AbstractObjectiveStudy of brain net

Abstract
Objective

Study of brain network on the basis of resting-state functional magnetic resonance imaging (fMRI) has provided promising results to investigate changes in connectivity among different brain regions because of diseases. Graph theory can efficiently characterize different aspects of the brain network by calculating measures of integration and segregation.

Method

In this study, we combine graph theoretical approaches with advanced machine learning methods to study functional brain network alteration in patients with Alzheimer’s disease (AD). Support vector machine (SVM) was used to explore the ability of graph measures in diagnosis of AD. We applied our method on the resting-state fMRI data of twenty patients with AD and twenty age and gender matched healthy subjects. The data were preprocessed and each subject’s graph was constructed by parcellation of the whole brain into 90 distinct regions using the automated anatomical labeling (AAL) atlas. The graph measures were then calculated and used as the discriminating features. Extracted network-based features were fed to different feature selection algorithms to choose most significant features. In addition to the machine learning approach, statistical analysis was performed on connectivity matrices to find altered connectivity patterns in patients with AD.

Results

Using the selected features, we were able to accurately classify patients with AD from healthy subjects with accuracy of 100%.

Conclusion

Results of this study show that pattern recognition and graph of brain network, on the basis of the resting state fMRI data, can efficiently assist in the diagnosis of AD.

Significance

Classification based on the resting-state fMRI can be used as a non-invasive and automatic tool to diagnosis of Alzheimer’s disease.

Keywords
Resting-state functional magnetic resonance imaging (rs-fMRI); Alzheimer’s disease (AD); Graph theory; Machine learning; Statistical analysis

1. Introduction
Alzheimer’s disease (AD) is the most common type of dementia (60–80% of cases) among older people (Reitz et al., 2011). The neuropathological hallmarks of AD are the accumulation of amyloid-β plaques and tau-related neurofibrillary tangles (Blennow et al., 2006 and Holtzman et al., 2011). Resting-state functional magnetic resonance imaging (rs-fMRI) is a non-invasive method that has been used for detection of AD. Resting-state fMRI is on the basis of the spontaneous low frequency fluctuations (

ผลลัพธ์ (ไทย) 1:

