评估拓学和图形理论方法来提取复杂的多模式脑连接模式在多发性硬化症
Toni Lozano-Bagén1, Eloy Martinez-Heras2, Giuseppe Pontillo3,4,5
1Department of Computer Science, Universitat Autònoma de Barcelona, Barcelona, Spain.
Health information science and systems
|October 22, 2025
概括
拓贝蒂曲线在脑网络中的多发性硬化症 (MS) 识别方面优于传统的图表指标. 结合多式联网数据和多层网络,可以提高神经退行性疾病的诊断准确度.
科学领域:
- 神经科学是一个神经科学.
- 数据科学数据科学数据科学
- 医疗成像医学成像
背景情况:
- 从MRI获得的大脑网络对于理解大脑组织至关重要.
- 图形理论指标分析网络属性,如效率和集成.
- 拓数据分析,包括贝蒂曲线,为捕获复杂网络模式提供了新的方法.
研究的目的:
- 为了比较贝蒂曲线和图形理论指标用于神经退行性疾病的特征提取.
- 评估这些方法来区分患有多发性硬化症 (PwMS) 的人与健康的志愿者 (HV).
- 评估多式联运数据和多层架构对分类性能的影响.
主要方法:
- 从结构连接性,灰质形态和静止状态功能网络中提取特征.
- 使用了单层和多层图形架构.
- 贝蒂曲线和图形理论指标的区分能力被比较.
主要成果:
- 与图形理论指标相比,贝蒂曲线衍生的特征通常显示出更高的性能.
- 多模式数据集成和多层图形架构增强了对大脑变化的表示.
- 当使用组合功能和先进的网络结构时,观察到更好的分类准确性.
结论:
- 拓特征,特别是贝蒂曲线,显示了神经退行性疾病分析的巨大潜力.
- 多模式数据集成和多层网络分析是改善诊断能力的有效策略.
- 这些发现支持使用先进的拓和网络方法来理解和诊断MS等疾病.
