相关实验视频
Updated: Jun 21, 2025
06:35
Basics of Multivariate Analysis in Neuroimaging Data
Published on: July 24, 2010
16.8K
使用基于成像的ATN生物标志物的多式规范建模分析阿尔茨海默病的异质性
Sayantan Kumar1,2, Tom Earnest3, Braden Yang3
1Department of Computer Science and Engineering, Washington University in St Louis; 1 Brookings Drive, Saint Louis, MO 63130.
ArXiv
|July 16, 2024
概括
这项研究使用了深度学习框架来绘制阿尔茨海默病 (AD) 中个体大脑变化的图. 特定对象的地图显示了AD在粉样蛋白,蛋白和神经退行生物标志物的不同影响.
科学领域:
- 神经成像是一种神经成像.
- 深度学习 (Deep Learning) 是一种深度学习.
- 阿尔茨海默氏症疾病研究研究
背景情况:
- 之前的研究使用单个神经成像模式探索了阿尔茨海默氏症 (AD) 异质性.
- 这项研究引入了基于深度学习的多模式规范框架,以分析粉样蛋白-tau-神经退行 (ATN) 成像生物标志物的个体变异.
研究的目的:
- 通过使用多式模式规范框架,分析ATN成像生物标志物的个体水平变化.
- 评估在不同临床阶段的阿尔茨海默病 (AD) 中的群体内部异质性.
主要方法:
- 使用横截面发现 (n=665) 和复制 (n=430) 队列与T1加权的MRI,粉样PET和粉样PET.
- 采用规范建模来估计粉样蛋白阳性个体与对照个体的个体异常偏差.
- 根据ATN异常的空间范围和大小计算出疾病严重程度指数 (DSI).
主要成果:
- 在AD更严重的临床阶段,观察到ATN异常模式的集团内部异质性增加.
- 发现较高的DSI与较差的认知功能相关.
- 已经证明,较高的DSI与疾病进展的风险增加有关.
结论:
- 跨ATN生物标志物的特定对象异常图有效地揭示了AD对大脑的异质影响.
- 突出了多模式规范建模对于理解AD异质性的有用性.
