轻度认知障碍发展轨迹的分类使用多空间尺度结构性大脑网络
Chaoqing Zhang1, Chunmei Song2, Xing Li1
1Neurological Sub-intensive Care Department, Yancheng First Hospital, The Yancheng Clinical College of Xuzhou Medical University.
Neuroreport
|September 30, 2025
概括
这项研究开发了一种新的全脑网络模型,以准确地分类可能进展为阿尔茨海默病的轻度认知障碍 (MCI) 患者. 该模型实现了92.41%的准确性,识别了用于早期检测的关键大脑连接特征.
科学领域:
- 神经科学是一个神经科学.
- 医学成像分析 医学成像分析
- 计算生物学 计算生物学
背景情况:
- 轻度认知障碍 (MCI) 是正常衰老和痴呆之间的过渡阶段,其中的一个子集进展为阿尔茨海默氏症 (AD).
- 从稳定的MCI (MCI-s) 准确分类MCI转换器 (MCI-c) 对于及时干预和临床试验分层至关重要.
- 了解多个空间尺度上的大脑连接对于破译复杂的神经系统疾病至关重要.
研究的目的:
- 研究MCI患者在不同空间尺度上的大脑区域相互作用.
- 开发一个分类模型,将MCI-c与MCI-s区分开来.
- 确定精确的大脑连接特征,表明阿尔茨海默病的进展.
主要方法:
- 结构性大脑网络以多个解剖学分辨率 (210,40和12个区域) 构建.
- 创建了内层和间层网络,以分析内层和间层大脑区域的连接.
- 通过合并内层和间层网络形成一个全脑网络,然后进行特征选择和分类器训练.
主要成果:
- 开发的全脑网络模型实现了92.41%的分类准确度,用于区分MCI转换器和稳定的MCI患者.
- 对于精确分类至关重要的有意义的连接特征被成功确定.
- 在MCI中经常报告的异常大脑区域是局部化到更具体的解剖区域.
结论:
- 构建的全脑网络模型显示了对精确的MCI分类和早期发现阿尔茨海默病进展的巨大潜力.
- 了解层次大脑网络关系是理解大脑结构-功能相互作用的关键.
- 未来的工作应该涉及独立队列的验证和与功能成像模式 (如fMRI和PET) 的整合.
更多相关视频
09:01A Method for Investigating Age-related Differences in the Functional Connectivity of Cognitive Control Networks Associated with Dimensional Change Card Sort Performance
Published on: May 7, 2014
10.5K
05:55Modeling the Functional Network for Spatial Navigation in the Human Brain
Published on: October 13, 2023
1.5K
