在大脑形态的低维表示中预测认知衰退的大脑形态

科学领域:

• 神经科学是一个神经科学.
• 医学成像分析 医学成像分析
• 计算生物学 计算生物学

背景情况:

• 在阿尔茨海默病 (AD) 中早期发现神经退行对于干预至关重要.
• 来自MRI的皮质厚度是一个敏感的标记,但衰老和变化带来了挑战.
• 分析神经退行性轨迹需要先进的分析方法.

研究的目的:

• 开发一种使用皮层厚度数据可视化和分析神经退行性轨迹的新方法.
• 根据这些轨迹,区分健康衰老,轻度认知障碍 (MCI) 和AD.
• 评估该方法在早期AD检测方面的潜力.

主要方法:

• 使用统一的多重近似和投影 (UMAP),一种非线性维度减小技术.
• 从6237名健康个体和233名MCI/AD患者 (ADNI数据库) 的皮质厚度数据上进行了训练.
• 将纵向MRI数据投射到2D分组中,并使用集群和统计比较分析轨迹.

主要成果:

• UMAP嵌入的主要轴与参与者的年龄正相关.
• 在MCI和AD受试者群体之间观察到不同的平均轨迹.
• 特定的集群和轨迹显示了阿尔茨海默病患者的更高患病率,实现差异化AUC为0.80.

结论:

• 基于UMAP的2D表示有效地捕捉了神经退行性进展.
• 这种方法显示出在基于大脑结构轨迹的基础上区分MCI和AD患者的巨大潜力.
• 这些发现支持使用先进的维度缩小来早期诊断阿尔茨海默病.