A felszíni fehérállomány jellemzői, mint biomarkerek az Alzheimer-kór és az enyhe kognitív károsodás kimutatására

Kapcsolatfelvétel: emily.li@wecistanche.com

Bahare Bigham és mtsai

Absztrakt:

Háttér:

Az orvosi képalkotó és feldolgozó eszközök fejlődésével a betegségek pontos diagnosztizálását intelligens rendszerek tették lehetővé. A támogató vektorgépek (SVM) figyelemre méltó képessége miatt a betegségek diagnosztizálására kiterjedt kutatások folytak az SVM algoritmus használatával a betegségek osztályozására.Alzheimer-kórbetegség(AD) és enyhe kognitív károsodás (MCI).

Célok:

Ebben a vizsgálatban automatizált módszert alkalmaztunk a betegek osztályozásáraAlzheimer-kórBetegségvalamint MCI és egészséges kontroll (HC) alanyok a diffúziós tenzoros képalkotás (DTI) jellemzői alapján a felületes fehérállományban (SWM).

Résztvevők:

Ebből a célból a DTI-adatokat letöltöttük aAlzheimer-kórBetegségNeuroimaging Initiative (ADNI). Ez a módszer 72 alany DTI-adatait használta: 24 HC-s, 24 MCI-s alany és 24 AD-s alany.

Mérések: A DTI feldolgozást DSI Studio szoftverrel, az összes gépi tanulási elemzést MATLAB szoftverrel végeztük.

Eredmények:

Az SVM lineáris kernelje volt a legjobb osztályozó, 95,8 százalékos pontossággal.Alzheimer-kórBetegségés HC csoportok, ezt követi az SVM négyzetes magja 83,3 százalékos pontossággal az MCI és HC csoportok között, valamint az SVM Gauss kernel 83,3 százalékos pontossággal az AD és MCI csoportok között. Következtetések: Tekintettel az AD és az MCI diagnosztizálásának fontosságára, valamint a felületes fehérállomány szerepére a neurodegeneratív betegségek diagnosztizálásában, ebben a tanulmányban az SWM különböző DTI módszereinek jellemzőit tárgyaljuk, amelyek hasznos segítséget jelenthetnek. AD és MCI diagnózisában.

Kulcsszavak: Támogató vektorgép, diffúziós tenzoros képalkotás,Alzheimer-kórbetegség, enyhe kognitív károsodás, Felületes fehérállomány

Kattintson ide, ha többet szeretne megtudni a Cistanche az Alzheimer-kórról

1. Bemutatkozás

A népesség elöregedésének növekedése miatt a pontos és hatékony kimutatásAlzheimer kór(Kr. u.) fontos kérdéssé vált a társadalomban [1]. Az enyhe kognitív károsodás (MCI) a normális öregedéssel összefüggő kognitív hanyatlás és a demencia súlyosabb hanyatlása közötti állapot. Mivel az MCI-nek nincs specifikus gyógymódja, és nagy a demenciává való progresszió kockázata, a betegség diagnózisa és megelőzése nagyon fontos [2].

A neurodegeneratív betegség gyakran érinti az agy bizonyos régióit. A retrogenezis modell szerint a felületes fehérállomány (SWM) azon régiók egyike, amelyről kiderült, hogy nagyon érzékeny számos betegségre [3, 4]. Ebben a tanulmányban egy támogató vektorgép (SVM) modellt fejlesztettünk ki, amely az SWM jellemzői alapján osztályozza a HC, MCI és AD alanyokat.

Az automata rendszerek technológiájának fejlődése miatt az orvostudomány különböző területein a gépi tanulási rendszerek segítik az orvosokat a betegségek automatikus diagnosztizálásában [5]. Az SVM, mint felügyelt gépi tanulási technika, nagyon hatékony eszköz a big data elemzésében [1].

Az agyi képalkotó technikákról széles körben úgy gondolják, hogy potenciálisan alkalmasak agyi betegségek diagnosztizálására. Ezekkel a technikákkal azonosíthatók az emberi agy problémái, anélkül, hogy invazív idegsebészetre lenne szükség. Jelenleg számos elfogadott, biztonságos képalkotási technikát használnak kutatóközpontokban és kórházakban világszerte [6]. A diffúziós tenzoros képalkotás (DTI) egy új MRI-alapú neuroimaging technika, amely lehetővé teszi a neuronális rostok integritásának értékelését [7].

