从休息状态的fMRI数据中对早期帕金森病的表征,使用长期短期记忆网络

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 帕金森病 (PD) 是一种神经退行性疾病,具有复杂的进展.
• 准确的阶段和早期PD的监测对于治疗的发展至关重要.
• 功能磁共振成像 (fMRI) 显示了在PD中识别生物标志物的潜力.

研究的目的:

• 开发一种机器学习模型,使用fMRI数据区分早期的PD.
• 描述与早期PD进展相关的功能连接 (FC) 变化.
• 调查长期短期记忆 (LSTM) 网络对于PD分析的实用性.

主要方法:

• 利用了来自帕金森氏症进展标志物倡议 (PPMI) 数据集的84名受试者的fMRI数据 (Hoehn和Yahr阶段1和2).
• 开发并验证了一种长短期内存 (LSTM) 网络模型.
• 员工重复10倍分层交叉验证用于模型评估.

主要成果:

• 该LSTM模型在区分早期PD阶段时实现了71.63%的准确性.
• LSTM的性能超过了传统的机器学习和卷积神经网络 (CNN) 模型.
• 对LSTM模型重量的分析确定了关键的大脑区域和特征性FC变化.

结论:

• 在早期帕金森病中,LSTM网络有效分析复杂的fMRI数据.
• 这种方法为客观的疾病分期和监测提供了一个强大的工具.
• 这些发现提供了对早期PD进展背后的神经机制的见解.