论文部分内容阅读
阿尔茨海默病(Alzheimer’s Disease,AD)是一个重大的公共卫生问题,近些年,大量研究利用脑网络和图论方法分析AD和轻度认知障碍(Mild Cognitive Impairment,MCI)脑功能的异常,并且在MCI和AD脑网络中发现了不同程度的连接衰弱和拓扑结构异常。传统复杂网络分析方法在脑网络构造过程中阈值的选取会造成网络底层不全连接,从而影响各种网络属性的计算度量,导致脑网络的各种研究结果不统一。为了避免阈值选择带来的网络底层断开问题,许多研究运用最小生成树(Minimum Spanning Tree,MST)探索脑网络核心拓扑变化,尽管MST可以用作网络的稀疏表示,但脑网络具有高聚类和高全局效率的小世界属性是生物学界公认的,MST在构造过程中丢弃了大量的连接,树结构中不存在聚类和集群,仅使用MST来表示脑网络是不合理的。因此,寻求一种合理的脑网络分析方法对AD大脑拓扑变化进行有效探索,更好的辅助AD早期诊断,显得至关重要。本文从MCI和AD的脑网络拓扑结构变化出发,分析探讨了传统脑网络研究中存在的方法学问题,利用最小生成树方法保证网络底层全连接,提出在最小生成树基础上按照比例阈值加入一定连接的方法构造连通骨干网络(Connected Backbone Network,CBN)。这样既保证了网络底层全连接又保留了脑网络小世界属性,期望能解决传统网络分析方法中存在的问题,在脑网络分析的方法上进行有价值的探索。此外,为了探索疾病相关的脑网络拓扑变化在网络整体和结点特性上的不同表现,本文提出了中枢变化指数来刻画结点属性在三组被试间的变化。最后,本文分别整理了三组被试在最小生成树和连通骨干网络上两两组间差异显著的特征,使用支持向量机(Support Vector Machine,SVM)分类算法进行分类研究,借助分类效果说明最小生成树和连通骨干网络特征对脑网络研究以及AD早期辅助诊断的贡献,证明以最小生成树为基础的连通骨干网络能更好的描述网络真实结构,捕获网络底层的拓扑变化,有助于发掘AD脑网络异常模式变化,为AD早期辅助诊断提供重要依据。本研究主要完成的内容有以下几点:(1)针对传统网络底层不全连接的问题,利用最小生成树方法强制连通网络所有结点,探索MCI和AD脑网络框架的拓扑变化,计算MST全局属性和结点属性并对其进行统计分析,提取有显著性差异的MST属性特征。(2)针对最小生成树不具备聚类与集群的问题,本文提出在最小生成树基础上加入一定比例的连接构成连通骨干网络的分析方法对AD脑网络进行异常分析,计算三组被试连通骨干网络的全局属性和局部结点属性并对其进行统计分析,提取有显著差异的连通骨干网络属性。(3)为了更好的描述脑网络局部拓扑变化在整体结构上的表现,提出中枢变化指数的概念,计算各被试组在健康对照基础上的结点属性中枢变化指数,并对其进行统计分析,探索网络之间的拓扑变化关系。(4)为了将网络分析结果更好的服务于AD的早期辅助诊断,分别提取了组间差异显著的MST属性和CBN属性,构造特征空间,使用SVM分类器训练分类模型,采用留一验证法验证分类模型,分析不同网络特征对三组被试分类效果的贡献。三组被试间脑网络MST属性和CBN属性统计分析以及分类研究结果可知,MST为基础的CBN属性对三组被试间分类准确率的提高有很大的贡献,尤其是轻度认知障碍和正常被试之间的分类提升作用非常明显,这对AD的早期诊断提供了一定的依据。