A DTI adatrekonstrukció két kategóriába sorolható: modellmentes és modell alapú módszerek. A modellalapú módszerek, mint például a DTI rekonstrukció, feltételezik, hogy a vízdiffúzió alakja 3D Gauss-mintát követ, de a modellmentes módszerben, például a q-tér diffeomorf rekonstrukciós (QSDR) módszerben nincs feltételezés az eloszlásról. A QSDR módszer a Montreal Neurological Institute (MNI) térben lévő adatokat rekonstruálja [8]. A DSI Studio szoftver (www.dsi-s tudio.labsolver.org) támogatja mind a modellalapú, mind a modell nélküli rekonstrukciós módszereket.

A DTI rekonstrukciós módszeréből különböző mérések származnak, beleértve az átlagos diffúziót (MD), a frakcionált anizotrópiát (FA), az axiális diffúziót (AxD) és a radiális diffúziót (RD). A QSDR rekonstrukciós módszerből származó sűrűség alapú mérések közé tartozik a kvantitatív anizotrópia (QA), az izotróp érték (ISO), a korlátozott diffúziós képalkotás (RDI) stb.

A minőségbiztosítás egy metrika, amely számszerűsíti a spin populációt egy adott irányban, és feloldja a rostpopulációt (konkrétan a szálak keresztezését). A normalizált minőségbiztosítási (QA) skála kiszámítása úgy történik, hogy a maximális minőségbiztosítási értéket 1-re normalizálják, hogy a minőségbiztosítás jobban összehasonlítható legyen az alanyon belül [9].

Az RDI egy módszer a korlátozott diffúzió sűrűségének számszerűsítésére a diffúziós eltolási tartomány (pl. 10 mikron) függvényében [10].

A diffúzió fő irányának tenzor segítségével történő becslésének képessége a traktográfiai technikát is eredményezte, amelyet a konnektivitási mátrix és a hálózati mérőszámok kiszámítására alkalmaztak [11].

Az agy összetett hálózatként jelenik meg, amely szerkezetileg és funkcionálisan kapcsolódó neuronokból és agyi régiókból áll. Az agyi hálózat (vagy gráf) csomópontokból áll (amelyek neuronokat vagy agyi régiókat reprezentálnak), amelyeket vonalak kapcsolnak össze (az agyi régiók közötti kapcsolat) [12].

A hálózattudomány segíthet az analitikus agyi architektúra összetettségének csökkentésében és az agyi kapcsolódási minták megértésében, valamint információkat szolgáltathat a klinikai rendellenességekről [13].

A hálózati mérések közé tartozik az assortativitás, a hatékonyság, a PageRank, az egymás közötti kapcsolat, a kisvilágú hálózat stb.; arra szolgálnak, hogy jobban megértsék az emberi agy mint hálózat szerkezetét és működését [14].

Csak néhány tanulmány használt különböző elemzési megközelítéseket, mint például az érdeklődési terület (ROI), a traktográfia, valamint a kapcsolat és a hálózat mind a DTI, mind a QSDR rekonstrukció során. Az AD és MCI, AD és HC, valamint MCI és HC automatizált bináris detektálására a felszíni fehérállományból a fent említett elemzési módszerekkel kinyert tulajdonságokon alapuló SVM technikát alkalmaztuk.

2. Anyagok és módszerek

Az ebben a cikkben bemutatott adatok egy okl. dolgozat, és a Mashhad University of Medical Sciences Etikai Bizottsága felülvizsgálta és jóváhagyta (etikai szám: IR.MUMS.MEDICAL.REC.1397.320).

A lépések a következők:

2.1. Adatgyűjtés

A három csoport 72 résztvevőjének adatait letöltöttük aAlzheimer-kórBetegségNeuroimaging Initiative (ADNI) adatbázis. A vizsgálat alanyait, köztük az AD (n ¼ 24), az MCI (n ¼ 24) és a kontroll (n ¼ 24) csoportból származó alanyokat az ADNI2 projektből vették fel.

Az ADNI2 projektből az alanyok teljes agyi DTI-jét állítottuk elő a következő szkennelési paraméterekkel: Gyártó ¼ GE MEDICAL SYSTEMS; Mátrix X ¼ 256.{3}} képpont; Y mátrix ¼ 256.{5}} képpont; Mátrix Z ¼ 2714.0; Képpontméret X ¼ 1,4 mm; Képpontméret Y ¼ 1,4 mm; PulseSequence ¼ EP/SE; ismétlési idő (TR) 13000 ms, visszhangidő (TE) 68,3 ms, átfordulási szög 90, térerősség 3,0, szeletvastagság 2,7 mm, 41 nem kollineáris irány a b-vel -1000 s/mm2 érték, és 5 kép diffúziós súlyozás nélkül. A képek mellett az alanyok klinikai és neuropszichológiai adatait is letöltötték.

