使用静态和动态功能网络连接和机器学习来描述椎脊髓炎中大脑网络的改变
Jiyuan Yao1, Bingyong Xie1, Haoyu Ni1
1Department of Orthopedics, The First Affiliated Hospital of Anhui Medical University, Hefei, PR China; Department of Spine Surgery, The First Affiliated Hospital of Anhui Medical University, Hefei, PR China.
概括
用静态和动态功能网络连接 (sFNC和dFNC) 识别了椎脊髓炎 (CSM) 患者的大脑连接变化. 机器学习模型有效地对CSM进行了分类,显示出其作为诊断生物标记物的潜力.
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:
- 椎脊髓炎 (CSM) 导致神经功能障碍,神经机制不明.
- 大脑网络连接,包括静态 (sFNC) 和动态 (dFNC) 功能连接,为CSM病理生理学提供了潜在的见解.
- 在CSM患者中调查大脑全连接性改变对于了解疾病机制至关重要.
研究的目的:
- 为了研究使用sFNC和dFNC的CSM患者的全脑连接性改变.
- 探索sFNC和dFNC作为CSM分类和进展的生物标志物的潜力.
- 应用机器学习方法来分析CSM中的功能连接网络 (FCN).
主要方法:
- 191名参与者 (108名CSM患者,83名健康对照) 接受了休息状态的fMRI.
- 功能连接网络 (FCN) 分析了 sFNC 和 dFNC 的特征.
- K-means集群识别了dFNC状态;机器学习模型 (SVM,DT,LDA,LR,RF) 被训练进行分类.
主要成果:
- CSM患者表现出改变的sFNC,包括在特定网络中增强的连接性和在其他地方减弱的连接性.
- dFNC分析显示了四个不同的状态,CSM患者在状态1和状态3中表现出改变的连接性.
- 机器学习模型实现了高分类性能:SVM (sFNC) 达到AUC 0.92,准确率为85.86%;dFNC状态3模型实现了AUC 0.91,准确率为84.97%.
结论:
- 在CSM患者中显著的sFNC和dFNC变化表明存在潜在的神经机制.
- 特别是在SVM中,FNC特征显示出强大的潜力,作为神经成像生物标志物用于CSM诊断和监测.
- 未来的研究应该专注于纵向研究和多模式神经成像来验证这些发现.
