基于多尺度脑网络特征提取与机器学习的阿尔茨海默病认知功能预测研究

这篇研究通过显著边选择(SES)方法构建个体化脑网络，结合图论计算全脑及功能分区(如VIS2、FPN、DMN)特征，运用RVR等机器学习算法实现ADAS13认知评分预测(r=0.683)。创新性提出连接-脑区-网络三级分析框架，为阿尔茨海默病(AD)早期诊断提供多尺度生物标记物。

　　

Highlight

我们的研究发现静息态功能连接(rs-FC)能有效预测从认知正常(NC)到轻度认知障碍(MCI)直至阿尔茨海默病(AD)患者的认知损伤程度。这些数据驱动的功能网络蕴含与临床相关的认知功能信息，可作为检测衰老和AD相关认知衰退的生物标记物。通过本研究方法，我们发现次级视觉网络(VIS2)、额顶控制网络(FPN)和默认模式网络(DMN)是驱动预测性能的核心网络系统。

Discussion

研究结果表明，基于机器学习的多尺度分析框架不仅能实现稳健的认知预测(r=0.683)，更重要的是揭示了AD相关脑机制：1) VIS2网络在视觉信息整合中的关键作用；2) FPN网络执行功能损伤与认知衰退的关联；3) DMN网络功能解离作为AD早期敏感指标。这些发现为理解AD进展提供了新的神经环路层面证据。

Conclusion

本研究通过构建全脑及虚拟损伤脑功能分区网络，建立了神经影像与神经心理测试的映射关系。特别发现VIS2、FPN和DMN网络连接缺失会导致预测性能下降，表明这些网络在AD认知损伤中具有枢纽作用。该成果为AD辅助诊断提供了新思路，其三级分析框架(连接-脑区-网络)对探索AD发展机制具有重要启示。