2.2. DTI feldolgozás

Minden nyers adat esetében a következő fő lépéseket hajtották végre a DTI technikák jellemzőinek kinyerésére az SWM-ben (az 1. ábrán láthatók). Mindezeket a folyamatokat a DSI Studio szoftverrel hajtották végre (Fang-Cheng Yeh, az Advanced Biomedical MRI Lab, Tajvani Nemzeti Egyetemi Kórház, a Fiber Tractography Lab támogatásával).

2.2.1. Előfeldolgozási és rekonstrukciós lépés

A DTI paramétermérés előtt a fejmozgás és az örvényáram korrekciója és a koponya levágása történt. A koponya lehúzásához és a háttérrégió szűréséhez a DSI Studio által biztosított maszkokat használtuk. Ezután a következő lépésben két különböző rekonstrukciós módszert alkalmaztunk, beleértve a modellbázis (DTI) és a szabad modell (QSDR) opciót a DSI Studio-ban; két különböző attitűddel a diffúziós képek feldolgozásához.

2.2.2. ROI megközelítés

A rekonstrukciós lépés után különböző DTI paramétereket kaptunk a ROI-ból, a traktográfiából és a konnektivitásból, valamint a hálózati módszerekből. A ROI egy adott cél identitása, a jelenlegi tanulmányban az SWM régió. Ennek a régiónak a maszkját (az MNI térben) Arash Nazeri és munkatársai hasonló tanulmányából nyerték [15, 16].

A Terminologia Anatomica 1998 [17] és Terminologia Neuroanatomica 2017 (FIPAT. Terminologia Neuroanatomica. FIPAT.library.dal.ca. Szövetségi Nemzetközi Anatómiai Terminológiai Program, 2017. február) agyi régiók felosztása szerint az SWM régiót a következőre osztottuk: 12 anatómiai régió, beleértve a frontális, parietális, temporális, occipitalis, limbikus és insuláris lebenyeket (mindkét oldalon) a Talairach Atlas [18] alapján (2. ábra). Ezeket a régiókat két tapasztalt radiológus erősítette meg. Végül hozzáadtuk az SWM atlasz alrégióit a DSI-Studio szoftveratlaszainak jobb és egyszerűbb elérése érdekében. Összesen 12 SWM régiót és átlagos DTI és QSDR értékeket számoltunk minden régióhoz.

2.2.3. Traktográfiai megközelítés

A traktográfiai paraméterek kinyerése érdekében FA és QA indexeket használtunk a DTI és QSDR rekonstrukcióhoz a szálkövetési küszöb meghatározásához. Kezdetben az SWM régiókat (mint ROI) helyezték el, és a traktográfiát a régióktól elkülönítve végezték el. Az egyes SWM-régiók traktográfiáját 100000 maggal végezték, véletlenszerűen generálva a szubvoxel pozíciókban, és a magokat az összes SWM-régióban elhelyezték, 0 lépésszámmal (0,5 voxel). 1,5 voxel távolságra), a simítási érték pedig 1. A vetési pont elsődleges szálától való követést áramvonalasra (Euler), az irányinterpolációt pedig trilineárisra állítottuk. A szálhossz-tartományt 30 és 300 mm közé állítottuk.

2.2.4. Kapcsolódási és hálózati elemzés

A traktográfia elvégzése után QSDR rekonstrukciós módszerrel határoztuk meg az agy SWM régiói és az agyhálózati mérések közötti strukturális kapcsolatot. Ehhez a "Kapcsolódási mátrix" opciót használták a csatlakozási és hálózati paraméterek kinyerésére. Így a teljes agy traktográfiájának elvégzése után az SWM régiói közötti kapcsolódási méréseket a kapcsolatok száma alapján értékeltük. Ezenkívül a hálózatból mért információkat (pl. hatékonyság, asszortativitás, közöttiség stb.) különböző SWM régiókból kinyertük.