บทคัดย่อวัตถุประสงค์การศึกษาเครือข่ายสมองตามรัฐวางตัวทำงานแม่เหล็กสั่นพ้องภาพ (fMRI) ได้ให้แนวโน้มผลการตรวจสอบการเปลี่ยนแปลงในการเชื่อมต่อระหว่างภูมิภาคต่าง ๆ สมองเนื่องจากโรค ทฤษฎีกราฟได้อย่างมีประสิทธิภาพสามารถลักษณะด้านต่าง ๆ ของเครือข่ายสมอง โดยการคำนวณวัดรวมและแบ่งแยกวิธีการในการศึกษานี้ เรารวมวิธีทฤษฎีกราฟกับเครื่องขั้นสูงเรียนรู้วิธีการเรียนแก้ไขเครือข่ายทำงานสมองในผู้ป่วยโรคอัลไซเมอร์ (AD) สนับสนุนเครื่องแบบเวกเตอร์ (SVM) ถูกใช้เพื่อสำรวจความสามารถของกราฟวัดในการวินิจฉัยของโฆษณา เราใช้วิธีการของเรากับข้อมูลสถานะพัก fMRI ยี่สิบป่วย AD และยี่สิบอายุและเพศตรงกับชื่อเรื่องสุขภาพ มี preprocessed ข้อมูล และกราฟของแต่ละหัวข้อถูกสร้าง โดย parcellation ของสมองทั้งหมดในภูมิภาคทั้งหมด 90 ใช้แบบอัตโนมัติกายวิภาคการติดฉลาก (AAL) แอตลาส วัดกราฟที่คำนวณแล้ว และใช้เป็นรับการจำแนกลักษณะการทำงาน แยกเครือข่ายตามลักษณะการทำงานมีเลี้ยงกับอัลกอริทึมเลือกคุณลักษณะต่าง ๆ การเลือกคุณลักษณะที่สำคัญที่สุด นอกจากการเรียนรู้วิธีการ เครื่องวิเคราะห์ทางสถิติที่ดำเนินการบนเมทริกซ์การเชื่อมต่อการค้นหารูปแบบการเชื่อมต่อการเปลี่ยนแปลงในผู้ป่วยที่มีการโฆษณาผลลัพธ์ใช้คุณลักษณะที่เลือก เราถูกต้องแม่นยำจัดประเภทผู้ป่วยที่ มีโฆษณาจากเรื่องสุขภาพ มีความแม่นยำ 100%บทสรุปผลการศึกษานี้แสดงว่า การจำแนกลวดลายและกราฟของเครือข่ายในสมอง โดยที่พักข้อมูลสถานะของ fMRI สามารถได้อย่างมีประสิทธิภาพช่วยในการวินิจฉัยของโฆษณาความสำคัญการจัดประเภทตาม fMRI รัฐอย่างสามารถใช้เป็นเครื่องมือที่ไม่ทำลายธรรมชาติ และโดยอัตโนมัติเพื่อการวินิจฉัยโรคอัลไซเมอร์คำสำคัญรัฐที่เหลือทำงานแม่เหล็กสั่นพ้องภาพ (เอส-fMRI); โรคอัลไซเมอร์ (โฆษณา); ทฤษฎีกราฟ เครื่องเรียนรู้ วิเคราะห์ทางสถิติ1. บทนำโรคอัลไซเมอร์ (AD) เป็นชนิดพบมากที่สุดโรคสมองเสื่อม (60 – 80% ของกรณีคนเก่า (Reitz et al., 2011) จุด neuropathological ของ AD จะสะสม plaques แอมีลอยด์βและที่เกี่ยวข้องกับเต่า neurofibrillary tangles (Blennow และ al., 2006 และ Holtzman et al., 2011) รัฐวางตัวทำงานแม่เหล็กสั่นพ้องภาพ (อาร์-fMRI) เป็นวิธีไม่ทำลายธรรมชาติที่ใช้สำหรับตรวจจับโฆษณา FMRI รัฐวางตัวเป็นตามความผันผวนของความถี่ต่ำอยู่ (< 0.1 Hz) ในเลือดออกซิเจนขึ้นอยู่กับระดับ (ตัวหนา) สัญญาณ (Biswal และ al., 1995) สถานะการวางเครือข่าย (RSNs) จะถูกกำหนด โดยตรวจสอบการเปิดใช้งานแบบซิงโครนัสของตัวหนาสัญญาณระหว่างสมองทั้งภูมิภาค (Lee et al., 2013) โรคสมองต่าง ๆ อาจมีผลต่อ RSNs เครือข่าย โหมดเริ่มต้นก่อน ระบุโดย Raichle et al. (2001), เกี่ยวข้องในการโฆษณา