将动态连接状态与认知衰退和阿尔茨海默氏症疾病中的解剖变化联系起来

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 像阿尔茨海默氏症 (AD) 这样的神经退行性疾病之前会发生大脑连接的改变.
• 休息状态功能磁共振成像 (rs-fMRI) 对于研究大脑功能至关重要.
• 动态功能连接 (dFC) 分析为大脑网络变化提供了洞察力.

研究的目的:

• 开发和验证一个新的框架,将隐藏的马尔科夫模型 (HMM) 与卷积神经网络 (CNN) 集成,用于分析rs-fMRI数据中的dFC.
• 为了识别阿尔茨海默氏病连续性中经常出现的大脑连接状态.
• 调查这些动态连接状态如何与疾病严重程度和进展相关.

主要方法:

• 开发了一个无监督的深度神经网络框架,将HMM动态与CNN架构结合起来.
• 该框架应用于来自健康对照组,轻度认知障碍 (MCI) 和AD患者的rs-fMRI数据.
• 分析的重点是确定稳定,反复出现的大脑状态及其时间动态.

主要成果:

• 这种新的框架成功地从rs-fMRI数据中识别出不同的,反复出现的大脑连接状态.
• 这些状态在阿尔茨海默病连续体 (健康,MCI,AD) 中表现不同.
• 每个状态活跃的时间部分系统地根据疾病严重程度而变化,表明追踪神经退行症的动态网络变化.

结论:

• 在AD中,动态连接模式的破坏可能遵循两阶段的轨迹:最初向整合性状态转移,其次是减少组织.
• 拟议的深度学习框架为阿尔茨海默病的早期诊断和监测提供了一个有前途的工具.
• 这种方法对研究其他神经退行性疾病有潜在的应用.