探索有向连接复杂网络对轻度认知障碍诊断研究
2015-01-30
 
基于正交最小二乘算法的稀疏多元回归统计建模新方法用于估计和推断大脑有向连接脑网络,利用多元回归模型构建有向连接网络,判断异常轻度认知障碍患者与正常对照脑网络异常改变。通过构建的有向连接网络,在轻度认知障碍患者和正常对照组之间,重要异常改变已经发现并用于有效揭示脑疾病潜在的发病机制。
近年来,作为一种退行性的神经疾病并且患者每年从轻度认知障碍(MCI)转化为老年痴呆(AD)的比例高达10%-15%MCI在临床应用和研究中已经引起了广泛的关注。因此,关于MCIAD的脑神经科学研究一直以指数形式增加。最近,利用神经影像(fMRI)或神经生理数据(EEG[1]),许多学者应用了多种脑连接网络方法来分析激活脑区间的动态交互作用。
目前,脑连接网络总体来说可以分为3个子类:结构连接、功能连接及效应连接[2]。结构连接指的是脑区间的解剖连接,典型依据于脑白质纤维束。功能连接对应的是两个脑区活动事件在时间上的相关性,不管脑区间是否有直接的解剖连接。最后,对于脑效应连接,它包含了一个脑区对其他脑区直接的因果作用[3]。尽管将大脑作为一个脑网络系统的思想在神经科学上并不是非常新颖,但基于数学网络理论来研究脑网络特征却是近年来的一个研究热点。
         基于神经影像或者神经生理数据构建脑效应连接网络以得到(MCIAD)更有意义的生理解释和更好的分类性能是一项富有挑战性的任务。由于血氧水平依赖(BOLD)信号自发波动的低频性以及心脏跳动和呼吸周期中的噪声,在网络构建过程中可能产生许多虚假的连接。我们组研究发现结果表明,由于脑连接本身具有稀疏性,应用稀疏表示可以得到一个鲁棒性好的脑连接网络[2, 3]。基于脑效应连接网络MCI类框架总结如图1所示。相应MCI分类选择的最具差异的特征区域效应连接如2所示。
         稀疏表示得到具有相同拓扑属性的效应连接网络,因而在样本上具有更好的分类性能。实验结果表明,相较于常规相关性方法的脑网络建模方法,稀疏有向连接网络建模方法可以显著提高分类性能。而且,通过我们组的研究结果发现,提出的分类框架为临床诊断与认知损伤相关的脑功能病变提供了另外一种新的研究思路。未来研究将静息态的效应连接和其他神经影像依据如结构变异结合起来,作为临床诊断更可靠的综合生物标记。