基于功能连接的搜索灯多变量模式分析,用于区分帕金森病患者和预测临床变量

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 帕金森病 (PD) 和轻度认知障碍 (MCI) 的PD的特点是大脑功能连接 (FC) 的中断.
• 区分这些疾病并了解它们的临床严重程度对于研究和治疗至关重要.

研究的目的:

• 为了区分帕金森病 (PD) 患者与健康对照者 (HC).
• 要区分患有轻度认知障碍 (PD-MCI) 的PD患者与正常认知 (PD-NC) 患者.
• 评估基于连接的搜索灯多变量模式分析 (CBS-MVPA) 对PD临床严重性的预测能力.

主要方法:

• 利用了261名参与帕金森病进展标记计划 (PPMI) 的休息状态功能磁共振成像 (fMRI) 数据.
• 应用CBS-MVPA检查全脑FC子网络以进行群体歧视和临床措施的预测.
• 在分析中包括98名PD-MCI患者,98名PD-NC患者和65名HC患者.

主要成果:

• CBS-MVPA确定了20个FC子网络,以中等准确度区分PD和HC (71.25%75.48%).
• PD-MCI与PD-NC的区别在于准确度不高 (57.21%62.74%).
• 特定的子网络显示了运动严重性和与认知表现的关联的适度预测值,尽管准确性接近机会水平.

结论:

• 引入了一种新的CBS-MVPA方法来识别PD和PD-MCI中的分布式FC模式.
• 检测到的子网络包含可测量的预测信号,用于诊断状态和临床严重程度.
• 突出了全脑多变量FC分析对于PD研究和治疗干预的潜力.