pathophysiology (Greicius et al., 2004 และคอ et al., 2012)อัตโนมัติการวินิจฉัยโรคสมอง rs fMRI ใช้ได้ตรวจสอบ โดยศึกษาหลายปีที่ผ่านมา (Chen et al., 2011, Brier et al., 2012 หลิว et al., 2015 ถัง et al., 2013, Hoekzema et al., 2014 และเซนเซง et al., 2014) วิธีทั่วไปสำหรับการจัดประเภทของผู้ป่วยที่มีโฆษณา (Chen et al., 2011), ใส่เข้าร่องเข้ารอยขาดดุล (ภาระผูกพัน) (Hoekzema et al., 2014), ใหญ่ (เซนเซง et al., 2014), ภาวะซึมเศร้าโรควิตกกังวลทางสังคม (หลิว et al., 2015), และโรคบุคลิกภาพ antisocial (Tang et al., 2013) จากหัวข้อปกติ มีการ ใช้ค่าสัมประสิทธิ์สหสัมพันธ์ของภูมิภาคแพร์ไวส์คอย (ROIs) จำนวนมาก อีกวิธีสำหรับการระบุผู้ป่วยจากเรื่องปกติถูกใช้ averaged สัมพันธ์แพร์ไวส์เป็นกลยุทธ์การลดข้อมูล (Brier et al., 2012) อย่างไรก็ตาม วิธีการเหล่านี้ได้ไม่มีประสิทธิภาพในการจัดประเภทของผู้ป่วยจากเรื่องปกติเนื่องจากของเครือข่ายทั้งสมองถูกละเว้นในการศึกษานี้ เนื่องจากสมองเป็นระบบซับซ้อนสูง (Passingham et al., 2002 และ Sporns et al., 2005), เปิดเผยกลไกของโรคสมอง โดยศึกษาเฉพาะสหสัมพันธ์อาร์เอส fMRI ระหว่างส่วนต่าง ๆ ของสมองได้อย่างมีประสิทธิภาพ การวิเคราะห์ที่ซับซ้อนมากขึ้นของสมองที่จำเป็นสำหรับกิจกรรม intrinsic คุณสมบัติของระบบที่ซับซ้อนสามารถ quantified อย่างเพียงพอ โดยใช้ทฤษฎีกราฟ กราฟทฤษฎีแบบจำลอง interrelationships (แสดง โดยขอบ) ระหว่างภูมิภาคสมอง (แสดง โดยโหน) และประเมินสถานะของเครือข่ายสมองใช้มาตรการต่าง ๆ (Bullmore และ Sporns, 2009) มันได้ถูกแสดงในการศึกษาต่าง ๆ ว่าทฤษฎีกราฟมีความสำคัญในการระบุมาตรการเครือข่ายโรคทางจิตเวช และระบบประสาท (Bassett et al., 2008, Bassett และ Bullmore, 2009, Lynall et al., 2010 แวนเดน Heuvel et al., 2010 วัง et al., 2010 และเตียว et al., 2011)แม้ มีความสำเร็จที่ดีของการเรียนรู้ของเครื่องในการวินิจฉัยโรค ประเภทอัตโนมัติของโฆษณาจากเรื่องปกติใช้ rs-fMRI ข้อมูลได้รับความสนใจน้อยจากนักวิจัย neuroimaging (Wang et al., 2006a, Chen et al., 2011 ไดเอ็ด al., 2012 เตียว et al., 2012 และ Li et al., 2013) นอกจากนี้ การศึกษานี้ได้ใช้ discriminant จำกัดคุณลักษณะเช่นค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างสมองเฉพาะภูมิภาค (al. et วัง 2006a และ Chen et al., 2011), ภูมิภาค homogeneity (ReHo), และคลื่นของความถี่ต่ำผันผวน (ALFF) (al. et ได 2012 และเตียว et al., 2012) ในการศึกษาอื่น จำกัดจำนวนมาตรการเครือข่ายสมองถูกจ้างเป็นลักษณะ discriminative (Li et al., 2013) อย่างไรก็ตาม