在阿尔茨海默病中,代表性功能连接性学习适用于多个临床组

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能在医学中的应用

背景情况:

• 轻度认知障碍 (MCI) 是阿尔茨海默病 (AD) 的前体,每年有10-15%的进展.
• 区分稳定的MCI (sMCI) 和渐进的MCI (pMCI) 对于理解疾病机制和干预至关重要.
• 功能连接 (FC) 的改变可能表明与MCI进展相关的早期神经退行.

研究的目的:

• 描述MCI亚型 (sMCI和pMCI) 之间的功能连接 (FC) 的组级差异.
• 确定与不同临床群体相关的代表性FC模式,包括正常认知 (NC),sMCI,pMCI和AD.
• 开发一种深度学习模型,根据FC特征对这些临床组进行分类.

主要方法:

• 将自动编码器和多类分类集成到一个单一的深度学习模型中.
• 训练非线性映射用于原始FC空间和已学习的特征空间之间的相互转换.
• 通过将学习的特征向量映射回FC空间,构建每个临床组的代表性FC.

主要成果:

• 从功能连接数据中成功学习了临床组相关的特征向量.
• 为每个临床组 (NC,SMC,sMCI,pMCI,AD) 生成特定的代表性FC模式.
• 在NC,SMC,sMCI,pMCI和AD之间区分时,实现了68%的多类分类准确度.

结论:

• 开发的深度学习模型有效地捕捉了与MCI进展相关的组级FC差异.
• 可以构建代表性FC模式,以可视化和理解跨临床阶段的神经生物学变化.
• 这种方法为早期检测和区分MCI亚型提供了一个有希望的途径,可能有助于阿尔茨海默病研究.