基于连接组的标志物可以预测前性痴呆症的亚型

科学领域:

• 神经科学是一个神经科学.
• 神经成像是一种神经成像.
• 计算精神病学是一种计算精神病学.

背景情况:

• 前性痴呆 (FTD) 是一组具有不同临床表现的神经退行性疾病.
• 了解FTD亚型之间的神经生物学差异对于诊断和治疗至关重要.
• 连接组分析提供了一个强大的工具来调查FTD中大脑网络的改变.

研究的目的:

• 在不同FTD亚型中调查功能大脑模块组织的变化.
• 为了确定FTD亚型的潜在神经成像生物标志物.
• 通过机器学习提高FTD亚型的预测准确性.

主要方法:

• 休息状态功能磁共振成像 (fMRI) 数据来自行为变体FTD (BV-FTD),语义变体FTD (SV-FTD),渐进性非流动性失语性FTD (PNFA-FTD) 和健康对照患者.
• 沃克塞尔级功能性大脑网络的构建和二元化.
• 计算模块分离指数 (MSI) 和参与系数 (PC) 以评估网络完整性和节点属性.

主要成果:

• 在BV-FTD和SV-FTD中,皮下,默认模式 (DMN) 和腹部注意力网络 (VAN) 的MSI下降.
• 与其他组相比,BV-FTD表现出被破坏的前端对象网络 (FPN) 完整性.
• 所有FTD亚型都表现出涉及岛屿皮层的连接性改变,网络变化和临床变量之间存在显著的关联.

结论:

• FTD亚型表现出大脑模块组织的独特模式,突出了共同和独特的神经生物学基础.
• 基于Connectome的机器学习模型在区分FTD亚型方面表现出很高的性能.
• 这些发现为改善FTD亚型诊断和个性化治疗策略提供了潜在的生物标志物.