综述：静息态功能磁共振成像与机器学习在2型糖尿病认知障碍中的应用：范围综述

这篇综述系统回顾了机器学习（ML）结合静息态功能磁共振成像（rs-fMRI）在2型糖尿病（T2DM）认知障碍（CI）研究中的进展，揭示了异常功能连接模式与神经退行性疾病的关联，为早期干预提供了潜在生物标志物。

　　

引言

2型糖尿病（T2DM）作为一种常见的代谢性疾病，全球患者已超过5.37亿，其中90%为T2DM。慢性高血糖不仅损害外周器官，还与认知功能下降和神经退行性疾病风险增加密切相关，尤其是阿尔茨海默病（AD）和血管性痴呆（VD）。T2DM相关认知障碍（T2DM-CI）表现为学习、记忆和执行功能受损，但缺乏明确的诊断标准，易导致误诊或延误治疗。

方法与技术

静息态功能磁共振成像（rs-fMRI）通过检测血氧水平依赖（BOLD）信号，能够无创评估大脑自发神经活动，揭示功能连接（FC）和内在脑网络的变化。机器学习（ML）技术，如支持向量机（SVM）和卷积神经网络（CNN），被广泛应用于分析rs-fMRI数据，以区分T2DM患者与健康对照（HC），或识别T2DM-CI的特定神经模式。

主要发现

1. 功能连接异常：多项研究表明，T2DM-CI患者默认模式网络（DMN）和边缘系统的功能连接显著异常，与认知测试分数（如MoCA）相关。
2. 动态高阶功能连接（dHOFC）：该方法通过捕捉多脑区动态时间序列的同步性，提高了对T2DM-CI的检测灵敏度，优于传统静态FC分析。
3. 机器学习模型效能：SVM结合不同核函数（线性、高斯）在分类任务中表现优异，最高准确率达90.54%，曲线下面积（AUC）达0.9737。

潜在机制与挑战

T2DM-CI的神经生物学机制涉及胰岛素抵抗（IR）、脑微血管功能障碍和肠脑轴紊乱等。然而，当前研究存在样本量小、单中心局限性和跨时段数据不足等问题。未来需通过多模态影像（如结合结构MRI）和纵向设计提升模型泛化能力。

展望

rs-fMRI与ML的联合应用为T2DM-CI的早期诊断提供了新思路，但需进一步验证其临床转化价值。扩大样本量、优化特征选择算法及探索多组学整合将是下一阶段的研究重点。