个体化百分位数
基于所建立的标准化脑图表,可以计算每次扫描的个体化百分位数。在概念上,这种方法类似于分位数排名映射[26,28,29]。典型而普通的MRI表型,在扫描中获得标准的百分位得分数,非典型或异常的MRI表型,在扫描中则表现为更极端的百分位数。多样化的临床数据集,使得本研究能够全面地理解临床对照研究中百分位数的个体特异性。相对于对照组,患有不同疾病的病例,表现出了显著差异的百分位数(图4),效应量从中等(0.2~0.8)到较大(> 0.8)。临床病例对照的统计学比较显示,两组皮层厚度和表面积的差异与其体积组间差异具有大体相同的趋势。阿尔茨海默病(Alzheimer’s Disease, AD)表现出最大的总体差异,最明显差异表现为女性患者的脑灰质体积萎缩。为量化所有脑组织MRI形态相对于对照组的变化,本研究提出了一个累积偏差指标(马氏距离百分位数, CentileMahalanobis distance,CMD)。精神分裂症的CMD排名第三,紧跟AD和轻度认知障碍(Mild Cognitive Impairment, MCI)之后。综上,基于每个MRI表型和CMD的多个百分位数,显示了临床疾病的共享和独特机制;对不同疾病间的多变量百分位数进行聚类分析,揭示了三个疾病类型:神经退行性疾病、情绪/焦虑、神经发育障碍。
跨越整个生命周期中的不同阶段[63],无论诊断类别如何,病例的CMD始终大于对照组。不同时期之间最大的差异发生在成年晚期以及青春期。成年晚期个体罹患痴呆的风险增加,而在青春期,精神疾病的发病率被公认为显著增加。在涵盖毕生发展的五项重要研究中,全脑组织的平均百分位数与早产的两项指标相关,胎龄和出生体重越大,平均百分位数越高。双生子研究表明,大脑表型百分位数检测到更明显的遗传基础。总之,大脑MRI形态学指标的百分位常模可检测到病例-对照组间差异以及遗传因素,以及早产等因素长期影响[10](图4)。

百分位数的纵向变化
本研究中纵向影像数据相对匮乏(仅约10%数据),而常模通过从单一时间点收集的横断面数据中估算,因此横断面模型对纵向评估的适用性非常重要。使用四分位差对纵向重复扫描的被试内百分位数的变异进行评估,结果发现这一差值在临床和对照组中都很低,尽管也有一些证据表明研究间和疾病间存在被试内变异的差异,但上述结果表明了大脑结构形态的百分位数总体上是稳定的。值得关注的是,对于诊断类别发生改变的病人,如在纵向追踪扫描的过程中病人由MCI进展为AD,那么病人的百分位数会表现出显著被试内变异增加。被试内变异性在年轻群体中也略高,这可能反映了与年轻个体扫描相关的技术和质量控制等方面的挑战,但同时通过其它人体测量特征观察到的早期发育的变异性也增加,两类证据相一致[64]。
新磁共振成像数据的百分位赋分
构建大脑图表的关键挑战之一是确定样本外MRI数据的精确百分位数,这一挑战在本研究已用于估计脑发育轨迹常模的参考数据集中无法体现。因此,研究团队认真评估了这种计算“新”扫描数据脑图表百分位数的可靠性和有效性。对于每一项新的MRI研究,使用最大似然估计来计算个体与对应年龄的标准轨迹间的统计学偏移,并根据偏移轨迹对新研究中个体的百分位数进行评估(图5)。在多个重测数据集中发现,样本外百分位数是高度可靠的,并且对图像处理工具的变化具有鲁棒性。分析表明,一个扫描样本量大于100的研究,足以稳定和无偏地估计样本外百分位数,这一样本量的需求与以往许多脑影像学研究的结论一致。因此,在小规模研究或单次个体化临床扫描中并不能直接来使用大脑图表生成的百分位数。
