在体积数据中应用联合图形嵌入来研究阿尔茨海默氏症神经退行模式

科学领域:

• 神经成像是一种神经成像.
• 网络神经科学 网络神经科学
• 生物统计学 生物统计学

背景情况:

• 卷度MRI是一种潜在的阿尔茨海默病 (AD) 生物标志物,但缺乏特异性.
• 分析神经退行症的全脑空间模式可能会提高诊断效用.
• 当前的方法往往侧重于局部变化,可能缺少更广泛的网络效应.

研究的目的:

• 开发和验证基于网络的分析框架,用于研究阿尔茨海默氏症神经退行.
• 扩展图形嵌入算法来分析从纵向结构MRI数据的形态学连接性.
• 识别与阿尔茨海默病进展相关的新型网络结构.

主要方法:

• 使用了多个随机自图框架和修改的多图嵌入算法.
• 从特定人群网络模式和特定主体负载中估计的最大概率边缘概率.
• 实施了一种新的统计测试程序,用于组差异分析和混控制,并进行 permutation 测试.

主要成果:

• 分析揭示了由已知与阿尔茨海默氏症神经退行相关的结构主导的网络.
• 拟议的框架在识别与AD相关的神经退行性模式方面表现出有希望.
• 通过传统方法无法检测到的新型网络结构元组被确定.

结论:

• 开发的网络分析框架显示了促进阿尔茨海默病研究的巨大潜力.
• 这种方法提供了一种更具体,更全面的方法来识别AD中的神经退行性生物标志物.
• 这些发现表明,使用先进的神经成像分析,对阿尔茨海默病研究提供了一个有希望的新方向.