通过图形理论和机器学习,识别大脑网络的歧视性特征,用于预测阿尔茨海默病
S M Shayez Karim1, Md Shah Fahad2, R S Rathore1
1Department of Bioinformatics, Central University of South Bihar, Bihar, India.
Frontiers in neuroinformatics
|July 3, 2024
概括
机器学习和图形理论应用于脑部扫描准确预测阿尔茨海默病 (AD). 主要的大脑区域显示出改变的连接性,为早期AD诊断提供了潜在的可能性.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,需要早期检测.
- 目前的诊断方法可能是侵入性的,或者对早期的AD缺乏敏感性.
- 休息状态功能磁共振成像 (rs-fMRI) 提供了对大脑功能连接的见解.
研究的目的:
- 开发和评估机器学习 (ML) 模型,使用 rs-fMRI 数据预测阿尔茨海默病 (AD).
- 确定与AD相关的关键大脑网络特征和连接模式.
- 评估整合ML,图形理论和rs-fMRI用于早期AD诊断的潜力.
主要方法:
- 使用了来自SALD和OASIS数据集 (112名参与者) 的rs-fMRI数据.
- 应用图形理论指标来分析大脑网络拓和功能连接.
- 开发并验证了各种ML模型,包括使用5倍交叉验证的支持矢量机.
主要成果:
- 所有的ML模型都实现了对AD的高预测准确度 (82-92%).
- 支持矢量机器模型以92%的准确性展示了卓越的性能.
- 在阿尔茨海默病患者中发现了13个关键大脑区域与丘脑之间的连接显著丧失.
- 与对照人群相比,在AD患者中观察到黑色物质 (pars reticulata和 compacta) 和核中的功能连接性减少.
结论:
- 机器学习,图形理论和rs-fMRI的整合为准确的AD预测提供了一个强大的框架.
- 大脑网络拓和功能连接的特定变化可以作为AD的潜在生物标志物.
- 这种方法对开发更准确,更早的阿尔茨海默病诊断工具具有翻译潜力.
