在使用机器学习的老鼠阿尔茨海默病模型中,基于功能连接和白质微观结构特征的对象分类和交叉时间预测

科学领域:

• 神经成像是一种神经成像.
• 生物标志物 生物标志物
• 在神经科学中的机器学习

背景情况:

• 阿尔茨海默病 (AD) 病理在临床症状出现前几十年发展.
• 早期AD检测依赖于识别微妙的大脑变化,包括功能连接 (FC) 变化和白质变性,可通过MRI测量.
• 这些早期的MRI衍生特征在AD的诊断和预后价值还没有完全确立.

研究的目的:

• 为了研究由大脑葡萄糖代谢受损引起的零星阿尔茨海默病 (AD) 的小鼠模型中的早期病理变化.
• 用功能和扩散MRI来描述功能连接 (FC) 和白质微观结构的纵向变化.
• 利用机器学习,根据MRI衍生措施对AD老鼠进行对照分类,并确定关键预测特征.

主要方法:

• 通过使用链毒素 (STZ) 来诱导大脑葡萄糖代谢受损,建立了一种零星AD的老鼠模型.
• 使用纵向功能性MRI (fMRI) 和扩散MRI来评估FC和白质微观结构的变化.
• 机器学习算法,包括可解释的AI,用于将STZ治疗的老鼠从对照物中分类,并量化特征的重要性.

主要成果:

• 结合FC和白质量指标的组合方法在STZ和对照大鼠之间实现了高的区分精度 (>0.85).
• 白质微观结构特征在疾病过程的早期提供了最高的分类准确性,其次是FC.
• 交叉时间点预测显示了微结构特征的卓越性能,而FC的动态转变从超级到低连接性影响了其预测能力.

结论:

• 这项研究确定了特定的MRI衍生的措施,有效地歧视老鼠模型中的早期AD.
• 白质微观结构的改变似乎是AD病理的早期指标,而不是功能连接性的变化.
• 这些发现对开发人类阿尔茨海默病的非侵入性早期诊断工具有潜在的影响.