使用神经元导向分散和密度成像进行前性痴呆症的表征
Stefano Pisano1,2, Silvia Basaia1, Federica Agosta1,3,4
1Neuroimaging Research Unit, Division of Neuroscience, IRCCS San Raffaele Scientific Institute, 20132 Milan, Italy.
Brain communications
|December 5, 2025
概括
这项研究使用先进的MRI (神经元定向分散和密度成像) 来检测前性痴呆症 (FTD) 亚型中的大脑微结构变化. 机器学习准确地分类了FTD变体,改善了诊断.
科学领域:
- 神经成像是一种神经成像.
- 神经学 神经学
- 生物医学工程 生物医学工程
背景情况:
- 前性痴呆症 (FTD) 涵盖了几个神经退行性疾病,其特点是大脑白质 (WM) 和灰质 (GM) 的逐渐变化.
- 了解不同FTD变异中的特定微观结构变化对于准确的诊断和管理至关重要.
- 扩散核磁共振技术提供了对大脑微观结构的敏感测量,但它们在区分FTD亚型中的应用需要进一步细化.
研究的目的:
- 通过神经元定向分散和密度成像 (NODDI) 模型评估FTD变体中的WM和GM微观结构.
- 根据扩散MRI指标和神经心理学数据开发和评估一种机器学习算法,用于基于扩散MRI指标和神经心理学数据来分类FTD亚型.
- 将NODDI与标准扩散张力 (DT) 成像在检测疾病相关的微观结构变化的有效性进行比较.
主要方法:
- 获得多扩散MRI并对对照组和参与者进行神经心理评估,这些人有行为变体FTD (bvFTD),语义变体PPA (svPPA),非流动变体PPA (nfvPPA) 和语义-bvFTD (sbvFTD).
- 分析了扩散MRI指标,包括分数异构 (FA),平均扩散率 (MD),细胞内体积分数 (ICVF) 和方向分散指数 (ODI),使用基于通道和基于GM的空间统计数据.
- 训练有素支持矢量机 (SVM) 模型使用扩散MRI特征和认知分数的组合来分类FTD亚型.
主要成果:
- 在所有FTD变体中观察到广泛的WM变化 (减少FA和增加MD).
- 转基因和WM ICVF和ODI的减少显示出与特定的FTD亚型相关的明显模式.
- 集成NODDI指标和认知数据的SVM算法在分类FTD亚型方面实现了98.6%的准确性,优于标准DT成像模型.
结论:
- 在FTD中,NODDI有效地捕捉了GM和WM在FTD中的微妙微观结构变化,与标准DT成像相比,提供了优势.
- 在机器学习模型中将NODDI衍生的扩散MRI指标与认知数据集成,可以更准确地区分FTD亚型.
- 这种方法有望提高诊断的准确性和了解各种FTD综合征的病理生理学.


