Выявление особенностей патогенеза различных фенотипов рассеянного склероза на основе изучения морфологической и функциональной организации подкорковых структур

Цель исследования. Изучить функциональные изменения таламуса, миндалевидного комплекса и гиппокампальной области методом функциональной МРТ в состоянии покоя и определить их клиническую и прогностическую значимость при различных типах течения РС.

Материалы и методы. Обследовано 68 пациентов с диагнозом рассеянного склероза (РС): 40 больных с ремиттирующим типом течения (РРС) в стадии ремиссии и 28 — с вторично-прогрессирующим РС без признаков активности и прогрессирования (ВПРС). Группу контроля составили 10 здоровых человек соответствующего возраста и пола без неврологических и соматических заболеваний. Всем пациентам и контрольной группе была выполнена МРТ головного мозга на томографе Siemens Tim Trio с индукцией магнитного поля 3,0 Тл, использованием контрастного усиления, протоколов Т1 градиентного эха, REST-BOLD и последующей обработкой полученных данных при помощи программного обеспечения CONN 19с. Клиническая оценка проводилась по шкалам: EDSS, MSSS, MMSE, FAB, MoCA, SDMT, теста Бека и HADS. Всем пациентам было выполнено МРТ головного мозга и МР-морфометрия с помощью программы Freesurfer 6.0.

Результаты. В ходе исследования были обнаружены различные паттерны изменения функциональных связей: у пациентов с ВПРС происходит уменьшение интенсивности связей таламуса с другими структурами головного мозга и уменьшение их количества по сравнению с больными с РРС, у которых количество связей существенно выше. Кроме того, у пациентов с ВПРС происходит значительное снижение параметров коннективности гиппокампальной формации слева, а в случае с миндалевидным комплексом — справа, это проявляется в суммарном уменьшении интенсивности связей с другими структурами головного мозга и уменьшении их количества. Нейродегенеративный процесс представлен уменьшением объемов хвостатого ядра и скорлупы, увеличением объема 3-го и боковых желудочков, увеличением объема СМЖ, наличием «черных дыр». От длительности заболевания зависит объем 3-го и боковых желудочков, объем СМЖ (общая нейродегенерация). На степень инвалидизации (EDSS) влияют объемы хвостатого ядра, бледного шара, прилежащего ядра и ствола головного мозга. В свою очередь на когнитивное снижение оказывают влияние объем таламуса, базальных ядер, ствола головного мозга, объем боковых желудочков и уменьшение объемов белого вещества и коры мозжечка.

Заключение. Таким образом, метод функциональной МРТ в состоянии покоя вносит дополнительный вклад в понимание нейродегенеративных процессов при различных фенотипах рассеянного склероза. А динамическая оценка и наблюдение за объемом подкорковых образований головного мозга с помощью МР-морфометрии может выступать в роли прогностического фактора при переходе ремиттирующе-рецидивирующего фенотипа рассеянного склероза во вторично-прогрессирующий фенотип.

1. Multiple Sclerosis International Federation. Atlas of MS, 2013. Accessed May 04, 2020. URL: http://www.msif.org/wp-content/uploads/2014/09/Atlas-of-MS.pdf

2. Lassmann H, Brück W, Lucchinetti CF. The immunopathology of multiple sclerosis: an overview. Brain Pathol. 2007; 17 (2): 210–218. DOI:10.1111/j.17503639.2007.00064.x.

3. Lucchinetti C, Brück W, Parisi J, et al. Heterogeneity of multiple sclerosis lesions: implications for the pathogenesis of demyelination. Ann Neurol. 2000; 47 (6): 707–717. DOI:10.1002/15318249(200006)47:6<707::aid-ana3>3.0.co;2-q.

4. Lucchinetti CF, Popescu BF, Bunyan RF, et al. Inflammatory cortical demyelination in early multiple sclerosis. N Engl J Med. 2011; 365 (23): 2188–2197. DOI:10.1056/NEJMoa1100648.

