深い学習技術によるアルツハイマー病と前頭葉性認知症の分類のためのMuti-band Morlet相互情報機能接続

科学分野:

• 神経科学
• 人工知能
• 医療診断

背景:

• アルツハイマー病 (AD),フロントテンポラル認知症 (FTD) と健康な対照群 (HC) の正確な区別は,適切な介入に不可欠です.
• 既存の診断方法は侵襲的であり,初期段階の神経変性疾患に対する感受性が欠けている可能性があります.

研究 の 目的:

• 電子脳図 (EEG) による機能的接続性 (FC) を用いてADとFTDを分類するためのディープラーニングの枠組みの開発と検証.
• ADとFTDを示す新しいEEGベースのバイオマーカーを特定する.

主な方法:

• 高解像度FC行列 (1〜20 Hz) を計算するために,マルチバンドモレットウェーブレット相互情報 (MMMIFC) を利用した.
• 変更されたVGGアーキテクチャに基づいた3Dコンボリューションニューラルネットワーク (3D-CNN) を採用した.
• デフォルトモードのネットワーク内のネットワークプロパティを分析するために,グラフ理論のメトリックを適用した.

主要な成果:

• 高度な分類精度:ADとHCの90.77%,FTDとHCの90.38%を達成した.
• ADとFTDの分類の両方に高い感度と特異性を示した.
• ADとFTDの患者では,全体的な効率,拡散効率,クラスタリング係数が低下し,ADではテータバンド,FTDではデルタバンドが最も顕著である.

結論:

• EEGによる多帯域機能的接続性のディープラーニング分析は,ADとFTDをHCから区別するための有望で非侵襲的なアプローチを提供します.
• 低周波EEGネットワークのダイナミクスの特定の変化は,ADとFTDの潜在的なバイオマーカーとして機能します.