Automated In-line Normalization Procedure for BOLD-CVR Using the Resting-State Temporal Shift with Machine Learning [NEUROVASCULAR/STROKE IMAGING]

傳統用小腦當作雙側血管狹窄的血流基準會帶來高達 27.6% 的誤差。史丹佛團隊利用機器學習分析靜息態磁振造影的時間偏移，成功在不依賴小腦的前提下，將腦血管反應性的預測誤差壓低至 5.61%，讓雙側病變的評估不再無據可循。

雙側大血管阻塞的 27.6% 基準值誤差盲點

在探討腦血流動力學受損程度時，CVR（腦血管反應性，評估血管擴張代償能力的指標）是放射科醫師判斷病患是否需要介入治療的重要依據。我們通常會結合 ACZ（乙醯胺基酚類血管擴張劑，常作利尿或降眼壓用）與 BOLD-MRI（血氧濃度相依磁振造影，利用去氧血紅素具順磁性來反映局部血流）來進行誘發試驗。然而，BOLD 訊號本身是相對數值，沒有絕對單位的物理量，因此在計算 CVR 時，必須除以一個「健康基準區」的數值來完成常規化（normalization）。

若要理解這篇研究的價值，我們必須先看見現行臨床流程的局限。對於單側頸動脈或中大腦動脈狹窄的病患，我們理所當然地拿對側健康大腦半球當作對照組。但面對雙側頸動脈嚴重狹窄、煙霧病（Moyamoya disease）或多發性顱內動脈硬化等雙側病變（bilateral disease）時，對側大腦早已失去參考價值。此時，臨床上最常見的妥協方案是將小腦後循環視為基準。

然而，這篇來自史丹佛大學與紐約大學團隊的研究指出，小腦常規化是一個充滿瑕疵的妥協。前循環與後循環的血管床特性、交感神經分布以及對 pCO2 或擴張劑的原始血管張力本就不同。強行以小腦為基準，往往會掩蓋大腦半球真實的血流耗竭狀態，甚至因為交叉性小腦失聯休克（大腦皮質受損導致對側小腦代謝與血流隨之下降的現象）而產生嚴重的基準偏移。作者因此提出一個大膽的假設：我們能否完全拋棄解剖學上的對側或小腦，單憑病患自身的靜息態（resting-state）影像，利用機器學習找出隱藏的「健康體素」，並以此重建基準？

22 例單側狹窄與 32 個動脈分區的特徵萃取

進入收案細節，為了教導機器學習模型認得「什麼是健康的 BOLD 訊號動態」，研究團隊首先建立了一個嚴格控制的單側病變佇列。他們回溯了 22 位患有嚴格單側顱內動脈狹窄阻塞（SOD，顱內動脈狹窄阻塞，如動脈硬化斑塊導致的管腔縮小）的病患，這些病患總共進行了 28 次 ACZ-BOLD 誘發造影。在這些單側病患中，我們有完美的解答（ground truth）：患側是病態的，而健側是相對正常的。

數據分析方面，團隊先將大腦分割為患側與健側的遮罩（masks）。接著，他們並不依賴施打 ACZ 後的影像來尋找健康特徵，而是提取施藥前的 rs-BOLD（靜息態 BOLD，不需給藥或做任務的純背景腦造影）基線資料。研究團隊計算了高達 32 種不同的時間延遲（temporal shifts），這是因為血液在狹窄血管中流動會產生低頻訊號的相位滯後；同時，他們將這 32 個最大相關係數數值，嚴格對應並限制在 32 個成對的動脈支配區域中。

為了進一步強化模型的泛化能力並提供絕對健康的基準參考，作者額外引入了來自 HCP（收集大量健康大腦影像的公開資料庫）的 20 位完全健康受試者影像。在 HCP 數據中，所有的體素（voxels）都被標記為正常。透過結合解剖位置、血管參數以及靜息態的時間偏移特徵，團隊訓練出一個 Ensemble model（集成模型，結合多個弱模型產生強預測並降低變異性的機器學習演算法），專門用來預測在沒有誘發劑的情況下，哪些體素具備「健康參考區」的潛力。

Table 1 呈現的 5.61% 平均預測誤差與 AUC 0.81

將目光轉向這套自動化常規化流程的實際表現。根據論文中 Table 1 與結果段落的量化數據，這個集成模型在預測候選健康體素方面，達到了 0.81 的 AUC（接收者操作特徵曲線下面積，評估二元分類能力的指標），顯示其在區分正常與異常血液動力學動態上有著優異的辨識力。