5. Бойко А.Н., Бойко О.В., Гусев Е.И. Выбор оптимального препарата для патогенетического лечения рассеянного склероза: современное состояние проблемы (обзор литературы). // Журнал неврологии и психиатрии. 2014. № 10, вып. 2. С. 77–91.

6. Бисага Г.Н. Рассеянный склероз: от морфологии к патогенезу / Г. Н. Бисага. — СПб, 2015. — 104 с.

7. DeYoe E, Bandettini P, Neitz J, Miller D, Winans P. Functional magnetic resonance imaging (FMRI) of the human brain. Neurosci Methods. 1994; 54 (2):171–187. DOI: 10.1016/0165-0270(94)90191-0; PMID:7869750.

8. Peng X, Lam F, Li Y, et al. Simultaneous QSM and metabolic imaging of the brain using SPICE. Magn Reson Med. 2018; 79 (1):13–21. DOI: 10.1002/mrm.26972. Epub 2017 Oct 24. PMID: 29067730.

9. Lee MH, Smyser CD, Shimony JS. Resting-state fMRI: a review of methods and clinical applications. AJNR Am J Neuroradiol. 2013; 34 (10):1866–1872. DOI: 10.3174/ajnr.A3263. Epub 2012 Aug 30. PMID: 2293609.

10. Benjamini Y, Hochberg Y. Controlling the False Discovery Rate: A Practical and Powerful Approach to Multiple Testing. Journal of the Royal Statistical Society: Series B (Methodological), 1995; 57: 289–300. DOI:10.1111/j.2517-6161.1995.tb02031.x.

11. Benjamini Y, Heller R. False discovery rates for spatial signals. J Am Stat Assoc. 2007; 102: 1271–1281. DOI:10.1198/016214507000000941.

12. Thompson AJ, Banwell B, Barkhof F, et al. Diagnosis of multiple sclerosis: 2017 revisions of the McDonald criteria. Lancet Neurology. 2018; 17: 162–173. DOI: 10.1016/S1474-4422(17)30470-2. PMID: 29275977.

13. Lublin FD, Reingold SC, Cohen JA, et al. Defining the clinical course of multiple sclerosis: the 2013 revisions. Neurology. 2014; 83(3): 278–286. DOI: 10.1212/WNL.0000000000000560. PMID: 24871874.

14. Nieto-Castanon A. Handbook of fcMRI methods in CONN. MA: Hilbert Press, Boston. 2020, 114р.

15. Spalding KL, Bergmann O, Alkass K, et al. Dynamics of hippocampal neurogenesis in adult humans. Cell. 2013; 153(6):1219–1227. DOI:10.1016/j.cell.2013.05.002. PMID: 23746839.

16. Saygin ZM, Kliemann D, Iglesias JE, et al. Alzheimer’s Disease Neuroimaging Initiative. Highresolution magnetic resonance imaging reveals nuclei of the human amygdala: manual segmentation to automatic atlas. Neuroimage 2017; 155:370–382. DOI: 10.1016/j.neuroimage.2017.04.046. PMID: 28479476.

17. Ihunwo AO, Tembo LH, Dzamalala C. The dynamics of adult neurogenesis in human hippocampus. Neural Regen Res. 2016;11(12):1869–1883. DOI:10.4103/16735374.195278.

18. Lipp I, Tomassini V. Neuroplasticity and motor rehabilitation in multiple sclerosis. Front Neurol. 2015; 6:59. DOI:10.3389/fneur.2015.00059.

19. Barbarulo AM, Lus G, Signoriello E, et al. Integrated Cognitive and Neuromotor Rehabilitation in Multiple Sclerosis: A Pragmatic Study. Front Behav Neurosci. 2018; 12: 196. DOI:10.3389/fnbeh.2018.00196.

20. Waxman SG. Demyelinating diseases--new pathological insights, new therapeutic targets. N Engl J Med. 1998; 338 (5):323–325. DOI:10.1056/NEJM199801293380610.

21. Lemus HN, Warrington AE, Rodriguez M. Multiple Sclerosis: Mechanisms of Disease and Strategies for Myelin and Axonal Repair. Neurol Clin. 2018; 36 (1):1–11. DOI:10.1016/j.ncl.2017.08.002.

