预测从轻度认知障碍转化为阿尔茨海默病的情况,使用图形频段和基于功能连接的功能

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:

• 准确预测轻度认知障碍 (MCI) 到阿尔茨海默病 (AD) 的进展对于有效的患者管理至关重要.
• 机器学习 (ML) 和静止状态功能磁共振成像 (rs-fMRI) 在对AD和MCI进行分类方面表现有前途.
• 识别患有渐进性MCI (pMCI) 和稳定的MCI (sMCI) 的个体是及时干预的关键.

研究的目的:

• 开发和验证基于ML的框架,用于使用rs-fMRI数据预测MCI到AD的进展.
• 为了准确的分类,识别一组以连接为基础的功能.
• 为了提高早期AD风险评估的准确性.

主要方法:

• 利用了ADNI队列中142名sMCI和136名pMCI患者的三年rs-fMRI数据.
• 应用图形信号处理以将rs-fMRI数据过成低频,中频和高频频段.
• 提取基于连接的特征,使用粒子群优化 (PSO) 和模拟化 (SA) 进行特征选择,并使用带有辐射基函数 (RBF) 内核和10倍交叉验证的支持矢量机 (SVM) 进行分类.

主要成果:

• 拟议的框架实现了最优的准确性与最小的功能利用.
• 使用PSO选择的特征,SVM模型显示了77%的准确性,70%的特异性和83%的灵敏性.
• 关键的预测特征包括不同频段的图表指标 (集群系数,强度,离心率,模块化).

结论:

• 这项研究强调了拟议框架在识别患有阿尔茨海默病风险的个人的有效性.
• 从过的rs-fMRI数据中获得的节的特征集可以准确地预测MCI到AD的进展.
• 这种方法为在早期AD诊断和干预方面提高精度提供了有希望的工具.