♻️روشی جدید برای #طبقه_بندی بیماران مبتلا به #آلزایمر
A #comprehensive #analysis of #resting #state #fMRI measures to #classify individual #patients with #Alzheimer's disease
پژوهشگران نوروساینس دانشگاه لایدن 🇱🇺 و دانشگاه گراتز 🇦🇹 در پژوهشی که به تازگی منتشر شده است، شیوه ای نوین برای طبقه بندی بیماران دارای آلزایمر ابداع نموده اند.
🔬در این روش #fMRI وضعیت #استراحت #مغزی 77 فرد مبتلا به آلزایمر با 173 نفر داوطلب سالم کنترل مقایسه شد. برای بررسی و طبقه بندی از الگوهای #ارتباط #کارکردی (FC) و پویش های ارتباط کارکردی (FCD) استفاده شد.
تحلیل ها نشانگر 10 شاخص برای طبقه بندی بیماران بودند. بر این اساس 31 طبقه مختلف از #کارکردمغزی در حالت #استراحت برای #آلزایمر بدست آمد؛ نتایج تفصیلی در لینک منبع ارائه شده اند.
Abstract
#Alzheimer's disease (#AD) patients show altered patterns of #functional #connectivity (#FC) on #resting #state #functional #magnetic #resonance #imaging (#RSfMRI) scans. It is yet unclear which RSfMRI measures are most informative for the individual classification of AD patients. We investigated this using RSfMRI scans from 77 AD patients (MMSE = 20.4 ± 4.5) and 173 controls (MMSE = 27.5 ± 1.8). We calculated i) FC matrices between resting state components as obtained with #independent #component #analysis (#ICA), ii) the dynamics of these FC matrices using a sliding window approach, iii) the graph properties (e.g., connection degree, and clustering coefficient) of the FC matrices, and iv) we distinguished five FC states and administered how long each subject resided in each of these five states. Furthermore, for each voxel we calculated v) FC with 10 resting state networks using #dual #regression, vi) FC with the #hippocampus, vii) #eigenvector centrality, and viii) the #amplitude of #low #frequency #fluctuations (#ALFF). These eight measures were used separately as predictors in an #elastic #net #logistic #regression, and combined in a #group #lasso #logistic #regression model. We calculated the area under the receiver operating characteristic curve plots (#AUC) to determine classification performance. The AUC values ranged between 0.51 and 0.84 and the highest were found for the FC matrices (0.82), FC dynamics (0.84) and ALFF (0.82). The combination of all measures resulted in an AUC of 0.85. We show that it is possible to obtain moderate to good AD classification using RSfMRI scans. FC matrices, FC dynamics and ALFF are most discriminative and the combination of all the resting state measures improves classification accuracy slightly.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.025
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani
A #comprehensive #analysis of #resting #state #fMRI measures to #classify individual #patients with #Alzheimer's disease
پژوهشگران نوروساینس دانشگاه لایدن 🇱🇺 و دانشگاه گراتز 🇦🇹 در پژوهشی که به تازگی منتشر شده است، شیوه ای نوین برای طبقه بندی بیماران دارای آلزایمر ابداع نموده اند.
🔬در این روش #fMRI وضعیت #استراحت #مغزی 77 فرد مبتلا به آلزایمر با 173 نفر داوطلب سالم کنترل مقایسه شد. برای بررسی و طبقه بندی از الگوهای #ارتباط #کارکردی (FC) و پویش های ارتباط کارکردی (FCD) استفاده شد.
تحلیل ها نشانگر 10 شاخص برای طبقه بندی بیماران بودند. بر این اساس 31 طبقه مختلف از #کارکردمغزی در حالت #استراحت برای #آلزایمر بدست آمد؛ نتایج تفصیلی در لینک منبع ارائه شده اند.
Abstract
#Alzheimer's disease (#AD) patients show altered patterns of #functional #connectivity (#FC) on #resting #state #functional #magnetic #resonance #imaging (#RSfMRI) scans. It is yet unclear which RSfMRI measures are most informative for the individual classification of AD patients. We investigated this using RSfMRI scans from 77 AD patients (MMSE = 20.4 ± 4.5) and 173 controls (MMSE = 27.5 ± 1.8). We calculated i) FC matrices between resting state components as obtained with #independent #component #analysis (#ICA), ii) the dynamics of these FC matrices using a sliding window approach, iii) the graph properties (e.g., connection degree, and clustering coefficient) of the FC matrices, and iv) we distinguished five FC states and administered how long each subject resided in each of these five states. Furthermore, for each voxel we calculated v) FC with 10 resting state networks using #dual #regression, vi) FC with the #hippocampus, vii) #eigenvector centrality, and viii) the #amplitude of #low #frequency #fluctuations (#ALFF). These eight measures were used separately as predictors in an #elastic #net #logistic #regression, and combined in a #group #lasso #logistic #regression model. We calculated the area under the receiver operating characteristic curve plots (#AUC) to determine classification performance. The AUC values ranged between 0.51 and 0.84 and the highest were found for the FC matrices (0.82), FC dynamics (0.84) and ALFF (0.82). The combination of all measures resulted in an AUC of 0.85. We show that it is possible to obtain moderate to good AD classification using RSfMRI scans. FC matrices, FC dynamics and ALFF are most discriminative and the combination of all the resting state measures improves classification accuracy slightly.
لینک منبع 👇🏻(further reading)👇🏻
https://doi.org/10.1016/j.neuroimage.2017.11.025
✅(در صورت جذابیت و علاقمندی به موضوع، مطلب را برای دیگران نیز بازنشر فرمایید).
📢کانال #دکترامیرمحمدشهسوارانی
🍃🌹🌸💐🌸🌹🍃
@DrAmirMohammadShahsavarani