在阿尔茨海默病中使用区域连接和网络生物标志物的认知预测
Jinhua Sheng1, Jialei Wang1, Qiao Zhang2
1School of Computer Science and Technology, Hangzhou Dianzi University, Hangzhou, Zhejiang 310018, China; Key Laboratory of Intelligent Image Analysis for Sensory and Cognitive Health, Ministry of Industry and Information Technology of China, Hangzhou, Zhejiang 310018, China.
Neuroscience
|September 5, 2025
概括
这项研究引入了显著边缘选择 (SES) 方法来分析认知障碍中的大脑网络,准确预测认知表现并识别与衰退相关的关键大脑网络.
科学领域:
- 神经科学
- 计算精神病学
- 医学成像分析
背景情况:
- 了解大脑机制需要多层次的网络分析.
- 认知障碍研究需要精确地从神经影像数据中提取特征.
研究的目的:
- 开发和验证一种用于分析认知障碍患者个体大脑网络的新方法.
- 使用基于精细网络特征的机器学习模型预测认知性能.
- 确定与认知衰退相关的关键大脑区域和网络.
主要方法:
- 从神经成像数据构建个体大脑网络.
- 应用显著边缘选择 (SES) 方法来提取信息连接.
- 网络特征的计算和机器学习的应用用于预测 (leave-one-out交叉验证).
主要成果:
- 在认知表现方面获得了r=0.683的预测准确度.
- 确定了大脑核心区域和大规模网络, 推动预测性能.
- 二次视觉 (VIS2),前端对象控制 (FPN) 和默认模式 (DMN) 网络与认知衰退最为相关.
结论:
- 一个多层面的框架 (连接,区域,网络) 能够进行强大的认知预测.
- 这些发现为阿尔茨海默病 (AD) 的机制提供了新的见解.
- 这项工作推进了早期阿尔茨海默病诊断和机制研究的预测建模.
