阿爾茲海默症AD是痴呆中最為普遍的病症，約佔痴呆病例的60-80%。AD的病理性標誌是Aβ蛋白的沉積。近些年來，利用靜息態fMRI對AD發病機制和影響標誌物的研究發現AD患者許多腦區之間的功能連線如預設網路DMN出現異常。此外，圖論方法可以透過計算全域性和區域性引數來表徵腦網路的不同方面。這裡，筆者為大家分享一篇發表在Clinical Neurophysiology雜誌上的題目為《Identifying patients with Alzheimer’s disease using resting-state fMRI and graph theory》的研究論文，該論文利用靜息態fMRI構建腦網路，計算腦網路的圖論引數，以圖論引數作為特徵值，結合機器學習實現AD的100%準確率分類診斷。

研究方法

20個AD患者和20個匹配的健康被試來自於AD神經影像資料庫（

http：//

adni。loni。ucla。edu

））。被試接受靜息態fMRI的掃描，fMRI資料採用DPARSF+SPM5工具包進行預處理；靜息態fMRI的預處理採用標準預處理流程（具體可以檢視原文）；靜息態fMRI資料採用0。01-0。08Hz的帶通濾波以去除高頻的干擾成分。

腦網路分析。整個大腦採用AAL模板分割成90個ROI腦區（AAL90），每個ROI腦區內的體素進行平均獲得每個ROI腦區的fMRI時間序列訊號。透過計算兩兩ROI之間的皮爾森相關係數，構建每個被試的腦功能網路。對於獲得的每個被試的腦功能網路，透過保留一定比例P（0

對於得到的加權圖，可以計算每個圖的如下引數：clustering coefficient， local efficiency， normalized localefficiency，path length， global efficiency， degree， participation coefficient， betweenness centrality， small-worldness index。

這些引數的計算採用BCT工具包來計算。

特徵選擇和分類。由於上述計算的圖論引數很多，不太可能把它們都作為特徵值進行分類，因此需要選擇最優的特徵值集來進行分類。這裡，特徵值選擇方法採用Fisher score。分類演算法是採用支援向量機SVM，SVM直接採用LIBSVM工具包。

研究者首先採用統計分析的方法，研究了AD組和對照組腦網路中哪些功能連線之間存在顯著差異。然後採用機器學習分析對AD進行高準確度分類診斷。

在統計分析中，採用surrogate data method計算每個功能連線的p值，所有p值經過FDR校正。AD組和健康對照組之間表現出顯著差異的功能連線如圖1所示。

圖1

在機器學習分析中，首先，由於每個被試的腦功能網路需要透過保留一定比例P（0

圖2

其次，由於計算的圖論引數很多，不可能把它們都作為特徵值進行分類，因此採用Fisher score對所有特徵值的分類能力進行評判（Fisher score越大特徵值分類能力越高）。同樣採用基於搜尋的方法，首先用Fisher score最大的1個特徵值進行分類獲得分類準確度，然後用Fisher score最大的2個特徵值進行分類獲得分類精確度，依次類推，指導分類精確度達到最大值。該研究中，當採用Fisher score最大的21個特徵值進行分類時，獲得了最大的100%分類精確度。這個21個特徵值包括degree， participation coefficient， average characteristic path length， betweenness centrality， average clustering coefficient， local efficiency， global efficiency， ratio of local to global efficiency， small-world index等圖論引數，如圖3、4所示。

圖3

圖4

其次，這21個特徵值涉及16個ROI腦區，也就是說，這16個ROI腦區具有最高的分類能力。這16個ROI腦區如圖5中綠色的圓圈。

圖5

圖六

總結

圖論的方法作為一種多變數分析方法，可以從整體上反映腦網路的結構特性。該研究論文以圖論引數作為特徵值來進行分類，獲得了高到100%的分類精確度，效果良好。這也說明了採用腦網路的拓撲引數作為特徵值進行分類的潛力巨大。但是，其穩定性如何，還需要後期大量的相關研究進行驗證。

參考文獻：

KhazaeeA， Ebrahimzadeh A， Babajani-Feremi A。 Identifying patients with Alzheimer’sdisease using resting-state fMRI and graph theory［J］。 Clinical Neurophysiology，2015， 126（11）：2132-2141。