基于连接组的脑小血管病相关认知障碍标志物:一项基于功能磁共振成像的机器学习研究OA

目的:探讨基于功能磁共振成像(fMRI)的脑连接组标志物在脑小血管病(CSVD)相关认知障碍识别中的作用,并分析其潜在脑网络机制。方法:2015年7月至2018年12月共纳入227名受试者,其中健康对照(HC)42名、无认知障碍的CSVD患者(NCI)68例、轻度认知障碍(MCI)的CSVD患者117例。采用支持向量机(SVM)结合全脑静息态功能连接(rs-FC)构建机器学习模型,筛选用于区分不同认知状态的最优影像学特征。利用图论分析比较各组脑网络的全局、节点及模块化特征,并提取连接体第一主成分(PC-1)分析其与认知功能的相关性。结果:基于连接组的标志物在不同组别分类中均表现出较高的准确率、敏感性及特异性。区分HC与NCI的连接体包含33条边,区分HC与MCI包含42条边,主要分布于子网络内部;区分NCI与MCI的连接体包含138条边,主要位于子网络之间。分析显示,各组间全局及节点指标差异无统计学意义(P>0.05),但模块化分析结果存在显著差异(均P<0.05),且构成连接体的多数边位于模块化结构不同的区域内。连接体PC-1在3组间存在显著差异,并与大多数认知域的表现相关。结论:基于fMRI的连接组标志物可在个体水平有效鉴别CSVD相关认知障碍,并揭示其特异性脑网络改变特征,对早期识别与干预具有潜在价值。