ศึกษาเหล่านี้ได้ไม่บรรลุประสิทธิภาพที่ดีเนื่องจากคุณลักษณะการใช้งานในการศึกษานี้พิจารณาเฉพาะคุณสมบัติเฉพาะ และละเว้นของสมองทั้งหมดเท่านั้นสัดส่วนหลักของการศึกษาปัจจุบันได้เสนอวิธีการอัตโนมัติ และแม่นยำสำหรับการจัดประเภทของผู้ป่วยที่มีโฆษณาจากเรื่องสุขภาพ เราทำการวิเคราะห์ความสำคัญในการค้นหาความสัมพันธ์อย่างมีนัยสำคัญในเรื่องการควบคุมสุขภาพและผู้ป่วยที่ มีการโฆษณา แล้ว เราเปรียบเทียบความสัมพันธ์เหล่านี้เพื่อค้นหาการเปลี่ยนแปลงในการเชื่อมต่อการทำงานของสมองภูมิภาคระหว่าง AD วิธีการจัดประเภทที่ใช้ในการศึกษานี้ประกอบด้วย 4 โมดูล ได้แก่ ประมวลผลเบื้องต้น การสกัดคุณลักษณะ เลือกคุณลักษณะ และการจัดประเภท โมดูลสกัดคุณลักษณะ ขึ้นอยู่กับกำหนดความหลากหลายของการแบ่งแยก รวม และมาตรการเครือข่ายภายในสมอง นวัตกรรมอื่นของเราเกี่ยวข้องกับโมดูลเลือกคุณลักษณะที่เลือกคุณลักษณะเกี่ยวข้องมากที่สุด และข้อมูลของชุดเป็นลักษณะเดิม และปรับปรุงความถูกต้องของการจัดประเภทสุดท้าย เลือกหลายคุณลักษณะในอัลกอริทึมได้ถูกสอบสวน และดีสุดที่หนึ่งเลือกสำหรับการวิเคราะห์ต่อไป แต่ละอัลกอริทึมเรียงตามลักษณะเดิมที่กำหนดตามความสามารถในการเลือกปฏิบัติ ในโมดูลการจัดประเภท เราได้ใช้เครื่องสนับสนุนเวกเตอร์ (SVM) เป็นอัลกอริทึมการเรียนรู้ SVM ที่ได้รับความสนใจในโปรแกรมประยุกต์ bioinformatics มากเนื่องความแม่นยำ ความสามารถในการจัดการข้อมูลมิติสูง และความยืดหยุ่นในการสร้างโมเดลหลากหลายแหล่งข้อมูล (Schölkopf et al., 2004 และตระกูล 2006) เราตั้งสมมติฐานว่าว่า วิธีนำเสนอในการศึกษาปัจจุบันสามารถเหยียดเรื่องสุขภาพได้อย่างถูกต้องจากผู้ป่วยที่มีการโฆษณา เลือกลักษณะการทำงานในโมดูลเลือกคุณลักษณะและการวิเคราะห์ทางสถิติแสดงข้อมูลเกี่ยวกับการแก้ไขการทำงานเนื่องจากการโฆษณา2. วิธี2.1. เรื่องผู้ป่วย 20 โฆษณา (อายุเฉลี่ย 74.9 ปี หญิง 10) และยี่สิบตรงอายุสุขภาพควบคุม (อายุเฉลี่ย 75.1 ปี หญิง 10) จากฐานความคิดริเริ่ม (ADNI) neuroimaging โรคอัลไซเมอร์ (ส่วน http://adni.loni.ucla.edu) ได้วิเคราะห์ในการศึกษานี้ ข้อมูลสำหรับการศึกษานี้ได้เลือกตามความพร้อมของรัฐวางตัว fMRI datasets สำหรับจับคู่อายุสุขภาพปกติหัวเรื่องและผู้ป่วยที่ มีการโฆษณา ผู้ป่วยที่ มีโฆษณา และ 14 – 26 คะแนนสอบรัฐมินิจิต (MMSE) และแบบคลินิกสมองเสื่อมจัดอันดับ (CDR) 0.5 หรือ 1.0 ตามชาติสถาบันของระบบประสาท และ โรคหลัก และโรคหลอดเลือดสมอง และโรคอัลไซเมอร์ และที่เกี่ยวข้องกับสมาคมโรค (NINCDS ADRDA) เกณฑ์การโฆษณาน่าเป็น เรื่องปกติไม่ใช่หดหู่ MCI-ไม่ใช่ และไม่ใช่ demented และ 27 – 30 คะแนน MMSE และ CDR 0 ข้อมูลประชากรของเรื่องที่สรุปในตารางที่ 1

