XiaoMi-AI文件搜索系统
World File Search SystemSMRI
支持向量机在 fMRI 数据作为精神分裂症诊断生物标志物中的应用：系统评价
作为精神疾病患者的神经影像学，对大脑功能和结构进行非侵入性测量是研究鉴别性生物标志物的有用且强大的工具。迄今为止，功能性磁共振成像 (fMRI) 和结构性磁共振成像 (sMRI) 是最常用的技术，可提供关于大脑功能、结构及其连接的多种视角。最近，人们越来越关注将机器学习 (ML) 技术、模式识别方法应用于神经影像数据，以表征与疾病相关的大脑结构和功能改变并识别表型，例如，用于转化为临床和早期诊断。我们的目的是根据 PRISMA 声明提供系统评价，支持向量机 (SVM) 技术使用来自功能性磁共振成像的神经影像学数据作为输入，对 SCZ 患者和健康对照进行诊断区分。我们纳入了使用 SVM 作为 ML 技术对被诊断为精神分裂症的患者进行的研究。在筛选过程结束时，从最初的 660 篇论文样本中，选出了 22 篇文章，并纳入我们的评论中。与任何当前可用的评估或临床诊断方法相比，该技术可以成为一种有效、廉价且非侵入性的方法，用于在早期识别和检测患者，从而节省宝贵的时间。SVM 模型的更高精度和 ML 技术的新集成方法可以在疾病早期检测患有 SCZ 或其他主要精神疾病的患者或在不久的将来潜在地确定他们的神经影像学风险因素方面发挥决定性作用。
元模态信息流：一种捕获方法...
摘要 — 目标：对同一现象进行多模态测量可提供互补信息并突出不同的观点，尽管每种方法都有各自的局限性。只关注单一模态可能会导致错误的推论，当研究的现象是疾病时，这一点尤其重要。在本文中，我们介绍了一种利用多模态数据来解决精神分裂症 (SZ) 中的断线和功能障碍假设的方法。方法：我们首先使用高斯图模型 (GGM) 估计和可视化提取的多模态数据特征内和之间的链接。然后，我们提出了一种基于模块化的方法，该方法可应用于 GGM 以识别与多模态数据集中的精神疾病相关的链接。通过模拟和真实数据，我们展示了我们的方法揭示了与疾病相关的网络中断的重要信息，而这些信息在关注单一模态时会被忽略。我们使用功能性磁共振成像 (fMRI)、扩散磁共振成像 (dMRI) 和结构磁共振成像 (sMRI) 来计算低频波动的分数振幅 (fALFF)、分数各向异性 (FA) 和灰质 (GM) 浓度图。使用我们的模块化方法分析这三种模态。结果：我们的结果显示缺失的链接仅由跨模态信息捕获，这可能在组件之间的断开连接中发挥重要作用。结论：我们在 SZ 患者的默认模式网络区域中发现了多模态 (fALFF、FA 和 GM) 断开连接，这在单一模态中是无法检测到的。意义：所提出的方法为捕获分布在多种成像模态之间的信息提供了一种重要的新工具。
根据结构 MRI、临床和遗传数据结合双重注意力 CNN 和 MLP 来诊断阿尔茨海默病
阿尔茨海默病 (AD) 是一种不可逆的中枢神经退行性疾病，而轻度认知障碍 (MCI) 是 AD 的前兆。准确的早期诊断 AD 有利于 AD 的预防和早期干预治疗。尽管已经开发了一些用于 AD 诊断的计算方法，但大多数方法仅采用神经影像学，忽略了可能包含潜在疾病信息的其他数据（例如遗传、临床）。此外，一些方法的结果缺乏可解释性。在这项工作中，我们提出了一种新方法（称为 DANMLP），通过整合结构磁共振成像 (sMRI) 的多模态数据、临床数据（即人口统计学、神经心理学）和 APOE 遗传数据，将双注意卷积神经网络 (CNN) 和多层感知器 (MLP) 结合在一起进行计算机辅助 AD 诊断。我们的 DANMLP 由四个主要组件组成：（1）Patch-CNN，用于从每个局部块中提取图像特征，（2）位置自注意块，用于捕获块内特征之间的依赖关系，（3）通道自注意块，用于捕获块间特征的依赖关系，（4）两个 MLP 网络，分别用于提取临床特征和输出 AD 分类结果。与 5CV 测试中的其他最先进方法相比，DANMLP 在 ADNI 数据库上的 AD vs. MCI 和 MCI vs. NC 任务中实现了 93% 和 82.4% 的分类准确率，分别比其他五种方法高 0.2% ∼ 15.2% 和 3.4% ∼ 26.8%。局部区域的个性化可视化还可以帮助临床医生进行 AD 的早期诊断。这些结果表明，DANMLP 可有效用于诊断 AD 和 MCI 患者。
自闭症特异性母体自身抗体暴露的大鼠模型中行为、大脑结构和神经代谢发生改变
母体免疫失调是自闭症谱系障碍 (ASD) 的产前风险因素。重要的是，炎症和代谢压力之间存在临床相关联系，可导致异常的细胞因子信号传导和自身免疫。在这项研究中，我们研究了母体自身抗体 (aAbs) 破坏代谢信号传导并诱导暴露后代大脑神经解剖学变化的可能性。为此，我们根据母体自身抗体相关 ASD (MAR-ASD) 的临床现象开发了大鼠母体 aAb 暴露模型。在确认大鼠母体产生 aAb 并将抗原特异性免疫球蛋白 G (IgG) 转移到后代后，我们纵向评估了后代行为和大脑结构。当允许 MAR-ASD 大鼠后代与新伴侣自由互动时，幼崽超声波发声减少，社交游戏行为明显减少。此外，在另一组动物中，在出生后第 30 天 (PND30) 和 PND70 天进行的纵向体内结构磁共振成像 (sMRI) 显示，总体和局部脑容量存在性别差异。在 MAR-ASD 后代中，不同区域的治疗特定影响似乎集中在中脑和小脑结构上。同时，收集体内 1 H 磁共振波谱 (1 H-MRS) 数据以检查内侧前额叶皮质中的大脑代谢物水平。结果表明，与对照动物相比，MAR-ASD 后代的胆碱化合物和谷胱甘肽水平降低，同时牛磺酸水平升高。总体而言，我们发现暴露于 MAR-ASD aAbs 的大鼠表现出行为、大脑结构和神经代谢的改变；让人联想到在临床 ASD 中观察到的发现。
