[论文解读] Brain network efficiency is influenced by pathological source of corticobasal syndrome

John D. Medaglia, Weiyu Huang+7 more|arXiv (Cornell University)|Jan 28, 2016

Functional Brain Connectivity Studies参考文献 62被引用 4

一句话总结

本研究表明，与灰质密度相比，白质微结构的图论分析，特别是局部网络效率，在区分皮质基底综合征患者的阿尔茨海默病与额颞叶变性方面表现更优。通过结构磁共振成像和网络度量，作者展示了在分类病理亚型时具有高敏感性和特异性，凸显了在神经退行性疾病诊断中进行网络层面分析的价值。

ABSTRACT

Multimodal neuroimaging studies of corticobasal syndrome using volumetric MRI and DTI successfully discriminate between Alzheimer's disease and frontotemporal lobar degeneration but this evidence has typically included clinically heterogeneous patient cohorts and has rarely assessed the network structure of these distinct sources of pathology. Using structural MRI data, we identify areas in fronto-temporo-parietal cortex with reduced gray matter density in corticobasal syndrome relative to age matched controls. A support vector machine procedure demonstrates that gray matter density poorly discriminates between frontotemporal lobar degeneration and Alzheimer's disease pathology subgroups with low sensitivity and specificity. In contrast, a statistic of local network efficiency demonstrates excellent discriminatory power, with high sensitivity and specificity. Our results indicate that the underlying pathological sources of corticobasal syndrome can be classified more accurately using graph theoretical statistics of white matter microstructure in association cortex than by regional gray matter density alone. These results highlight the importance of a multimodal neuroimaging approach to diagnostic analyses of corticobasal syndrome and suggest that distinct sources of pathology mediate the circuitry of brain regions affected by corticobasal syndrome.

研究动机与目标

• 确定脑网络组织的层面，特别是局部网络效率，是否能够区分皮质基底综合征的病理亚型。
• 评估从白质微结构中提取的图论统计量与区域灰质密度相比，在诊断中的实用性。
• 评估支持向量机在使用神经影像学特征分类阿尔茨海默病与额颞叶变性亚型时的表现。
• 研究不同病理来源如何影响皮质基底综合征中脑结构网络架构。

提出的方法

• 从皮质基底综合征患者及年龄匹配的对照组获取结构磁共振成像数据，以评估额-颞-顶叶区域的灰质密度。
• 应用图论方法，利用白质微结构数据量化局部网络效率，重点关注联合皮层。
• 使用支持向量机（SVM）分类器，比较灰质密度与网络效率度量的区分能力。
• 采用标准图论方法计算网络效率，测量脑网络中局部邻域的平均聚类系数。
• 通过敏感性和特异性度量在病理亚组中验证分类性能。
• 比较区域灰质密度与网络层面统计量在区分阿尔茨海默病与额颞叶变性方面的预测准确性。

实验结果

研究问题

• RQ1 白质微结构中的局部网络效率是否能够区分皮质基底综合征中阿尔茨海默病与额颞叶变性？
• RQ2 灰质密度的区分能力与图论网络度量相比如何，在分类病理亚型时？
• RQ3 脑网络效率在多大程度上反映了皮质基底综合征中潜在的病理来源？
• RQ4 整合网络结构的多模态神经影像是否能超越区域萎缩测量，提升诊断分类的准确性？

主要发现

• 与年龄匹配的对照组相比，皮质基底综合征患者在额-颞-顶叶皮层区域表现出显著降低的灰质密度。
• 仅依靠灰质密度在区分阿尔茨海默病与额颞叶变性亚组时表现较差，敏感性和特异性均较低。
• 从白质微结构中提取的局部网络效率度量在区分两种病理亚型时表现出高敏感性和特异性。
• 脑网络的图论统计量在分类皮质基底综合征的病理来源方面优于区域灰质密度。
• 结果表明，与区域萎缩相比，网络层面的组织结构是区分皮质基底综合征潜在病理的更可靠生物标志物。
• 不同的病理来源介导了皮质基底综合征中观察到的环路水平破坏，提示网络效率反映了疾病特异性的神经退行性机制。