2.3. Osztályozási módszerek

Mind a rekonstrukciós, mind a mért ROI-ból, traktográfiából, kapcsolódásból és hálózati módszerekből (pl. FA, MD, RD, AxD és QA, QA, iso, RDI, hálózati értékek és számos kapcsolat) DTI paramétereket tartalmaztunk. az agyi régiók között). Minden csoport CSV-fájlokká lett konvertálva, hogy bekerüljön a MATLAB szoftverbe az osztályozáshoz. Az mindegyikből kinyert jellemzők a ROI-módszer 504, a traktográfiai módszer 576, valamint a kapcsolódási és hálózati módszer 702 jellemzőiből álltak. A jellemzők rendezése után az egyes alanyok jellemzővektorát az 1782-es jellemzőkből becsültük meg. Az SVM osztályozási modell bemeneteként szolgáló jellemzőmátrixok elkészítése érdekében csoportközi mátrixokat (HC-AD, HC-MCI és MCI-AD) hoztak létre, minden csoporthoz külön címkékkel.

Minden gépi tanulási elemzést MATLAB szoftverrel (R2014a) végeztünk. A lépések a következő folyamatábrára oszthatók (a 3. ábrán látható módon).

A DTI adatfeldolgozás, jellemző kivonás és jellemzővektor létrehozása után a jellemzők kiválasztására került sor.

2.3.1. Funkció kiválasztása

Ebben a neuroimaging kutatásban a jellemzők száma alanyonként nagyon magas volt. Tehát az osztályozás szempontjából legrelevánsabb jellemzők (vagy paraméterek) azonosításához egy gyors korreláció alapú szűrőn (FCBF) alapuló módszert alkalmaztunk, amely egy jellemző kiválasztási módszer nagy dimenziós adatokhoz [19].

A DTI feldolgozás után a jellemzők kiválasztása FCBFmethods használatával történik, és az SVM-ben használják a bináris osztályozáshoz.

2.3.2. Tanulás és osztályozás

A jellemzők kiválasztása után belső 5-hajtási keresztellenőrzést hajtottunk végre a betanítási adatoknál, és az SVM algoritmust alkalmaztuk a három csoport között bináris osztályozással. A keresztellenőrzés a teljesítmény általánosításának biztosítására használt modellellenőrzési technika; ez egyúttal egy újramintavételi módszer is egy modell értékelésére, ha korlátozott mennyiségű adat áll rendelkezésünkre [20]. Összességében értékeltük a Lineáris, Kvadratikus, Köbös és Gauss-magokat (finom, közepes, durva). A Lineáris, Kvadratikus és Gauss-kernelekben elért jobb eredmények miatt, valamint a vizsgálat összetettségének csökkentése érdekében e három kernel eredményeit közöltük. Végül bemutatjuk a Vevő működési karakterisztikája (ROC) görbét és a görbe alatti területet (AUC) az egyes osztályozások legjobb kerneléhez (a 4. ábra szerint).

2.3.3. Értékelés

Az SVM-algoritmus betanítása után a következőképpen meghatározott eredményeket, beleértve a pontosságot, specifitást és érzékenységet, a rendszer az osztályozási teljesítmény értékelésére használja.

Általában ezekben az egyenletekben a valódi pozitív (TP) a helyesen megjósolt betegek számát, a hamis pozitív (FP) a hibásan előrejelzett egészséges kontrollok számát jelenti, a valódi negatív (TN) pedig a helyesen megjósolt egészséges kontrollok számát. , a fals negatív (FN) pedig a tévesen egészségesnek jósolt betegek számát jelenti [21].

3. Eredmény

3.1. Demográfiai és klinikai jellemzők

A résztvevők demográfiai adatait és klinikai pontszámait az 1. táblázat mutatja. Nem volt szignifikáns különbség (P > 0,05) a három csoport között életkor és nem tekintetében (lásd 1. táblázat). A mini mentális állapotvizsgálat (MMSE), a globális klinikai demencia értékelés (CDR) és a funkcionális tevékenységek kérdőívének (FAQ) pontszámai jelentősen eltértek a három csoportban. Az alapinformációk statisztikai elemzése SPSS 24 segítségével történt.

3.2. A felületes fehérállomány szelektív jellemzői

Az FCBF jellemző szelekciós módszer 8 jellemzőt mutatott az MCI és HC osztályozására, 25 jellemzőt az AD és HC osztályozására, és 17 jellemzőt az AD és MCI osztályozására (2. táblázat). Az 5. ábra a DTI különböző módszereinek szelektív jellemzőinek számát mutatja.

