基于DTI影像图论分析的正常老化认知表现预测模型

目的以磁共振扩散张量影像(diffusion tensor imaging,DTI)为基础进行大脑结构网络拓扑属性分析,选择与认知表现分数相关性较大的结构网络特征,并基于这些特征建立认知表现分数预测模型,藉以客观地估测老年人的大脑认知能力。方法对94例正常老化的DTI影像进行结构脑网络构建,采用图论法分析结构连接矩阵,提取结构网络的特征,并将所有特征与受试者的简单智能状态检查量表(mini-mental status examination,MMSE)分数进行相关性分析,选取出与大脑认知高度相关的网络特征,再基于这些特征建立5种分析模型,预测受试者的认知表现分数,以进一步分析模型的预测效能。结果通过相关性分析,在相关系数大于0.22且P值小于0.05的条件下,选取出与大脑认知高度相关的30个特征,这些特征分布在AAL(automated anatomical labeling)图谱中的12个脑区。而在模型建立与效能分析部分,以高斯回归模型的效能最佳,其训练组相关系数达0.89,预测误差最小为2.01,对受试者的认知表现分数预测较准确。结论利用结构脑网络度量指标作为生物标记指针可建立正常老化认知功能预测模型,且能有效预测正常老年人的认知表现分数。

基于大脑结构网络特征的遗忘型轻度认知障碍诊断模型

选取与认知表现分数相关性高的结构网络拓扑特征,利用这些特征建立分类模型,实现对正常老化者及遗忘型轻度认知障碍(aMCI)患者的分类。本研究包含两组扩散张量影像(DTI)数据,一组为52例正常老化受试者,一组为39例aMCI患者。分别对两组数据进行结构网络构建,采用图论分析法提取结构网络的特征,将所有特征与简单智能状态检查量表(MMSE)分数进行相关性分析,选取与认知表现分数高度相关的特征,基于这些特征建立5种分类模型,并对模型的分类效果进行评估。对于正常老化数据,选出18个与认知能力显著相关的结构网络特征,集中于解剖自动贴标(AAL)图谱中的9个脑区;对于aMCI数据,也选出18个与认知能力显著相关的结构网络特征,集中于AAL图谱中的9个脑区;二者选出的特征及分布的脑区是不同的。通过对分类模型的评估,得出支持向量机序列最小优化算法建立的模型分类效果最佳,特异性达到88.46%,敏感性达到83.05%,准确性达到85.71%。所提取的与认知表现相关性高的结构网络特征,可以作为生物标记指针,来建立分类模型,对正常老化者及aMCI患者进行分类,也可提供相应脑区间连接变化的信息。