ผลลัพธ์ (ไทย) 2:

บทคัดย่อวัตถุประสงค์การศึกษาเครือข่ายสมองบนพื้นฐานของการพักผ่อนของรัฐที่ทำงานการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก(fMRI) ได้ให้ผลที่มีแนวโน้มที่จะตรวจสอบการเปลี่ยนแปลงในการเชื่อมต่อระหว่างภูมิภาคสมองแตกต่างกันเพราะของโรค ทฤษฎีกราฟมีประสิทธิภาพสามารถอธิบายลักษณะด้านต่างๆของเครือข่ายสมองโดยการคำนวณมาตรการของการรวมและการแยกจากกัน. วิธีการในการศึกษานี้เรารวมวิธีทฤษฎีกราฟที่มีวิธีการเรียนรู้เครื่องสูงในการศึกษาการเปลี่ยนแปลงการทำงานของเครือข่ายสมองในผู้ป่วยโรคอัลไซเม (AD) สนับสนุนเครื่องเวกเตอร์ (SVM) ถูกนำมาใช้ในการสำรวจความสามารถของมาตรการกราฟในการวินิจฉัยของโฆษณา เราใช้วิธีของเราเกี่ยวกับข้อมูลที่พำนักของรัฐ fMRI ยี่สิบผู้ป่วยที่มีโฆษณายี่สิบอายุและเพศจับคู่สุขภาพดี ข้อมูล preprocessed และกราฟเรื่องของแต่ละคนถูกสร้างขึ้นโดย parcellation ของสมองทั้งหมดลงใน 90 ภูมิภาคที่แตกต่างกันโดยใช้การติดฉลากกายวิภาคอัตโนมัติ (AAL) แผนที่ มาตรการกราฟจะถูกคำนวณแล้วและใช้เป็นคุณสมบัติแบ่งแยก คุณสมบัติตามเครือข่ายที่ได้รับการเลี้ยงดูที่สกัดคุณลักษณะขั้นตอนวิธีการเลือกที่แตกต่างกันในการเลือกคุณสมบัติที่สำคัญที่สุด นอกเหนือไปจากวิธีการเรียนรู้เครื่องวิเคราะห์ทางสถิติได้รับการดำเนินการในการฝึกอบรมการเชื่อมต่อเพื่อหารูปแบบการเชื่อมต่อการเปลี่ยนแปลงในผู้ป่วย AD. ผลการใช้คุณสมบัติที่เลือกเราก็สามารถที่จะต้องแยกประเภทผู้ป่วยที่มีโฆษณาจากอาสาสมัครที่มีสุขภาพดีมีความแม่นยำ 100%. สรุปผลการศึกษาครั้งนี้แสดงว่าการจดจำรูปแบบและกราฟของเครือข่ายสมองบนพื้นฐานของข้อมูลของรัฐที่พักผ่อน fMRI ที่มีประสิทธิภาพช่วยในการวินิจฉัยการโฆษณา. สำคัญการจัดประเภทขึ้นอยู่กับ fMRI พำนักรัฐสามารถใช้เป็นไม่รุกราน และเครื่องมืออัตโนมัติที่จะวินิจฉัยโรคอัลไซเม. คำพักผ่อนของรัฐที่ทำงานการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (RS-fMRI); โรคอัลไซเม (AD); ทฤษฎีกราฟ; การเรียนรู้เครื่อง; การวิเคราะห์ทางสถิติ1 ความรู้เบื้องต้นเกี่ยวกับโรคอัลไซเม (AD) เป็นชนิดที่พบบ่อยที่สุดของภาวะสมองเสื่อม (60-80% ของกรณี) ในหมู่ผู้สูงอายุ (Reitz et al., 2011) โศก neuropathological ของโฆษณาที่มีการสะสมของโล่ amyloid β-และ neurofibrillary เอกภาพที่เกี่ยวข้องกับพัน (Blennow et al., 2006 และ Holtzman et al., 2011) ที่พำนักของรัฐที่ทำงานการถ่ายภาพด้วยคลื่นสนามแม่เหล็ก (RS-fMRI) เป็นวิธีการที่ไม่รุกรานที่มีการใช้ในการตรวจหาโฆษณา fMRI พักผ่อนของรัฐที่อยู่บนพื้นฐานของความผันผวนของความถี่ต่ำที่เกิดขึ้นเอง (<0.1 Hz) ในระดับออกซิเจนในเลือดขึ้นอยู่กับ (ตัวหนา) สัญญาณ (Biswal et al., 1995) เครือข่ายพำนักของรัฐ (RSNs) จะถูกกำหนดโดยการตรวจสอบการเปิดใช้งานซิงโครของสัญญาณ BOLD ระหว่างภูมิภาคสมองที่แตกต่างกัน (Lee et al., 2013) สมองโรคต่าง