進一步拆解核心預測誤差，這正是整篇論文最驚艷的數據所在。當我們將模型預測出來的 CVR 基準值，拿去與真實健側大腦的 CVR 參考值比對時，模型預測中位數參考 CVR 的 MAPE（中位數絕對百分比誤差，衡量預測值與真實值差距的穩定指標）僅為 7.28% [95% CI: 3.48–10.34]；而預測平均參考 CVR 的誤差更是低至 5.61% [95% CI: 2.90–9.86]。

為了證明這個方法的優越性，作者將之與兩種現行做法進行了對比統計分析。如果採用最粗暴的「全腦平均常規化（naïve whole-brain voxel selection）」，集成模型的預測誤差顯著更低（預測中位數與平均數的 p 值分別為 p=0.005 與 p=0.048）。更重要的是，當與我們放射科日常最愛用的「常規小腦常規化（conventional cerebellar normalization）」相比時，小腦基準帶來的誤差高得嚇人：中位數誤差達 26.4% [95% CI: 10.1–40.3]，平均誤差達 27.6% [95% CI: 23.7–33.2]。這組懸殊的數據（5.61% 對比 27.6%）直接宣判了小腦在單側/雙側狹窄病患中作為 CVR 基準的不可靠性。

Figure 3 顯示 9 例雙側病變的異常區域重劃

針對最棘手且缺乏真實解答的雙側病變，作者特別挑選了 9 例雙側 SOD 病患進行概念驗證（proof of concept），這些結果生動地呈現在 Figure 3 的圖像比較中。在這些雙側嚴重狹窄的病患腦中，因為缺乏廣泛的健康組織，如果用傳統方法，整顆大腦的 CVR 數值會呈現災難性的全面低落，甚至出現偽影般的廣泛竊血現象（steal phenomenon，缺血區血管擴張到極限，導致給藥後血流反而被周邊相對正常區吸走的現象）。

若細看 Figure 3 的演算法介入結果，集成模型在這些雙側病變大腦中，找出的「候選健康體素」比例與總體積，確實顯著低於正常健康人的大腦，這完全符合雙側廣泛缺血的生理現實。然而，令人振奮的是，模型硬是從這些夾縫中（例如尚未受波及的局部皮質）辨識出了具備正常靜息態時間偏移特徵的微小體積，並以這些體積作為常規化的錨點。

經過這種內嵌式（in-line）的自動化常規化處理後，放射科醫師在視覺主觀判定上，能獲得顯著改善的異常區域描繪（delineation of putatively abnormal regions）。原本糊成一片的藍色（低反應區）與假性紅色（代償區），在重新校準基準線後，真正處於耗竭邊緣的分水嶺地帶（watershed areas）立刻凸顯出來。這種不仰賴大面積解剖對照，而是依賴「微觀訊號動態」的校準方式，極大地提升了雙側病患 BOLD-CVR 影像的診斷信心。

臨床應用邊界與 HCP 資料庫的掃描器差異

回歸臨床現實，作者在討論環節也坦承了這套方法的邊界與潛在限制。首先，引入 HCP 資料庫雖然豐富了健康體素的特徵庫，但 HCP 的掃描協議（如 3T 磁場、多頻段回波平面造影 multiband EPI）與我們臨床上針對中風病患可能使用的常規序列或 1.5T 掃描器，存在著難以完全忽視的領域偏移（domain shift）。如果各家醫院要將此模型導入 PACS 系統，可能需要針對自家的掃描參數進行微調。

從影像科的日常應用來看，單純依賴 rs-BOLD 的時間偏移特徵，仍然建立在一個生理假設上：即局部的神經血管耦合（neurovascular coupling）在給予血管擴張劑前後的基本動力學維持恆定。如果在極度嚴重的末期煙霧病患中，其微血管床已經發生了根本性的重塑（remodeling），靜息態的訊號延遲可能無法完美線性預測擴張後的反應。此外，靜息態 BOLD 容易受到患者頭部微小晃動與靜脈竇假影的干擾，這對前端的影像對位與去噪預處理提出了極高的要求。

然而，對於忙碌的放射科醫師來說，這篇論文提供了一個強而有力的實務武器。當你下次面對一份雙側頸動脈狹窄或多發顱內血管硬化的 ACZ-BOLD 報告，且發現小腦區域的訊號看起來不夠均勻，或者病患整體 CVR 呈現不合理的全局性下降時，請記住小腦常規化可能自帶將近三成的巨大誤差。未來，隨著這類自動化特徵提取軟體整合進掃描儀（in-line procedure），我們將能直接獲得經靜息態校準的 CVR 參數圖，大幅減少因選錯基準區（Reference Region of Interest）而導致的誤診機率。

面對雙側狹窄導致 CVR 圖像全盤皆墨時，別盲目信任小腦基準帶來的偽影；利用靜息態 BOLD 時間偏移找出的健康體素，才是揭示真實缺血熱區的最佳解。