22. Rocca MA, Filippi M. Functional MRI to study brain plasticity in clinical neurology. Neurol Sci. 2006; 27 Suppl 1:S24–S26. DOI:10.1007/s10072-006-0541-y.

23. Zurita M, Montalba C, Labbé T, et al. Characterization of relapsing-remitting multiple sclerosis patients using support vector machine classifications of functional and diffusion MRI data. Neuroimage Clin. 2018; 20: 724–730. DOI:10.1016/j.nicl.2018.09.002.

24. Ksiazek-Winiarek DJ, Szpakowski P, Glabinski A. Neural Plasticity in Multiple Sclerosis: The Functional and Molecular Background. Neural Plast. 2015; 2015:307175. DOI:10.1155/2015/307175.

25. Laura G, Silvia T, Nikolaos P, Patrizia P. The Role of fMRI in the Assessment of Neuroplasticity in MS: A Systematic Review [published correction appears in Neural Plast. 2019:5181649]. Neural Plast. 2018; 2018: 3419871. DOI:10.1155/2018/3419871.

26. Tahedl M, Levine SM, Greenlee MW, et al. Functional Connectivity in Multiple Sclerosis: Recent Findings and Future Directions. Front Neurol. 2018; 9:828–832. DOI:10.3389/fneur.2018.00828.

27. Fleischer V, Muthuraman M, Anwar AR, et al. Continuous reorganization of cortical information flow in multiple sclerosis: A longitudinal fMRI effective connectivity study. Sci Rep. 2020; 10 (1):806. DOI:10.1038/s41598-020-57895-x.

28. Leonardi N, Richiardi J, Gschwind M, et al. Principal components of functional connectivity: a new approach to study dynamic brain connectivity during rest. Neuroimage 2013; 83:937–950. DOI: 10.1016/j.neuroimage.2013.07.019.

29. Zhou F, Zhuang Y, Wang L, et al. Disconnection of the hippocampus and amygdala associated with lesion load in relapsing-remitting multiple sclerosis: a structural and functional connectivity study. Neuropsychiatr Dis Treat 2015; 11: 1749–1765. DOI: 10.2147/NDT.S84602.

30. Picillo M, Tepedino MF, Abate F, et al. Midbrain MRI assessments in progressive supranuclear palsy subtypes // J. Neurol. Neurosurg. Psych. 2020. Vol.9. P. 98–103.

31. Bocchetta M, Iglesias JE, Chelban V, et al. Automated brainstem segmentation detects differential involvement in atypical parkinsonian syndromes // J. Mov. Disord. 2020. Vol. 13. P. 39–46. DOI: 10.14802/jmd.19030.

32. Mateos-Pérez JM, Dadar M, Lacalle-Aurioles M, et al. Structural neuroimaging as clinical predictor: A review of machine learning applications // NeuroImage Clinical. 2018. Vol. 20. P. 506–522. ISSN 2213-1582.

33. Luo Y, Alvarez TL, Halperin JM, Li X. Multimodal neuroimaging-based prediction of adult outcomes in childhood-onset ADHD using ensemble learning techniques // NeuroImage Clin. 2020. Vol. 26. P. 102– 238.

34. Du J, Wang L, Jie B, et al. Network-based classification of ADHD patients using discriminative subnetwork selection and graph kernel PCA // Comput. Med. Imaging Graph. 2016. Vol. 52. P. 82–88.

35. Iannaccone R, Hauser TU, Ball J, et al. Classifying adolescent attention-deficit/hyperactivity disorder (ADHD) based on functional and structural imaging. Eur // Child Adolesc. Psychiatry. 2015. Vol. 24. P. 1279–1289.

36. Eslami T, Saeed F. Similarity based classification of ADHD using singular value decomposition // In Proceedings of the Proceedings of the 15th ACM International Conference on Computing Frontiers, Ischia. 2018. P. 19–25.

37. Shao L, Zhang D, Du H, Fu D. Deep Forest in ADHD Data Classification. IEEE Access 2019, 7, 137913–137919.