识别阿尔茨海默病和轻度认知障碍,使用基于地图的多模式指标

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:

• 阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和健康对照 (HC) 需要准确的诊断方法.
• 多模式神经成像和机器学习为疾病分类提供了有前途的方法.

研究的目的:

• 评估多模式神经成像指标的有效性,结合机器学习来分类AD,MCI和HC受试者.
• 在多类识别中比较支持向量机 (SVM) 和人工神经网络 (ANN) 算法的性能.

主要方法:

• 180名受试者 (44名AD,66名MCI,58名HC) 接受了静止状态功能性MRI (rs-fMRI) 和结构性MRI (sMRI).
• 提取的指标包括Hurst指数 (HE),功能连接性和灰色物质体积 (GMV) 使用AAL3图谱.
• 使用MRMR和SFC算法进行特征选择,然后使用SVM和ANN进行分类,并进行嵌套十倍交叉验证.

主要成果:

• 使用所有多模式指标,SVM模型获得了最高的80.36%准确率,AD,MCI和HC的具体准确率分别为79.55%,78.79%和82.76%.
• 单模式指标的准确性较低;使用HE指标的SVM实现了72.62%的整体准确性.
• 通过多模态指标识别的异常大脑区域包括后带带状回环,上额头回环和状回环.

结论:

• 多模态神经成像指标,特别是用SVM分析时,为区分AD,MCI和HC提供了有效的诊断信息.
• 这种方法有可能改善阿尔茨海默病和相关认知障碍的早期和准确诊断.