在自闭症特异性母体自身抗体暴露的大鼠模型中改变行为，大脑结构和神经代谢物
母体免疫失调是自闭症谱系障碍（ASD）的产前危险因素。重要的是，炎症和代谢应激之间存在临床相关的联系，这可能导致细胞因子信号传导和自身免疫性异常。在这项研究中，我们检查了孕产妇自身抗体（AABS）破坏代谢信号传导并诱导暴露后代大脑中神经解剖学变化的潜力。为了实现这一目标，我们基于母体自身抗体相关的ASD（MAR-ASD）的临床现象开发了大鼠母体AAB暴露模型。确认大鼠大坝和特异性免疫球蛋白G（IgG）转移到后代后，我们纵向评估了后代行为和大脑结构。mar-asd老鼠后代在允许与新型伴侣自由互动时，表现出幼犬超声发声的减少，并且在社交行为中表现出明显的定义。此外，在产后第30天（PND30）和PND70在单独的动物中进行的纵向体内结构磁共振成像（SMRI）揭示了性别特异性差异。按区域划分的治疗特异性作用似乎在Mar-Asd后代的中脑和小脑结构上汇聚。同时收集了体内1小时磁共振光谱（1 H-MRS）数据，以检查内侧前额叶皮层中的脑代谢物水平。结果表明，与对照动物相比，含胆碱化合物和谷胱甘肽的水平显示出含胆碱化合物和谷胱甘肽的水平降低。总体而言，我们发现暴露于MAR-ASD AAB的大鼠行为，大脑结构和神经代谢物的改变。让人联想到在临床ASD中观察到的发现。
使用 3-D 深度学习模型进行大规模脑功能网络整合以辨别自闭症
目前，自闭症谱系障碍的诊断主要依靠临床医生的症状和行为来判断。但这些方法要求医生具备很高的专业知识，且诊断结果容易受到医生的主观性影响。为了寻找更客观的生物标志物来识别自闭症谱系障碍，许多研究者致力于从遗传学、表观遗传学、身体代谢和神经影像学等角度寻找有效的生物标志物（ Goldani et al., 2014 ）。神经影像学被认为是一种很有前途的非侵入性技术，可以揭示人脑的潜在模式。利用结构磁共振成像（sMRI）、功能磁共振成像（fMRI）和正电子发射断层扫描（PET）等技术，可以将人脑建模为一个复杂的系统，各个区域执行不同的结构和功能。先前的神经影像学研究表明，在神经或精神疾病人群中，大脑的结构和功能连接都会发生交替（ Mueller et al., 2013 ）。在各类检查方法中，fMRI，尤其是记录血氧水平依赖性 (BOLD) 信号变化的静息状态 fMRI (rs- fMRI)，已广泛用于研究阿尔茨海默病 (Qureshi et al., 2019b)、精神分裂症 (Yan et al., 2019) 和 ASD (Abraham et al., 2017) 等精神疾病。功能性磁共振成像数据以高维 (∼ 100 万) 的 4 维矩阵格式组织，包含空间和时间信息。这使得直接利用原始数据作为分类算法的输入成为一项艰巨的任务。为了解决数据的高维性，已经提出了许多降维技术 (Abdi and Williams, 2010; Suk et al., 2015; Soussia and Rekik, 2018)。一些人没有使用原始 fMRI 数据，而是提出了脑功能网络分析来描述感兴趣区域 (ROI) 之间的“关系”。基于脑血流会刷新脑各区域的神经活动这一事实，对功能连接 (FC) 进行建模有助于理解精神障碍的神经基础 (Lindquist, 2008)。最常用的 FC 模型是 Pearson 相关性，可以使用两个脑区之间的 BOLD 信号来计算。脑功能网络 (BFN) 是根据图谱预先定义的所有位置的 FC 强度构建的。BFN 构建方法明确将维数从 4 维降低为 1 维向量。许多机器学习 (ML) 方法已成功用于与 ASD 相关的改变的 BFN 的自动分类 (Uddin 等人，2013；Abraham 等人，2017)。一些方法采用稀疏方法，通过在损失函数中添加额外的稀疏正则化项（例如，Lasso（Tibshirani，1996）或Elastic Net（Zou and Hastie，2005））来实现隐式降维。然而，常用来描述 ROI 之间 FC 的相关性仅捕捉线性关系，不适合表征高阶或非线性特征（Shojaee et al., 2019）。此外，将数据折叠成特征向量（向量化）会丢弃脑区的空间信息（Kong et al., 2019）。此外，传统的分类算法，如支持向量机（SVM）（Cortes and Vapnik, 1995）、随机森林（Liaw and Wiener, 2002）和朴素贝叶斯（Rish, 2001）属于浅层分类