早期预测痴呆症使用fMRI数据与图形卷积网络方法

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:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性痴呆症,具有重大全球健康影响.
• 早期发现轻度认知障碍 (MCI) 对于及时干预和预防痴呆症进展至关重要.
• 磁共振成像 (MRI) 为分析大脑结构和功能提供了宝贵的数据.

研究的目的:

• 开发和评估一个图形卷积网络 (GCN) 框架,用于使用静止状态fMRI数据预测早期痴呆症.
• 评估GCN模型在将MCI从正常对照 (NCs) 分类和预测NCs中痴呆风险方面的表现.
• 探索不同功能连接 (FC) 类型和处理方法对分类准确性的影响.

主要方法:

• 为二进制分类任务开发了一个基于功能连接 (FC) 的图形卷积网络 (GCN) 框架.
• 使用了来自OASIS-3数据集的静止状态fMRI数据.
• 使用各种FC方法,将GCN模型与基线GCN和支持矢量机 (SVM) 进行了比较.

主要成果:

• 拟议的GCN模型实现了卓越的性能,最高精度达到91.2%,平均精度为80.3%.
• 该GCN框架表现出明显优于基线GCN和SVM的性能.
• 分析表明,个别FC的表现通常优于全球FC,尽管特定的全球图形连接显示出竞争性结果,突出了适当连接的重要性.

结论:

• 图形卷积网络显示了使用MRI数据早期诊断痴呆症和MCI的巨大潜力.
• 这项研究为与认知衰退相关的大脑网络连接模式提供了宝贵的见解.
• 开发的GCN框架具有在早期痴呆症检测和干预策略中的临床应用的巨大潜力.