3.3. Az osztályozási teljesítmény

Az átlagos pontosságot, érzékenységet és specificitást ennek a vizsgálatnak az eredményeként közölték. Az SVM lineáris kernele volt a legjobb osztályozó, 95,8 százalékos pontossággal, 95,8 százalékos érzékenységgel és 95,8 százalékos specificitással az AD és HC csoportok között, ezt követi az SVM négyzetes kernele 83,3 százalékos pontossággal. 94,4 százalékos érzékenység és 76,6 százalékos specificitás az MCI és HC csoportok, valamint az SVM Gauss-mag között, 83,3 százalékos pontossággal, 80,7 százalékos érzékenységgel és 86,3 százalékos specificitással az AD és MCI csoportok) az 1. táblázat szerint). A 6. ábra a három kernel összehasonlítását mutatja, és megtalálja a legjobb kernelt bármely párbesorolásban (lásd 3. táblázat).

4. Megbeszélés

Különféle módszerek léteznek a DTI adatok elemzésére, és mindegyik módszernek megvannak a maga erősségei és gyengeségei. Ebben a tanulmányban három módszert alkalmaztunk, nevezetesen a ROI-t, a traktográfiát, a konnektivitást és a hálózati elemzést, hogy megkapjuk a felületes fehérállomány jellemzőit [22].

A retrogenezis modell szerint a felszíni fehérállomány egyike azon régióknak, amelyekről kiderült, hogy nagyon érzékenyek számos betegségre [23]. Emiatt ezt a területet vizsgáltuk ebben a tanulmányban.

Számos tanulmányt végeztek annak érdekében, hogy különbséget tegyenek az AD-ben és MCI-ben szenvedő egyének és az egészséges egyének között, és sok kutató érdeklődik e három csoport elkülönítésének módszerei iránt. Jelen tanulmányban automatizált módszert alkalmaztunk az AD és MCI-s, valamint a HC alanyok osztályozására az SWM DTI jellemzői alapján.

Fontos megjegyezni, hogy az SWM szálarchitektúrája (amely több rostpopulációt tartalmaz, úgynevezett "keresztező szálakat") összetettebb sorrendet mutat, mint a mély fehérállomány (7. ábra). Emiatt szükségesnek tűnik a QSDR rekonstrukciós technika alkalmazása, mivel a modellmentes módszerek pontosabbak a több rostpopulációt tartalmazó voxelekben, mint a modellalapú módszerek [24]. Erre a célra a QSDR technikát és a DTI rekonstrukciós technikát alkalmaztuk.

A különböző tudományok intelligens rendszerek fejlődése miatt a három csoport közötti párbesorolásra gépi tanulási rendszert fejlesztettek ki. Legjobb tudomásunk szerint ez az első olyan tanulmány, amely támogató vektorgépet használ az SWM DTI technikáinak jellemzőinek azonosítására.

A kontroll versus MCI osztályozásból származó eredményeink azt mutatták, hogy a négyzetes kernel volt a legjobb kernel ehhez az osztályozáshoz, 83,3 százalékos pontossággal. Az AD-betegek és az idős kontrollok közötti megkülönböztetés 95,8 százalékos pontosságot mutatott a lineáris kernel alapján. A kapcsolódási paraméterek nagy jelentőséggel bírtak a kiválasztott funkciókban. A 8. ábrán látható egy példa ezekre a kapcsolatokra.

Általában az agyi hálózat jellemzőinek vizsgálata információkat nyújthat a kutatóknak a legtöbb neurodegeneratív betegségről, beleértve az AD-t és az MCI-t. A közelmúltban az Alzheimer-kór hálózati tulajdonságainak vizsgálata több kutató figyelmét felkeltette. E kutatók közé tartozik Daianu et al. [25], Seo et al. [26], Jalili et al. [27], Sheng et al. [28], valamint Sulaiman et al. [29]. Úgy vélik, hogy az agyhálózati kapcsolatelemzés jelentős megértést nyújt arról, hogyan bomlanak le az idegpályák Alzheimer-kórban. Például, amint azt Yongxia Zhou és munkatársai tanulmányában közölték, az agykéreg kisvilágú hálózatának jellemzője képes volt megkülönböztetni az Alzheimer-kóros és az MCI-betegeket. Ebben a tanulmányban a kisvilágú hálózat, mint a felszíni fehérállomány egyik szelektív jellemzője, megmutatta, hogy képes megkülönböztetni az AD-t az MCI-től, és felhasználható volt a memória és a kognitív funkciók hanyatlásának magyarázatára, összhangban

korábbi tanulmányok megállapításai szerint a kisvilágú hálózat jellemzőinek elvesztése megváltozott AD-betegeknél [30, 31, 32].

