基于图形理论和机器学习的视网膜脱落患者的异常内在大脑功能网络动态
Yuanyuan Wang1, Yu Ji2, Jie Liu1
1Department of Radiology, The First Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, China.
Heliyon
|December 11, 2024
概括
大脑网络分析显示,视网膜脱落 (RD) 患者的信息交换效率降低. 动态的功能连接模式和拓性质可以有效地区分RD患者和健康对照.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 系统生物学 系统生物学
背景情况:
- 视网膜脱落 (RD) 越来越多地研究其对大脑可塑性和重塑的影响.
- 然而,RD患者动态功能网络拓学的具体变化仍然不清楚.
研究的目的:
- 研究RD个体中动态大脑功能网络的拓结构.
- 为了确定RD患者和健康对照者 (HCs) 之间的动态功能连接 (dFC) 模式的差异.
主要方法:
- 休息状态的fMRI被用于扫描32名RD患者和33名HC患者.
- 移动窗口分析和K-means集群确定了dFC变化模式.
- 图形理论和机器学习 (SVM) 分析了网络拓和分类.
主要成果:
- 与HC相比,RD患者在四个不同的dFC状态之间过渡的次数较少.
- 在RD患者中观察到全球和节点特定的动态拓性质的显著变化,与临床参数相关.
- 一种支持向量机器模型在区分RD患者和HC患者方面取得了高准确度 (0.938).
结论:
- 在RD患者中,大脑网络拓的改变表明集成和信息交换效率降低.
- 动态拓性质显示出区分RD与健康个体的潜力.
