在阿尔茨海默病谱中发现异常的灰色和白色物质连接模式:用于早期检测的动态图形理论分析
Juanjuan Jiang1, Tao Kang2, Ronghua Ling1
1School of Medical Imaging, Shanghai University of Medicine and Health Science, Shanghai, China.
Frontiers in aging neuroscience
|August 6, 2025
概括
动态大脑连接分析有效地识别了主观记忆投诉 (SMC) 个体的早期阿尔茨海默病 (AD) 标志物. 这种方法增强了早期分层,以便及时干预.
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:
- 阿尔茨海默病 (AD) 需要在临床前阶段进行早期干预,例如主观记忆投诉 (SMC).
- 传统的静态大脑网络分析缺乏检测SMC早期功能障碍的灵敏度.
- 这项研究整合了动态功能连接和机器学习,以改善临床前AD分层.
研究的目的:
- 通过将动态灰白物质功能连接 (DFC) 与机器学习相结合,增强临床前阿尔茨海默病 (AD) 的分层.
- 确定敏感的生物标志物,以早期检测患有主观记忆障碍 (SMC) 的人群中的AD.
主要方法:
- 在认知正常 (CN),SMC和认知障碍 (CI) 组中利用了多队列的ADNI数据 (N=1,415).
- 使用灰色和白色物质节点的滑动窗口分析构建了动态功能网络.
- 在Aβ+和APOE ε4+群体中使用支持矢量机 (SVM) 模型进行分类和子组分析.
主要成果:
- 具有短滑动窗口的动态功能连接 (DFC) 在检测早期功能中断时显示出比静态分析更高的灵敏度.
- 确定了CN-SMC,CN-CI和SMC-CI群体之间的显著差异性联系,前带肌 (WM4) 和感觉运动 (WM5) 网络的关键早期异常.
- 使用DFC的机器学习模型实现了优异的AD频谱分类 (AUC:0.85-0.92),特别是在Aβ+亚组中,特定的DFC特征与认知尺度密切相关.
结论:
- 动态灰白物质连接性是临床前阿尔茨海默病的敏感生物标志物.
- 确定了WM4-WM5破坏中心和机器学习框架,为早期的SMC分层提供了有效的工具.
- 这种方法有助于在疾病的治疗窗口内及时干预.
