使用静止状态功能磁共振成像和对比学习来探索帕金森病大脑网络的变化以及与步行障碍的相关性

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 目前没有深度学习模型使用静止状态fMRI (rs-fMRI) 来区分帕金森病 (PD) 患者和健康对照 (HC).
• 没有研究将PD患者的客观步行参数与大脑网络变化相关联.
• 这项研究通过提出一种新的深度学习方法来解决这些差距.

研究的目的:

• 开发和评估一个深度学习模型 (BrainNetCNN + CL) 用于使用rs-fMRI数据对PD患者和HC进行分类.
• 为了确定PD中改变的特定大脑网络连接.
• 探索这些改变的大脑网络与PD患者的客观步行参数之间的相关性.

主要方法:

• 利用卷积神经网络 (CNN) 与联合对比学习 (CL) 结合用于大脑网络分析.
• 使用rs-fMRI数据对29名PD患者和38名HC进行分类.
• 将BrainNetCNN + CL的性能与经典分类方法进行比较.

主要成果:

• BrainNetCNN + CL在默认模式网络 (DMN),腹部注意网络 (VAN) 和边缘网络 (LN) 中确定了关键的改变连接.
• 在PD患者中发现了特定功能连接 (FC) 和步态参数 (如步长) 之间的显著负相关性.
• 观察到FC和临床尺度之间的相关性,例如贝克焦虑清单 (BAI) 和伯格平衡尺度 (BBS).

结论:

• 脑网CNN + CL模型有效地识别了PD患者中异常连接的大脑区域.
• 这些已识别的区域与步行障碍有关,可能代表PD的潜在治疗点.
• 该研究强调了深度学习在理解PD病理生理学和指导治疗策略方面的潜力.