不同亚型的皮质基底节综合症影响脑网络效率

来自宾夕法尼亚大学的John D. Medaglia等人在Neurology期刊上发文,探讨了两种病源(AD亚型和非AD亚型)的皮质基底节综合症患者的脑网络差异。他们基于纤维追踪等技术构建了脑网络,并使用机器学习方法(SVM)对两种亚型的脑网络进行分类,最终发现利用“局部效率”这一脑网络特征可以最好地区分两种亚型。

1.简介

皮质基底节综合症(corticobasal syndrome, CBS)的两种致病原因是:(1)Tau蛋白病变;(2)伴随Beta样蛋白沉积的阿尔茨海默症(AD)。它们分别对应CBS的非AD亚型和AD亚型。最近的临床研究显示,白质和灰质相关的测量手段可以帮助区分CBS的两种亚型。其中,AD亚型涉及更多灰质病变,非AD亚型则涉及更多的白质病变。虽然这些研究能带来一些启示,但它们没有考虑个体患者的分类,也没有利用到患者脑网络的一些特性。

复杂网络方法近年来愈发受到神经影像学的青睐。已有研究证实,位于额颞顶系统的脑网络节点在认知和运动功能中扮演了重要角色,这些节点的破坏可以导致异常临床症状。但是,由于病理学的不同而表现出的脑网络特性差异如何与临床症状联系起来,仍不十分明朗。为了填补这一空缺,作者基于CBS患者的多模态影像数据,对该问题进行探讨。

2.方法

2.1脑网络的构建

作者共募集了40名CBS病人和40名健康被试。病人组通过验尸、遗传筛查、CSF分析等手段标记为两个亚型:CBS-AD、CBS-nonAD。健康组标记为HC。所有的被试都进行了T1像和DTI像的扫描。

随后依OASIS标签(OASIS labels)将每个被试的大脑划分为119个感兴趣区域(ROI)。基于T1像计算每个ROI的灰质密度,基于DTI像在任意两个ROI之间进行确定性纤维追踪。119个ROI即为脑网络的节点,脑网络连边则定义为两个ROI间的纤维束数量。作者主要关注如下几个脑网络指标:(1)加权度;(2)校正后的加权度;(3)局部聚类系数;(4)特征向量中心度;(5)局部效率。

2.2机器学习分类

作者使用了支持向量机(SVM)作为分类算法。SVM是一种高效的二分类算法,因此很适用于对两种亚型的分类。分类时主要选用三类特征:灰质密度、白质纤维束数量、脑网络指标。为避免线性方法的局限,研究使用了核方法生成非线性分类器。训练时采用有监督学习,即利用了给患者打上的亚型标签,随后使用留一验证检测分类效果。

除了训练单一分类器,作者还使用投票机制组合多个分类器,以保证结果的稳定性。比如,如果基于不同特征的多个分类器都认为某个病患属于AD亚型,那么就预测该病患为AD亚型。

作者得到的主要结果为:

(1)灰质密度可以作为CBS的生物标记。作者对病人组(不区分两种亚型)和健康组的灰度密度值进行组间T检验,发现相对于健康组,病人组119个ROI中的62个ROI的灰度密度值显著降低。并且这些ROI广泛分布在双侧额、颞、顶页皮层,包括了主要的运动皮质和双侧脑岛。随后的机器学习分类也主要针对这62个显著的ROI进行。同样地,作者也对两种CBS亚型患者的灰度密度值进行了比较。

(2)白质纤维束数量差异可作为CBS的生物标记。作者同样进行了两组对比:健康组和病人组之间的纤维束数量对比;AD亚型和非AD亚型间的纤维束数量对比。统计时使用了Bonferroni多重比较校正(α<0.05, p = 3.5*10^-6)。结果显示,相对于正常组,病人组有9对ROI间的纤维束数量显著降低,且主要分布在右侧额、颞区。两种亚型间的纤维束数量则无显著差异。

