一种分析动态大脑功能连接的新方法,用于改进MCI检测

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 动态功能连接 (dFC) 对于检测轻度认知障碍 (MCI) 和预防阿尔茨海默病进展至关重要.
• 目前用于dFC分析的深度学习方法是计算密集的,缺乏可解释性.
• 现有的方法,如根平均平方 (RMS) 显示不够准确可靠的MCI检测.

研究的目的:

• 探索dFC分析的新特性,以提高MCI检测的准确性和可靠性.
• 为dFC分析开发一种更易解释和计算效率更高的深度学习替代方案.
• 验证在区分健康对照 (HC) 与早期MCI (eMCI) 和晚期MCI (lMCI) 患者中提出的特征.

主要方法:

• 利用了一个公共休息状态功能性MRI数据集,包括HC,eMCI和lMCI个体.
• 从dFC对对相关性中提取了九个新的特征 (振幅,光谱,,自相关性,时间可逆性),与RMS一起.
• 应用学生的t测试和LASSO回归来进行特征选择,其次是支持向量机 (SVM) 分类.

主要成果:

• 确定了HC和MCI组之间的大量区分特征 (lMCI为6109,eMCI为5905).
• 在HC与lMCI和HC与eMCI任务中实现了优异的分类性能.
• 与大多数现有的dFC分析方法相比,其表现优越.

结论:

• 拟议的新功能为dFC分析提供了一个有希望的和可通用的框架.
• 这种方法提供了一种可靠的,可能更容易解释的工具,用于检测神经性脑疾病,如MCI.
• 该框架有可能在各种大脑信号和神经疾病中应用.