通过多模式大脑网络计算推理对前性痴呆症变体的多类表征
Raul Gonzalez-Gomez1,2, Agustín Ibañez1,3,4,5, Sebastian Moguilner2,3,4,6
1Latin American Brain Health Institute (BrainLat), Universidad Adolfo Ibañez, Santiago de Chile, Chile.
Network neuroscience (Cambridge, Mass.)
|June 19, 2023
概括
区分前性痴呆症 (FTD) 变种是一项挑战. 这项研究使用脑网络和机器学习的计算分析来准确地分类五种FTD变体和控制,帮助诊断.
科学领域:
- 计算神经科学是一种计算神经科学.
- 神经成像分析分析神经成像分析
- 机器学习在神经学中的应用.
背景情况:
- 正确的表征前性痴呆 (FTD) 变体是临床上具有挑战性的,因为重叠的症状和生理病理过程.
- 区分不同的FTD亚型和健康的对照需要专门的专业知识和多学科的方法.
研究的目的:
- 开发和验证一种计算方法,同时对五种FTD变体进行多类分类,并将它们与健康对照进行对比.
- 通过使用多模式大脑网络数据 (功能和结构连接) 评估机器学习分类器的有效性.
主要方法:
- 训练了14个机器学习分类器,对来自5个FTD变体和对照组的298名受试者的功能和结构大脑连接度量进行了训练.
- 采用了缩小维度的技术,统计比较和嵌套交叉验证来识别稳定和相关的特征.
- 使用接收器操作特征曲线 (AUC) 下面的面积来评估分类器性能.
主要成果:
- 在FTD变种的同时多类分类中,获得了0.81 (±0.09) 的平均AUC.
- 结合大脑网络数据和认知评估的分类器证明了性能指标的改进.
- 功能重要性分析揭示了每个FTD变体的各种模式和方法的特定网络妥协.
结论:
- 使用多模式大脑网络的计算方法可以准确地分类不同的FTD变体.
- 将网络数据与认知评估相结合,可以提高分类准确性.
- 这种方法有可能支持临床决策,用于诊断重叠的神经退行性疾病.