(3)基于机器学习方法,脑网络指标可以作为区分CBS亚型的生物标记。作者发现,使用“局部效率”作为特征时,分类器达到最大性能:可提供峰值85%的敏感度和峰值84%的特异性。其中,左中颞回、右颞顶枕皮层以及双侧脑岛对分类性能的贡献最大。此外,使用“灰质密度”等单变量特征时的分类效果不甚理想,使用“全局效率”作为特征的分类器同样性能不强,基于投票机制的级联分类器则提供了与基于“局部效率”的分类器相似的性能。很有趣的是,作者对CBS的AD亚型作了进一步区分,发现基于“局部效率”的分类器可以稳定地区分具有轻度认知障碍的AD亚型和其他AD亚型,分类准确率达到100%。

4.讨论

作者认为,他们的结果证实了,基于白质纤维追踪的脑网络分类方法可以很好地区分两种CBS亚型。以往的研究证实了白质的各向异性值(FA)可以区分CBS亚型,作者表示,他们的成果更进一步,不仅可以区分CBS亚型,还可以区分轻度认知损伤的CBS-AD患者和其他CBS-AD患者。但同时,作者也指出,他们的研究还存在一些不足:(1)他们只考察了一部分脑网络指标,并没有对所有脑网络指标进行测试;(2)他们使用的是确定性纤维追踪,使用概率性纤维追踪或许能发现更多结果;(3)他们使用的DTI扫描分辨率还相对较低,高分辨率DTI数据或许能提高分类精度;(4)CBS只是4种皮质基底节退化临床类型中的一种,未来的研究仍任重道远。

参考文章:Medaglia J D, HuangW, Segarra S, et al. Brain network efficiency is influenced by the pathologic sourceof corticobasal syndrome[J]. Neurology, 2017, 89(13): 1373-1381.

原文发布于微信公众号 - 思影科技(siyingkeji)

原文发表时间:2017-10-23

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏大数据文摘

手把手:教你如何用深度学习模型预测加密货币价格

1381
来自专栏大数据文摘

AI说人“画” | 什么?咱俩说的是一个“模型”嘛!

1503
来自专栏AI2ML人工智能to机器学习

图文并茂,卡曼滤波

我务必向大家介绍卡尔曼滤波器(Kalman Filter),因为它之所能, 忒惊人!

702
来自专栏机器之心

搞事!ICLR 2018七篇对抗样本防御论文被新研究攻破,Goodfellow论战

3869
来自专栏量子位

5W字入门干货:手把手教你用机器学习做金融交易(下)

作者:江海 高能物理专业博士 量子位 已获授权编辑发布 欢迎回来 上接手把手教你用机器学习做金融交易(上) 2.4 Classification 接下来我们要介...

3335
来自专栏量子位

伯克利新研究:让深度强化学习不再一条道走到黑 | Paper+Code

问耕 编译自 BAIR Blog 量子位 出品 | 公众号 QbitAI 来自加州大学伯克利分校的博士生唐浩然(Haoran Tang)和Tuomas Haar...

35512
来自专栏量化投资与机器学习

【贝叶斯系列】在研究机构如何应用贝叶方法论进行量化投资

贝叶斯方法与量化投资 贝叶斯方法在量化投资中有哪些应用股票分类 市场趋势识别 波动率估计 投资组合风险 股票分类 构造投资组合的方法是买入好的 股票(未来收...

3299
来自专栏AI科技大本营的专栏

如何用Python实现iPhone X的人脸解锁功能?

翻译 | AI科技大本营(公众号ID:rgznai100) 参与 | 林椿眄 编辑 | 费棋 FaceID 是新款 iPhone X 最受欢迎的功能之一,它取代...

4036
来自专栏专知

【CVPR2018最佳论文重磅出炉】斯坦福伯克利折桂,何恺明获TPAMI年轻研究员奖

【导读】美国当地时间6 月 18 号,CVPR 2018 在犹他州盐湖城开幕。作为计算机视觉领域的全球顶会,吸引了国内外众多学界、产业界的研究人员参与。CVPR...

1172
来自专栏量子位

艾伦人工智能研究院推出PyTorch上的NLP库 | 附paper+demo

李林 编译整理 量子位 出品 | 公众号 QbitAI ? 微软联合创始人保罗·艾伦建立的艾伦人工智能研究院(AI2)今天发布了一个PyTorch上的开源自然语...

3364

扫码关注云+社区