通过白质超强度连接性评估来提高认知性能预测.
Marvin Petersen1, Mirthe Coenen2, Charles DeCarli3
1Department of Neurology, University Medical Center Hamburg-Eppendorf, Hamburg 20251Germany.
Brain : a journal of neurology
|October 14, 2024
概括
损伤网络映射 (LNM) 更好地预测认知衰退,而不仅仅是白质超强度 (WMH) 的体积. 关注网络的WMH连接与认知障碍有关,改善了对认知障碍血管贡献的理解.
科学领域:
- 神经成像是一种神经成像.
- 认知神经科学 认知神经科学
- 血管神经学 血管神经学
背景情况:
- 白质超强度 (WMH) 与认知障碍有关,但仅仅是它们的数量并不能完全解释缺陷.
- 连接WMH与认知衰退的机制尚未完全理解.
- 损伤网络映射 (LNM) 提供了一种新的方法来调查大脑网络参与损伤诱导的功能障碍.
研究的目的:
- 为了确定LNM知情标记是否比WMH体积更好地预测认知表现.
- 确定与WMH相关的特定大脑网络,有助于认知障碍.
主要方法:
- 利用了来自10个记忆诊所队列 (Meta VCI Map Consortium) 的3485名患者的横截面数据.
- 应用LNM来映射WMH连接到结构和功能大脑连接组数据.
- 使用回归和嵌套交叉验证,比较WMH体积和认知功能的LNM得分的预测能力.
主要成果:
- 在预测注意力/执行功能,处理速度和口头记忆方面,LNM的得分明显超过了WMH的成绩.
- LNM并没有改善对语言函数的预测.
- 注意力网络中的较高LNM得分与较差的认知表现相关,表明网络连接是至关重要的.
结论:
- 与WMH相关的大脑网络连接的测量提高了对记忆诊所患者认知表现的预测.
- 网络完整性,特别是注意力区域,对于理解血管对认知障碍的贡献至关重要.
- 将连接数据与WMH评估相结合,可以实现个性化干预,并识别有风险的患者子组.
更多相关视频
17:06Co-analysis of Brain Structure and Function using fMRI and Diffusion-weighted Imaging
Published on: November 8, 2012
26.2K
10:43Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
Published on: July 1, 2014
15.0K