Ezenkívül a PageRank mérés kiemelheti azokat az agyi régiókat, amelyekben több külső kapcsolat található [33]. Vizsgálatunkban a PageRank a frontális és a parietális régióban volt az egyik legjobban azonosított jellemző az AD diagnózisában, és fontosabb szerepet játszhat az agyban.

A tanulmány egyik legfontosabb megállapítása a bal parietális lebeny szakaszok hossza és száma az AD és az MCI elválasztásában. Desikan és munkatársai tanulmánya megemlítette a parietális lebeny sérülésének fontosságát, mint az MCI-ből AD-ba való progresszió előrejelzőjét [34]. Ennek a vizsgálatnak a traktográfiai eredményei megerősíthetik az előző, az SWM régióban végzett vizsgálat következtetéseit. Mivel az MCI-knél nagyobb az AD kialakulásának kockázata, mint a kontrolloknál, a parietális lebeny vizsgálata hasznos indikátor lehet.

Ezenkívül az AD és MCI összehasonlítások során a traktográfiás leletekhez hozzáadva a temporális és a parietális lebeny, valamint a limbikus és occipitális lebeny közötti kapcsolat megszakadását figyelték meg az AD-k esetében. Más szóval, a rövid hatótávolságú rostok kapcsolata a temporoparietálisban lényeges megállapítás lehet e két betegség elkülönítésében. A temporoparietális létfontosságú szerepet játszik a magas szintű emberi neurális funkciókban [35], amelyek az Alzheimer-kórban károsodhatnak. Desikan et al. ennek a régiónak a sorvadását vizsgálta AD-ben [34]. A tanulmány eredményei egy új technikával és a DTI-módszer jellemzőit felhasználva hatékonyak lehetnek az MCI és az AD elkülönítésében. Egy funkcionális mágneses rezonancia képalkotás (fMRI) vizsgálat kimutatta, hogy az insula az emberi agyi hálózatok kulcsterülete és az AD legsebezhetőbb régiója [36]; a jelen tanulmány megerősítheti ezeket az eredményeket a felületes fehérállományban, mivel az insula jellemzői, mint például a konnektivitás, az iso, a Tzz és a Txy az Alzheimer-kóros betegek kiválasztott és fő jellemzői közé tartoznak.

A legtöbb tanulmány arról számolt be, hogy a DTI értékek változnak az AD és MCI csoportok között. Ebben a tanulmányban az AD és az MCI közötti osztályozási pontosság 83,3 százalék volt a Gauss-kernel alapján, amely a legjobb kernel volt ehhez az osztályozáshoz.

A jövőbeli kutatásokra vonatkozó javaslatként érdekes lesz más módozatokat és biomarkereket is bevonni a multimodális vizsgálatba, mint például az fMRI és az elektroencefalogram (EEG), a pozitronemissziós tomográfia (PET) és a CSF fehérjék adatai a DTI adatokkal, és ezek is lehetnek jövőbeli céljainkat.

5. Következtetés

Összefoglalva, végrehajtottunk egy módszert az AD és MCI-ben szenvedő betegek és az egészséges kontrollok közötti automatikus megkülönböztetésre. Ebben a tanulmányban bemutattuk, hogy az AD vagy az MCI megkülönböztethető a HC-től az SWM régió jellemzőivel a DTI-n keresztül. Így a ROI-ból, a traktográfiából, valamint a kapcsolódási és hálózati módszerekből nyert jellemzők segíthetnek az AD és MCI diagnosztizálásában. Végül, ez a tanulmány ad hátteret a többi automatizált osztályozási módszer értékeléséhez ezekben a régiókban.

5.1. Korlátozások

A gépi tanulásban a minta mérete döntő tényező, amely befolyásolja a modell teljesítményét. A vizsgálat korlátja a bevont alanyok kis mintája.

