Clasificación de la enfermedad de Alzheimer y el deterioro cognitivo leve basada en la conectividad funcional dinámica de alto orden en diferentes bandas de frecuencia
Autores: Khatri, Uttam; Kwon, Goo-Rak
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Clasificación de la enfermedad de Alzheimer y el deterioro cognitivo leve basada en la conectividad funcional dinámica de alto orden en diferentes bandas de frecuencia
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Redes de conectividad cerebral funcional
Resonancia magnética funcional en estado de reposo
Enfermedad de Alzheimer
Red funcional dinámica de alto orden
Máquina de Vectores de Soporte
Precisión de clasificación
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
Las redes funcionales de conectividad cerebral obtenidas a partir de resonancia magnética funcional en estado de reposo (rs-fMRI) han sido ampliamente utilizadas para el diagnóstico de la enfermedad de Alzheimer (EA). Sin embargo, la técnica tradicional de análisis de correlación solo explora la relación por pares, lo cual puede no ser adecuado para revelar enlaces de conectividad funcional suficientes y adecuados entre las regiones cerebrales. Además, la literatura previa típicamente se centra solo en dinámicas de órdenes inferiores, sin considerar propiedades de redes dinámicas de órdenes superiores, y se enfocan particularmente en series temporales de rs-fMRI de un solo rango de frecuencia. Para resolver estos problemas, en este artículo se propone un nuevo esquema de diagnóstico mediante la construcción de una red funcional dinámica de alto orden en diferentes series temporales de nivel de frecuencia (banda completa (0.01-0.08 Hz); lento-4 (0.027-0.08 Hz); y lento-5 (0.01-0.027 Hz)) obtenidas de rs-fMRI para construir la red cerebral funcional para todas las regiones cerebrales. Especialmente, para ajustar el análisis preciso de los parámetros regularizados en la Máquina de Vectores de Soporte (SVM), se adopta una técnica de validación cruzada de dejar uno afuera anidada (LOOCV). Finalmente, el clasificador SVM se entrena para clasificar EA de HC basado en estas redes cerebrales funcionales dinámicas de alto orden en diferentes rangos de frecuencia. Los resultados del experimento ilustran que para todas las bandas con una precisión de clasificación LOOCV del 94.10% con un 90.95% de sensibilidad, y un 96.75% de especificidad supera a las redes individuales. La utilización de la técnica dada para la identificación de EA de HC compite por la tecnología más avanzada en términos de precisión diagnóstica. Además, los resultados obtenidos para la banda completa muestran un rendimiento que sugiere que nuestro esquema propuesto tiene una alta precisión. Estos resultados han validado la efectividad de los métodos propuestos para el valor clínico en la identificación de EA.
Descripción
Las redes funcionales de conectividad cerebral obtenidas a partir de resonancia magnética funcional en estado de reposo (rs-fMRI) han sido ampliamente utilizadas para el diagnóstico de la enfermedad de Alzheimer (EA). Sin embargo, la técnica tradicional de análisis de correlación solo explora la relación por pares, lo cual puede no ser adecuado para revelar enlaces de conectividad funcional suficientes y adecuados entre las regiones cerebrales. Además, la literatura previa típicamente se centra solo en dinámicas de órdenes inferiores, sin considerar propiedades de redes dinámicas de órdenes superiores, y se enfocan particularmente en series temporales de rs-fMRI de un solo rango de frecuencia. Para resolver estos problemas, en este artículo se propone un nuevo esquema de diagnóstico mediante la construcción de una red funcional dinámica de alto orden en diferentes series temporales de nivel de frecuencia (banda completa (0.01-0.08 Hz); lento-4 (0.027-0.08 Hz); y lento-5 (0.01-0.027 Hz)) obtenidas de rs-fMRI para construir la red cerebral funcional para todas las regiones cerebrales. Especialmente, para ajustar el análisis preciso de los parámetros regularizados en la Máquina de Vectores de Soporte (SVM), se adopta una técnica de validación cruzada de dejar uno afuera anidada (LOOCV). Finalmente, el clasificador SVM se entrena para clasificar EA de HC basado en estas redes cerebrales funcionales dinámicas de alto orden en diferentes rangos de frecuencia. Los resultados del experimento ilustran que para todas las bandas con una precisión de clasificación LOOCV del 94.10% con un 90.95% de sensibilidad, y un 96.75% de especificidad supera a las redes individuales. La utilización de la técnica dada para la identificación de EA de HC compite por la tecnología más avanzada en términos de precisión diagnóstica. Además, los resultados obtenidos para la banda completa muestran un rendimiento que sugiere que nuestro esquema propuesto tiene una alta precisión. Estos resultados han validado la efectividad de los métodos propuestos para el valor clínico en la identificación de EA.