基于群体的网络分析助力阿尔茨海默病 fMRI 数据研究，开启精准诊疗新篇

《Scientific Reports》：A group based network analysis for Alzheimer’s disease fMRI data

为解决传统基于皮尔逊相关系数（PCC）构建脑功能连接网络时存在的组内变异性大、难以识别疾病特异性功能连接模式问题，研究人员开展基于群体的单样本网络构建方法（SNBG）用于阿尔茨海默病（AD）静息态功能磁共振成像（rs-fMRI）数据研究。结果显示，SNBG 能构建更稳定连接网络，提升分类准确率，为 AD 研究提供新视角。

　　在神经科学领域，大脑宛如一座神秘的 “超级城市”，各个区域如同不同功能的街区，通过复杂的 “道路”—— 神经连接进行着信息交流。阿尔茨海默病（Alzheimer’s disease，AD）作为一种常见的神经退行性疾病，就像是这座 “城市” 的交通系统出现了故障，导致各个区域之间的信息传递受阻，进而引发认知和行为障碍。

传统研究中，常用皮尔逊相关系数（Pearson correlation coefficient，PCC）来构建大脑功能连接网络，就好比是用一种不太精确的地图绘制方式来描绘城市的交通路线，这使得构建出的网络存在显著的组内变异性，就像同一条道路在不同地图上的标识差异很大，极大地干扰了对疾病特异性功能连接模式的识别，难以准确找到 “故障路段”。

为了攻克这一难题，厦门大学人工智能研究所、电子科学系以及华东理工大学信息工程系的研究人员携手开展了一项关于 AD 的研究。他们提出了一种名为基于群体的单样本网络构建方法（single network based group，SNBG）的全新策略，旨在绘制出更精确的大脑 “交通地图”。该研究成果发表于《Scientific Reports》，为 AD 的研究带来了新的曙光。

在这项研究中，研究人员用到了几个关键技术方法。样本数据来源于阿尔茨海默病神经影像学倡议（Alzheimer’s Disease Neuroimaging Initiative，ADNI）数据库中的静息态功能磁共振成像（resting-state functional magnetic resonance imaging，rs-fMRI）数据。在数据预处理阶段，运用 DPABI（DPARSF5.4）工具去除数据中的噪声和干扰信号。之后，利用 Shen 等定义的脑图谱将 rs-fMRI 图像分割为 268 个感兴趣区域（regions of interest，ROIs）。最后通过 SNBG 方法构建大脑网络，并与基于 PCC 的方法进行对比分析 。

下面来看具体的研究结果。

• 网络拓扑稳定性比较：研究人员以节点度和全局效率为指标，对比了基于 PCC 和 SNBG 方法构建的样本脑网络的组内拓扑差异。在默认模式网络（default mode network，DMN）、内侧额叶网络（medial frontal network，MFN）和额顶叶网络（frontoparietal network，FPN）中，SNBG 方法构建的网络节点度相对标准偏差（relative standard deviation，RSD）值更小，全局效率的 RSD 值也更低。这表明 SNBG 方法构建的网络更稳定，组内样本网络间差异更小，就像用新的地图绘制方式让城市道路的标识更加统一和稳定。
• 组间差异比较：研究人员提取聚类系数和节点度等特征构建分类模型，对比不同网络构建方法的分类准确率。结果显示，无论使用聚类系数还是节点度特征，在 DMN、FPN、MFN 以及三者组合的情况下，SNBG 方法的分类准确率均高于 PCC 方法。例如，在对 DMN + FPN + MFN 组的特征分类时，PCC 方法的准确率为 89.24 ± 3.11%，而 SNBG 方法提升至 97.13 ± 1.83%。这说明 SNBG 方法能更有效地识别疾病相关的网络拓扑特征，精准地找出大脑 “交通系统” 中的 “故障路段”。

研究结论和讨论部分表明，SNBG 方法在捕捉 ROIs 功能一致性方面稳定性更优，在局部和全局特征提取上均显著优于 PCC 方法。在分类任务中，该方法能更敏锐地识别与疾病相关的网络拓扑特征，提高样本类别特征的提取能力，进而提升分类准确率。这不仅为处理 rs-fMRI 数据提供了新的研究视角，也为 AD 的诊断和研究开辟了新的道路。然而，该研究也存在一定局限性，如数据集相对较小、参与者年龄范围较广等。未来，研究人员计划整合多模态数据，进一步挖掘潜在的网络特征，为 AD 的临床诊断和疾病机制研究提供更有力的支持。