从静止状态的功能磁共振成像进行基于网络的诊断概率估计

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 生物标志物发现发现

背景情况:

• 通过静止状态fMRI (rs-fMRI) 测量的大脑功能连接,是诊断大脑疾病的关键生物标志物.
• 以前的诊断模型估计大脑网络独立于结果,限制了它们的诊断效用.
• 需要使用结果意识的方法来提高脑疾病诊断的准确性.

研究的目的:

• 提出一种新的回归方法,将监督稀疏层次组件分析 (SSHCA) 整合为脑疾病诊断.
• 通过结合与结果相关的信息来增强rs-fMRI连接数据的诊断实用性.
• 开发一种模型,使用大脑网络特征准确预测疾病状态.

主要方法:

• 开发了SSHCA,一种对网络和评分模型具有层次结构的方法.
• 利用回归模型,特别是多重物流回归,使用SSHCA的超级分数作为预测器.
• 将该方法应用于模拟数据和真实 rs-fMRI 数据进行验证.

主要成果:

• 拟议的SSHCA方法在模拟和真实数据应用中在预测疾病方面表现出高准确性.
• 从SSHCA获得的与结果相关的网络连接和子网络得分提供了有价值的解释性.
• 与以前的结果独立方法相比,监督方法显著提高了诊断能力.

结论:

• 开发的基于SSHCA的回归方法为使用rs-fMRI数据诊断大脑疾病提供了一种强大而可解释的方法.
• 这种对大脑功能连接的结果意识分析提高了预测准确度.
• 在利用神经成像生物标志物用于临床诊断方面,SSHCA代表了重大进展.