Hivatkozások
[1] M. Lilia, S. Marie, H.-B. Valerie, D. Bruno, G. Patrick, K. Serge, DTI és szerkezeti MRI osztályozás Alzheimer-kórban, Adv. Mol. Imag. 2012 (2012).
[2] SA Eshkoor, TA Hamid, CY Mun, CK Ng, Enyhe kognitív károsodás és kezelése időseknél, Clin. Interv. Öregedés 10 (2015) 687–693.
[3] OR Phillips, SH Joshi, F. Piras, MD Orfei, M. Iorio, KL Narr és munkatársai, The felületes fehérállomány Alzheimer-kórban, Hum. Brain Mapp. 37 (4) (2016) 1321–1334.
[4] W. Reginold, AC Luedke, J. Itorralba, J. Fernandez-Ruiz, O. Islam, A. Garcia, Altered superficial white matter on tractography MRI in Alzheimer's disease, Dementia Geriatr. Cognit. Zavar. Extra 6 (2) (2016) 233–241.
[5] J. Guo, B. Li, Az orvosi mesterséges intelligencia technológia alkalmazása a fejlődő országok vidéki területein, Health Equity 2 (1) (2018) 174–181.
[6] KD Davis, H. Flor, HT Greely, GD Iannetti, S. Mackey, M. Ploner és munkatársai, Agyi képalkotó vizsgálatok krónikus fájdalomra: orvosi, jogi és etikai kérdések és ajánlások, Nat. Neurol tiszteletes. 13 (2017) 624.
[7] M. Dyba, M. Ewers, M. Wegrzyn, I. Kilimann, C. Plant, A. Oswald és munkatársai: DTI és MRI kombinálása az Alzheimer-kór automatizált detektálásához egy nagy európai multicentrikus adatkészlet felhasználásával. International Workshop on Multimodális Brain Image Analysis, Springer, 2012, 18–28.
[8] Z. Jin, Y. Bao, Y. Wang, Z. Li, X. Zheng, S. Long és munkatársai, Differences between generalizált Q-sampling imaging and diffusion tensor imaging in the visualization of crossing neural fibers in az agy, Surg. Radiol. Anat. 41 (9) (2019) 1019–1028.
[9] SY Lim, Y.-S. Tyan, Y.-P. Chao, F.-Y. Nien, J.-C. Weng, Új betekintés a fejlődő nyúlagyba diffúziós tenzoros traktográfiával és általánosított mintavételes MRI-vel, PLoS One 10 (3) (2015).
[10] FC Yeh, L. Liu, TK Hitchens, YL Wu, Immunsejt-infiltráció feltérképezése korlátozott diffúziós MRI segítségével, Magn. Reson. Med. 77 (2) (2017) 603–612.
[11] G. Prasad, TM Nir, AW Toga, PM Thompson, Tractography density and network changes in Alzheimer-kór, in: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE, 2013, 692–695.
[12] A. Mheich, F. Wendling, M. Hassan, Agyhálózati hasonlóság: Methods and Applications, 2019 arXiv preprint arXiv:190810592.
[13] O. Sporns, Gráfelméleti módszerek: alkalmazások agyi hálózatokban, Dialogues Clin. Neurosci. 20 (2) (2018) 111.
[14] O. Sporns, JD Zwi, Az agykéreg kis világa, Neuroinformatika 2 (2) (2004) 145–162.[15] A. Nazeri, MM Chakravarty, TK Rajji, D. Felsky, DJ Rotenberg, M. Mason és társai,
A felületes fehérállomány, mint az életkorral összefüggő kognitív hanyatlás új szubsztrátja, Neurobiol. Öregedés 36 (6) (2015) 2094–2106.
[16] A. Nazeri, MM Chakravarty, D. Felsky, NJ Lobaugh, TK Rajji, BH Mulsant és munkatársai, Alterations of felszíni fehérállomány skizofréniában és kapcsolat a kognitív teljesítőképességgel, Neuropsychopharmacology: Off. Publ. Am. College Neuropsychopharmacol. 38 (10) (2013) 1954.
[17] GC Ribas, The cerebralis sulci and gyri, Neurosurg. Focus 28 (2) (2010) E2. [18] J. Talairach, Co-planar Stereotaxic Atlas of the Human Brain-3-Dimenziós arányos rendszer. An Approach to Cerebral Imaging, 1988.
[19] L. Yu, H. Liu, Feature selection for high-dimensional data: a fast correlation-based filter solution, Proceedings of the 20th International Conference on Machine Learning (ICML-03), 2003, pp. 856–863.
[20] MW Browne, Cross-validation methods, J. Math. Psychol. 44 (1) (2000) 108–132.

