探索认知功能和神经障碍的复杂连接模式:将频域NC方法纳入fMRI分析中
1College of Media Engineering, Communication University of Zhejiang, 998 Xue Yuan Street, Qiantang District, Hangzhou, Zhejiang 310018, China.
Cerebral cortex (New York, N.Y. : 1991)
|May 14, 2024
概括
一种新的因果关系方法准确地识别了认知障碍中大脑连接模式. 这种方法在使用功能性MRI数据检测阿尔茨海默病生物标志物方面显示出前景.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 计算生物学 计算生物学
背景情况:
- 包括阿尔茨海默病在内的认知障碍与大脑连接的改变有关.
- 分析功能磁共振成像 (fMRI) 数据的现有方法可能无法完全捕捉大脑网络内的复杂因果关系.
研究的目的:
- 应用和验证频域新因果关系方法,用于分析fMRI数据中的定向高效连接.
- 调查与认知障碍相关的大脑网络的拓变异.
- 开发一种使用这些网络特征作为识别认知障碍的特征的深度学习模型.
主要方法:
- 模拟使用不同类型的因果关系在多变量fMRI血液氧气水平依赖信号之间的因果关系的不同程度.
- 应用频域新因果关系方法来构建有针对性的高效大脑连接网络.
- 利用这些网络的拓统计特征作为深度学习模型的特征,该模型基于来自不同认知障碍的1252名个体的数据进行训练.
主要成果:
- 频域新因果关系方法准确地检测到模拟的因果关联.
- 与其他三种方法相比,深度学习模型表现出卓越的性能 (准确性,精度,回忆).
- 观察到大脑效率网络的显著差异,突出了与认知障碍相关的细粒度皮质子区域.
结论:
- 频域新因果关系方法对于分析fMRI数据中的因果关系是有效的.
- 确定的大脑效率网络的拓特征可以作为认知障碍的潜在生物标志物.
- 这些发现表明,细粒度皮质子区域对认知功能至关重要,可能有助于发现阿尔茨海默病生物标志物.
