[论文解读] Brain structural connectivity atrophy in Alzheimer's disease

Nicola Amoroso, Marianna La Rocca+5 more|arXiv (Cornell University)|Sep 7, 2017

Functional Brain Connectivity Studies参考文献 35被引用 12

一句话总结

本研究提出一种多重网络框架，通过将大脑划分为3000 mm³的斑块并计算成对相关性，以建模阿尔茨海默病中脑结构连接性的萎缩，从而捕捉受试者间的变异。该方法在区分阿尔茨海默病患者方面达到86%的准确率，在识别将转化为阿尔茨海默病的轻度认知障碍患者方面达到84%的准确率，优于标准的体素基于形态测量法的敏感性。

ABSTRACT

Analysis and quantification of brain structural changes, using Magnetic resonance imaging (MRI), are increasingly used to define novel biomarkers of brain pathologies, such as Alzheimer's disease (AD). Network-based models of the brain have shown that both local and global topological properties can reveal patterns of disease propagation. On the other hand, intra-subject descriptions cannot exploit the whole information context, accessible through inter-subject comparisons. To address this, we developed a novel approach, which models brain structural connectivity atrophy with a multiplex network and summarizes it within a classification score. On an independent dataset multiplex networks were able to correctly segregate, from normal controls (NC), AD patients and subjects with mild cognitive impairment that will convert to AD (cMCI) with an accuracy of, respectively, $0.86 \pm 0.01$ and $0.84 \pm 0.01$. The model also shows that illness effects are maximally detected by parceling the brain in equal volumes of $3000$ $mm^3$ ("patches"), without any $a$ $priori$ segmentation based on anatomical features. A direct comparison to standard voxel-based morphometry on the same dataset showed that the multiplex network approach had higher sensitivity. This method is general and can have twofold potential applications: providing a reliable tool for clinical trials and a disease signature of neurodegenerative pathologies.

研究动机与目标

• 开发一种数据驱动、无解剖偏倚的方法，用于量化阿尔茨海默病中脑结构连接性的萎缩。
• 在标准体素基于形态测量法的基础上，提高对早期神经退行性变化检测的敏感性。
• 通过基于网络的特征，实现对阿尔茨海默病及前驱阶段的准确受试者间分类。
• 确定用于鲁棒萎缩模式检测的最佳斑块尺寸和相似性度量。

提出的方法

• 将大脑划分为3000 mm³的矩形斑块，作为多重网络中的节点。
• 通过计算斑块强度时间序列之间的成对皮尔逊相关系数，定义网络边。
• 多重网络结构通过在受试者间对齐节点，实现受试者间的比较，保持空间对应关系。
• 该方法使用随机森林分类器，以区分正常对照组、阿尔茨海默病患者以及从轻度认知障碍转化的个体。
• 评估阈值化处理和多种相似性度量（皮尔逊相关、互信息、均方差、赫林格距离、柯尔莫哥洛夫-斯米尔诺夫检验、t检验），以优化网络构建。
• 在阿尔茨海默病神经影像倡议（ADNI）的独立数据集上验证性能。

实验结果

研究问题

• RQ1 基于斑块的结构连接性的多重网络模型是否能比标准的体素基于形态测量法更敏感地检测阿尔茨海默病中的萎缩模式？
• RQ2 在不依赖预定义解剖区域的前提下，捕捉与疾病相关的萎缩模式的最佳斑块尺寸是什么？
• RQ3 哪种相似性度量（如皮尔逊相关、互信息）最能保留网络中的疾病相关连接模式？
• RQ4 阈值选择如何影响该多重网络框架中的分类准确率？
• RQ5 该模型能否可靠地区分正常对照组、阿尔茨海默病患者以及将转化为阿尔茨海默病的轻度认知障碍个体？

主要发现

• 该多重网络方法在区分阿尔茨海默病患者与正常对照组时，分类准确率达到86% ± 0.01。
• 该方法在识别将转化为阿尔茨海默病的轻度认知障碍患者方面，准确率达到84% ± 0.01。
• 相关性基础上的边构建最优阈值为0.3，该值在降噪与信息保留之间达到平衡。
• 皮尔逊相关和互信息作为表现最佳的相似性度量，分别达到88%的准确率和90%的敏感性。
• 3000 mm³的斑块尺寸表现最佳，优于其他尺寸，并消除了对解剖分割的依赖。
• 该方法在相同数据集上的敏感性高于标准的体素基于形态测量法，表明其能更优地检测细微的萎缩模式。