ๆ อาจมีผลต่อ RSNs เครือข่ายโหมดเริ่มต้นครั้งแรกโดยระบุ Raichle et al, (2001) ได้มีส่วนเกี่ยวข้องในพยาธิสรีรวิทยาโฆษณา (Greicius et al., 2004 และ Koch et al., 2012). การวินิจฉัยอัตโนมัติของโรคสมองโดยใช้อาร์เอส-fMRI ได้รับการตรวจสอบโดยการศึกษาในหลายปีที่ผ่านมา (Chen et al., 2011 , หนาม et al., 2012, Liu et al., 2015, Tang et al., 2013 Hoekzema et al., 2014 และเซง et al., 2014) กรรมวิธีที่พบบ่อยสำหรับการจำแนกประเภทของผู้ป่วยที่มีโฆษณา (Chen et al., 2011), สมาธิสมาธิสั้น (ADHD) (Hoekzema et al., 2014) โรคซึมเศร้า (Zeng et al., 2014), ความผิดปกติของความวิตกกังวลทางสังคม (Liu et al., 2015) และบุคลิกต่อต้านสังคม (Tang et al., 2013) จากปกติก็จะใช้เป็นจำนวนมากของค่าสัมประสิทธิ์สหสัมพันธ์ของภูมิภาคจากจำนวนของผลประโยชน์ (ROIs) วิธีการอีกอย่างหนึ่งสำหรับการระบุผู้ป่วยจากปกติคือการใช้ความสัมพันธ์เฉลี่ยจากจำนวนข้อมูลที่เป็นกลยุทธ์การลด (หนาม et al., 2012) แต่วิธีการเหล่านี้ไม่ได้มีประสิทธิภาพในการจำแนกประเภทของผู้ป่วยจากปกติเนื่องจากการเปลี่ยนแปลงของเครือข่ายทั้งสมองก็ไม่สนใจในการศึกษาเหล่านี้ เพราะสมองเป็นระบบที่มีความซับซ้อนสูง (Passingham et al., 2002 และ Sporns et al., 2005) เผยให้เห็นกลไกการทำงานของสมองโรคโดยการศึกษาเท่านั้น RS-fMRI ความสัมพันธ์ระหว่างพื้นที่ที่แตกต่างกันของสมองที่อาจจะไม่เป็นที่มีประสิทธิภาพ การวิเคราะห์ที่ซับซ้อนมากขึ้นของกิจกรรมภายในสมองเป็นสิ่งจำเป็น คุณสมบัติของระบบที่ซับซ้อนที่สามารถวัดได้อย่างเพียงพอโดยใช้ทฤษฎีกราฟ ความสัมพันธ์แบบทฤษฎีกราฟ (แสดงโดยขอบ) ระหว่างภูมิภาคสมอง (แสดงโดยโหนด) และประเมินสถานะของเครือข่ายสมองโดยใช้มาตรการต่างๆ (Bullmore และ Sporns 2009) มันได้รับการแสดงในการศึกษาต่างๆที่ทฤษฎีกราฟมีความไวในการระบุมาตรการเครือข่ายโรคทางจิตเวชและระบบประสาท (Bassett et al., 2008 เซทท์และ Bullmore 2009 Lynall et al., 2010 จากนั้นรถตู้ Heuvel et al., 2010 วัง et al., 2010 และ Zhang et al., 2011). แม้จะมีความสำเร็จที่ยิ่งใหญ่ของการเรียนรู้เครื่องในการวินิจฉัยโรคการจำแนกอัตโนมัติของโฆษณาจากปกติโดยใช้ข้อมูล RS-fMRI ได้รับความสนใจเล็ก ๆ น้อย ๆ จากนักวิจัย neuroimaging (วัง et al., 2006a, เฉิน et al., 2011 ได et al., 2012, Zhang et al., 2012 และหลี่ et al., 2013) นอกจากนี้การศึกษาเหล่านี้ได้ใช้คุณสมบัติจำแนก จำกัด เช่นค่าสัมประสิทธิ์สหสัมพันธ์ระหว่างภูมิภาคสมองเฉพาะ (Wang et al., 2006a และ Chen et al., 2011) เป็นเนื้อเดียวกันในระดับภูมิภาค (ReHo) และความกว้างของความผันผวนของความถี่ต่ำ (ALFF) ( ได et al., 2012 และ Zhang et al., 2012) ในการศึกษาอื่นในจำนวนที่ จำกัด ของสมองมาตรการเครือข่ายถูกจ้างมาเป็นคุณสมบัติจำแนก (Li et al., 