论文部分内容阅读
主观认知下降(Subjective cognitive decline,SCD)被认为是阿尔兹海默症(Alzheimer disease,AD)的临床前期阶段,其临床表现为患者主诉记忆能力下降,但认知量表评估为正常水平。随着人口老龄化进程的逐渐加快,这种现象在老年人口中十分常见,相关的纵向研究显示,每年约有6.6%的SCD患者会逐渐发展为轻度认知障碍(mild cognitive impairment,MCI),2.3%的SCD患者存在进一步转化为AD的风险,因此探究SCD患者的大脑功能变化对延缓SCD患者病情进一步恶化以及后期干预治疗都具有非常重要的意义。近些年磁共振成像技术(Magnetic resonance imaging,MRI)被广泛应用于各类脑疾病的研究中,基于神经影像学的分析表明,SCD患者具有异常的功能性大脑活动,但仍需要深入的探究。本论文基于功能磁共振技术(functional Magnetic resonance imaging,f MRI),分别在体素水平和ROI(Region of interest)水平提取SCD患者的脑功能特征,并结合模式识别分析方法对SCD症患者的大脑功能变化进行分类及预测。本文的主要工作如下:1)基于静息态f MRI,计算SCD患者和健康对照组(Healthy controls,HCs)两组人的比率低频振幅(fractural Amplitude of Low Frequency Fluctuation,f ALFF)及度中心度(Degree centrality,DC)值,对两组人的静息态脑功能进行表征,并对SCD患者相较于HCs的功能差异进行了探究;受试者操作特征曲线(Receiver operating characteristic,ROC)用于对组间差异显著脑区的判别可靠性进行分析。结果显示:SCD患者相比于HCs,顶下小叶和楔前叶的f ALFF值显著升高,且在背外侧额上回其f ALFF值显著降低;DC值的差异比较显示,SCD患者在海马、楔叶以及额中回区域DC值显著的高于HCs,且在中扣带回其DC值显著降低。ROC曲线分析显示,f ALFF和DC各自具有显著差异区域的ROC曲线下面积多介于0.7~0.9之间,海马体的DC值其ROC曲线下面积最高,达到了0.83。2)基于上一章节的体素水平特征,构建机器学习模型进行模式识别。由于f MRI特征具有局部空间相关性,本研究选择了结构化稀疏化学习方法Total Variation-L1Logistic Regression(TV-L1),该模型通过引入Total Variation正则化算子缓解了单纯L1正则化导致的特征过于稀疏,同时也训练了L1 Logistic Regression(L1)模型以做比较。结果显示:两种特征的TV-L1模型准确率均高于L1模型,基于DC的特征TV-L1模型分类效果较好,独立验证集准确率为0.8,ROC曲线下面积为0.79,表明稀疏化结构化学习在SCD患者的识别方面具有一定的临床实用价值。3)利用基于图论的复杂网络分析方法和模式识别方法对SCD症患者的大脑拓扑网络属性差异进行分析研究。将全相关特征选择方法Boruta与随机森林相结合,构建机器学习框架,对全稀疏度阈值下的四种局部拓扑特征进行模式识别。结果显示:右侧中央前回、左侧中央盖沟以及左侧尾状核的介数中心性(Betweenness centrality);右侧辅助运动区、右侧中央旁小叶的聚类系数(Cluster coefficient),右侧杏仁核、左侧尾状核的度中心性(Degree centrality)和右侧辅助运动区的节点效率(Local efficiency)作为被选特征在多个稀疏度范围内对分类模型有较高的贡献,其中当稀疏度为0.4时的介数中心性分类效果相对较好,模型的5折平均分类准确率为0.7。通过将复杂网络分析方法与模式识别方法相结合,为主观认知下降的脑网络拓扑研究提供了新的研究途径。本文从功能磁共振影像出发,在体素水平和ROI水平对SCD患者大脑功能的变化进行了探究,研究结果表明SCD患者的默认模式网络存在不同程度功能异常,与既往研究结果相一致;基于体素水平和ROI水平特征,研究还通过模式识别方法对SCD和HCs进行了模式分类,结果表明:海马体的DC值和右侧中央前回、左侧中央盖沟以及左侧尾状核区域的介数中心性属性值,具有较好的分类识别效果,意味着相关区域的DC和介数中心性属性可以作为具有疾病特异性的神经影像学标签,为实际临床应用提供了一定的理论依据和循证基础。