程度识别 TN 患者的症状侧，准确率达 98％ 。同年 Mo 等 [27] 通过结合全 脑水平的形态学测量及 SVM 模型成功地实现了高特异性的自动化 TN 诊断，准确率 77．91％ ，灵敏度 60．47％ ，特异度 95．35％ ，平均 AUC 为 0．83。
这些研究表明，机器学习算法可以检测 TN 患者结构改 变的特征模式，从而对其早期识别，并强调了结构脑成像在 识别与神经病理性疼痛障碍相关的神经解剖学特征方面的 作用。
TN 在治疗原则上首先药物治疗，药物治疗无效时可考 虑手术治疗 。 目前手术方法主要有微血管减压术( micorvas⁃ cular decompression，MVD) 、球囊压迫术、射频热凝术、伽马刀 放射治疗，其中 MVD 是目前治疗 TN 首选的手术方式 。虽 然多数 TN 患者在术后可以得到明显的缓解，但仍有部分患 者术后效果不理想[28 ~ 30] ，因此 TN 患者手术后疗效预判在 临床上显得尤为重要 。夏铭飞等[31] 通过对比 MVD 术后有 效组和无效组的扩散指标 MD、FA、相对各向异性( relative anisotropy，RA) 和容积比指数( volume rate，VR) 的差异，发现 无效组的 MD 值高于正常组，而 FA、RA、VR 值低于有效组， 但是这是建立在组间水平上的，缺乏在个体水平对预后预测 的能力。
随着机器学习方法的快速发展，研究者已经试图将其运 用在对 TN 患者的预后预测上 。 目前只见基于 MVD 和伽马 刀治疗方法的机器学习预后预测研究，基于其他治疗方法的 机器学习预后预测研究尚未见报道 。Peter 等 [32] 应用 DTI 成像技术提取了31 例 TN 患者的三叉神经脑池段、入脑干区 域和脑桥段的 DTI 相关指标( FA、MD、AD 和 RD) 作为特征 来判断 TN 患者 MVD 和伽马刀术后的疗效，结果发现脑桥 段的三叉神经微结构能较好地将治疗有效的 TN 患者和治 疗无效的 TN 患者区分开来( 准确率可达 83．9％ ) ，然后使用 留一交叉验证方法对模型进行组外测试，准确率约为 71． 0％ 。
Danyluk 等[33] 通过研究 34 名 TN 患者三叉神经特性和 皮质下脑结构与 MVD 治疗结果之间的关系，发现健侧海马 体积预测治疗结果的正确率为 82％ ( 敏感度 91％ ，特异度 78％ ) ，健侧三叉神经体积预测治疗结果的正确率 81％ ( 敏 感度 91％ ，特异度 75％ ) ，而健侧海马体积和健侧三叉神经 体积一起预测治疗结果的准确率可达 84％ 。
Willsey 等[34] 以 MVD 术前三叉神经脑桥段 RD 和症状 持续时间为特征变量，采用最小二乘法线性分类器和 SVM 分类器来判断 TN 患者的预后，然后用留一法交叉验证对此 数据集上的每个分类器进行评估，结果显示 2 个分类器预测 无痛缓解与最终复发的准确率为 85％ ，灵敏度为 83％ ，特异 度为 86％ 。这些研究表明术前 DTI 相关指标可以作为一种 高度预测性、个性化的标志物来预测手术效果。
值得注意的是，这些研究大多只考虑了三叉神经微结构 作为预测因素，需要从感兴趣区中选择关键特征，这种处理 可能会导致分类所必需的有效特征的丢失，但是既往研究也 发现，TN 患 者 不 仅 存 在 三 叉 神 经 的 萎 缩 和 微 结 构 破坏 [25，35] ，还存在脑灰质萎缩和脑白质微结构破坏[36 ~ 38] 。为 此，Hung 等[39] 率先结合大脑灰质形态( 皮层厚度或表面积) 和 SVM 分类器，建立了伽玛刀放射治疗三叉神经痛后疼痛 缓解的预测模型，结果显示基于术前局部脑灰质形态的机器学习模型对手术效果提供了稳健的先验预测 。交叉验证显示，区域表面积模型准确率为 96．7％ ，敏感度为 100．0％ ，特 异度为 89．1％；皮层厚度模型准确率为 90．5％ ，敏感度为 93．5％ ，特异度为 83．7％ ，并且两种模型通过置换检验都表 现出良好的泛化能力( P ＜0．001 ) ，同时提取出区域表面积模型和区域皮层厚度模型最好的预测因子分别是对侧额上 回和对侧峡部扣带回。
综上所述，机器学习算法可以通过 TN 患者的影像学数 据检测出独特的特征模式，从而实现 TN 患者的早期识别及 预后预测，但目前大多数研究集中在 DTI 相关指标的报道， 其他相关影像指标如灰质体积[37，38，40，41] 、局部一致性[6，42] 、 低频振幅[43] 、分数低频振幅[5] 、功能连接[5，41] 及脑网络的度 量指标[25] 等目前只见在组水平差异的研究报道，这些指标 在个体水平对疾病的诊断及预后预测的相关研究有待进一 步探索。
基于影像数据和机器学习技术发现生物标记用以辅助 诊断，是当前脑疾病、神经科学领域极为热门的研究方向。 基于 MRI 的机器学习技术不仅可以较好地寻找 TN 的神经 生物学标记，还可以在对疾病预后预测、优化治疗方案的过 程中提供有力指导 。因此未来可以将机器学习方法与多模 态 MRI 数据结合起来，通过增加分类或预测模型并结合其 他相关影像指标实现更好的分类或预测效能，最终实现 TN 患者个体化治疗。
彭新级 综述 何来昌 审校