2013) อย่างไรก็ตามการศึกษาเหล่านี้ยังไม่ประสบความสำเร็จในการปฏิบัติงานที่ดีเพราะคุณสมบัติที่ใช้ในการศึกษาเหล่านี้จะพิจารณาคุณสมบัติเฉพาะที่เฉพาะเจาะจงและไม่สนใจการเปลี่ยนแปลงของทั้งสมอง. สนับสนุนหลักของการศึกษาในปัจจุบันคือการเสนอวิธีการอัตโนมัติและถูกต้องสำหรับการจำแนกประเภทของผู้ป่วย ด้วยการโฆษณาจากสุขภาพดี เราดำเนินการวิเคราะห์อย่างมีนัยสำคัญที่จะพบความสัมพันธ์อย่างมีนัยสำคัญในการควบคุมเรื่องสุขภาพดีและผู้ป่วยที่มีโฆษณา จากนั้นเราเมื่อเทียบกับความสัมพันธ์เหล่านี้เพื่อหาการเปลี่ยนแปลงในการเชื่อมต่อการทำงานของสมองในช่วงโฆษณา วิธีการจัดหมวดหมู่ที่ใช้ในการศึกษาครั้งนี้ประกอบด้วยสี่โมดูลคือประมวลผลเบื้องต้นการสกัดคุณลักษณะการเลือกคุณลักษณะและการจำแนก โมดูลดึงจะขึ้นอยู่กับการตั้งค่าที่มีความหลากหลายของการแยกจากกันบูรณาการและมาตรการเครือข่ายสมองท้องถิ่น ความแปลกใหม่ของการศึกษาของเราก็คือการที่เกี่ยวข้องกับโมดูลการเลือกคุณลักษณะที่เลือกคุณลักษณะที่เกี่ยวข้องมากที่สุดและให้ข้อมูลของชุดคุณลักษณะเดิมและช่วยเพิ่มความถูกต้องของการจัดหมวดหมู่สุดท้าย ขั้นตอนวิธีการเลือกคุณลักษณะหลายคนได้รับการตรวจสอบและเป็นคนที่ดีที่สุดเลือกสำหรับการวิเคราะห์ที่ตามมา ขั้นตอนวิธีการเรียงลำดับแต่ละชุดคุณลักษณะเดิมตามความสามารถของการเลือกปฏิบัติ ในโมดูลการจัดหมวดหมู่ที่เราได้ใช้เครื่องเวกเตอร์สนับสนุน (SVM) เป็นขั้นตอนวิธีการเรียนรู้ SVM ได้รับความสนใจมากในการใช้งานชีวสารสนเทศเนื่องจากความถูกต้อง, ความสามารถในการจัดการกับข้อมูลสูงมิติและความยืดหยุ่นในการสร้างแบบจำลองแหล่งที่มีความหลากหลายของข้อมูล (Schölkopf et al., 2004 และโนเบิล, 2006) เราตั้งสมมติฐานว่าวิธีการที่นำเสนอในการศึกษาในปัจจุบันอย่างถูกต้องสามารถแยกแยะสุขภาพดีจากผู้ป่วยที่มีโฆษณา นอกจากนี้ยังมีคุณสมบัติที่เลือกในโมดูลการเลือกคุณลักษณะและการวิเคราะห์ทางสถิติให้ข้อมูลเกี่ยวกับการเปลี่ยนแปลงการทำงานเนื่องจากการโฆษณา. 2 วิธี2.1 วิชาที่ยี่สิบผู้ป่วยที่มีโฆษณา (อายุเฉลี่ย 74.9 ปี 10 หญิง) อายุยี่สิบจับคู่การควบคุมที่ดีต่อสุขภาพ (อายุเฉลี่ย 75.1 ปีหญิง 10) จากความคิดริเริ่ม neuroimaging โรคอัลไซเม (ADNI) ฐานข้อมูล (http: //adni.loni.ucla .edu) ถูกนำมาวิเคราะห์ในการศึกษานี้ ข้อมูลสำหรับการศึกษาครั้งนี้ได้รับการคัดเลือกขึ้นอยู่กับความพร้อมของการพักผ่อนที่รัฐชุดข้อมูล fMRI อายุที่จับคู่คนปกติมีสุขภาพดีและผู้ป่วยที่มีโฆษณา ผู้ป่วยที่มีโฆษณามีรัฐมินิจิตการตรวจสอบ (MMSE) คะแนน 14-26 และภาวะสมองเสื่อมเรตติ้งคลินิก (CDR) 0.5 หรือ 1.0 และได้พบกับสถาบันแห่งชาติของความผิดปกติของระบบประสาทและการสื่อสารและโรคหลอดเลือดสมองและโรคอัลไซเมและความผิดปกติที่เกี่ยวข้อง สมาคม (NINCDS / ADRDA) เกณฑ์สำหรับการโฆษณาที่น่าจะเป็น วิชาปกติก็ไม่ใช่-หดหู่ไม่เเมและไม่บ้าและมีคะแนน MMSE ของวันที่ 27-30 และ CDR 0 ข้อมูลประชากรของวิชาสรุปไว้ในตารางที่ 1