[21] W. Zhu, N. Zeng, N. Wang, Érzékenység, specificitás, pontosság, kapcsolódó konfidencia intervallum és ROC elemzés gyakorlati SAS implementációkkal, NESUG Proceed.: Health Life Sci. (Baltimore, Maryland) 19 (2010) 67.
[22] W. Van Hecke, L. Emsell, S. Sunaert, Diffusion Tensor Imaging: a Practical Handbook, Springer, 2015.

[23] B. Bigham, SA Zamanpour, F. Zemorshidi, F. Boroumand, H. Zare, Alzheimer's Disease Neuroimaging Initiative. Felületi fehérállomány-rendellenességek azonosítása Alzheimer-kórban és enyhe kognitív károsodásban diffúziós tenzoros képalkotás segítségével, J. Alzheimer's Dis. Rep. 4 (1) (2020) 49–59.
[24] H. Zhang, Y. Wang, T. Lu, B. Qiu, Y. Tang, S. Ou és munkatársai, Differences between generalizált q-sampling imaging and diffusion tensor imaging in the preoperative visualization of the idegrost tracts in peritumoralis oedema in brain, Neurosurgery 73 (6) (2013) 1044–1053.
[25] M. Daianu, EL Dennis, N. Jahanshad, TM Nir, AW Toga, CR Jack és társai, Alzheimer-kór megzavarja az agyi kapcsolati hálózatok gazdag klubszervezetét, in: 2013 IEEE 10th International Symposium on Biomedical Imaging, IEEE , 2013, 266–269.
[26] EH Seo, DY Lee, J.-M. Lee, J.-S. Park, BK Sohn, DS Lee és munkatársai, Teljes agy funkcionális hálózatai kognitívan normális, enyhe kognitív károsodásban és Alzheimer-kórban, PLoS One 8 (1) (2013).
[27] M. Jalili, Graph theoretical analysis of Alzheimer-kór: AD-betegek megkülönböztetése egészséges alanyoktól, Inf. Sci. 384 (2017) 145–156.
[28] J. Sheng, B. Wang, Q. Zhang, R. Zhou, L. Wang, Y. Xin, Az Alzheimer-kór felé vezető különböző stádiumok azonosítása és jellemzése rendezett alapvető jellemzők és gépi tanulás segítségével, Heliyon (2021), e07287.
[29] S. Sulaimany, M. Khansari, P. Zarrineh, M. Daianu, N. Jahanshad, PM Thompson és munkatársai, Predicting brain network changes in Alzheimer's disease with link prediction algorithms, Mol. Biosyst. 13. (4) (2017) 725–735.
[30] Z. Yao, Y. Zhang, L. Lin, Y. Zhou, C. Xu, T. Jiang és munkatársai, Abnormal cortical networks in mild cognitive impairment and Alzheimer's disease, PLoS Comput. Biol. 6 (11) (2010).
[31] Y. He, Z. Chen, A. Evans, Structural insights into aberrant topological patterns of large-scale corticalis networks in Alzheimer-kór, J. Neurosci. 28 (18) (2008) 4756–4766.
[32] Y. He, Z. Chen, G. Gong, A. Evans, Neuronális hálózatok Alzheimer-kórban, Neuroscientist 15 (4) (2009) 333–350.
[33] A. Ebadi, JL Dalboni da Rocha, DB Nagaraju, F. Tovar-Moll, I. Bramati, G. Coutinho és mtsai, Ensemble classification of Alzheimer-kór és enyhe kognitív károsodás a diffúziós tenzorból származó komplex grafikon méréseken alapul. képek, elöl. Neurosci. 11 (2017) 56.
[34] RS Desikan, HJ Cabral, B. Fischl, CR Guttmann, D. Blacker, BT Hyman és munkatársai, Temporoparietális MR képalkotó mérések sorvadásra enyhe kognitív károsodásban szenvedőknél, amelyek az Alzheimer-kór későbbi diagnózisát jósolják, Am. J. Neuroradiol. 30. (3) (2009) 532–538.
[35] Y. Wu, D. Sun, Y. Wang, Y. Wang, Y. Wang, A temporoparieto-occipitalis régió rövid kapcsolatainak nyomon követése az emberi agyban diffúziós spektrum képalkotás és rostboncolás segítségével, Brain Res. 1646 (2016) 152–159.
[36] X. Liu, X. Chen, W. Zheng, M. Xia, Y. Han, H. Song és munkatársai, Alteredfunctional connectivity of insular subregions in Alzheimer's disease, Front. Öregedő idegsejtek. 10 (2018) 107.