使用无监督的维度减小来识别病变模式,预测中风后失言症的严重程度

科学领域:

• 神经科学是一个神经科学.
• 神经学 神经学
• 计算生物学 计算生物学

背景情况:

• 基于Voxel的脑病变分析方法对于广泛的行为测量是有限的.
• 了解分布式脑损伤如何影响语言对于中风康复至关重要.

研究的目的:

• 使用非负矩阵因子化 (NMF) 识别代表性中风模式.
• 探索这些中风模式和左半球中风患者的失语严重程度之间的关联.

主要方法:

• 从107名左半球中风患者的结构MRI被用于细分病变.
• 非负矩阵因子化 (NMF) 应用于保存的组织数据以识别中风模式 ("原子").
• 线性回归分析了NMF模式和失言症严重程度 (西方失言症电池 - 修订的失言率) 之间的关联.

主要成果:

• 确定了五种原型的中风模式 (NMF原子).
• 在MCA领土上减少的节省组织与更严重的失语相关.
• 岛屿周围增加的节省组织与不那么严重的失语相关.
• 由于关键语言区域的隔离,对上方前额-双肩区域的损伤与严重性有更强的关联.

结论:

• NMF提供了一种新的方法来描述中风模式及其与语言缺陷的关系.
• 在特定区域,特别是岛屿中保存的组织可以减轻失语症的严重程度.
• 这种方法增强了对病变负担和病变位置对中风后语言功能影响的理解.