ผลลัพธ์ (ไทย) 3:

บทคัดย่อวัตถุประสงค์


ศึกษาสมองเครือข่ายบนพื้นฐานของสภาวะพักการทำงานภาพแม่เหล็ก ( fMRI ) ได้ให้สัญญาผลลัพธ์การตรวจสอบการเปลี่ยนแปลงในการเชื่อมต่อระหว่างภูมิภาคต่าง ๆ ในสมอง เพราะโรค ทฤษฎีกราฟสามารถได้อย่างมีประสิทธิภาพ ลักษณะด้านต่าง ๆของเครือข่ายสมองโดยการคำนวณมาตรการของการรวมและการแยก



ในวิธีนี้การศึกษาเรารวมกราฟทฤษฎีแนวทางการเรียนรู้วิธีที่จะเรียนกับเครื่องขั้นสูงการทำงานสมองในเครือข่ายการดูแลผู้ป่วยสมองเสื่อม ( โฆษณา ) เครื่องเวกเตอร์สนับสนุน ( SVM ) ถูกใช้เพื่อสำรวจความสามารถของกราฟวัดในการวินิจฉัยโรคของโฆษณา เราใช้วิธีของเราเกี่ยวกับสภาวะพัก fMRI ข้อมูลโฆษณาและยี่สิบ 20 ราย อายุ และเพศตรงกับวิชาที่มีสุขภาพดี