19、基于数据驱动方法表征动态功能连接及其在阿尔茨海默病诊断中的应用

基于数据驱动方法表征动态功能连接及其在阿尔茨海默病诊断中的应用

1. 引言

功能连接（FC）在许多基于成像的神经科学和临床研究中得到了广泛的研究。由于功能磁共振成像（fMRI）信号只是大脑活动的间接反映，仅基于信号相关性很难准确量化FC强度。为了解决这一局限性，我们提出了一种基于学习的张量模型，用于从静息态fMRI图像中在个体水平上推导出高灵敏度和特异性的连接组生物标志物。

2. 动态功能连接

2.1 静态功能连接分析

一般来说，静息态FC分析评估特定大脑区域时间序列之间的成对关联。每个关联度量描述了两个大脑区域之间的协同活动强度。静息态FC已被用于识别患者群体中的异常大脑连接模式，并了解正常和异常大脑功能的机制。虽然FC尚未直接影响临床实践，但有很大的希望该技术将为各种临床应用（如阿尔茨海默病（AD））中的疾病诊断和监测提供重要的生物标志物。

在大多数功能性脑网络研究中，血氧水平依赖（BOLD）信号的皮尔逊相关性被广泛用于测量两个大脑区域之间的FC强度。然而，这种基于相关性的连接度量仅基于观察到的BOLD信号计算，并且在后续数据分析中是固定的。为了简化，许多FC表征方法假设在静息态fMRI扫描过程中，大脑中的连接模式是静态的。

2.2 动态功能连接的提出

然而，神经影像学领域越来越多的共识是，即使在静息状态下，两个不同大脑区域之间信号的自发波动和相关性也会随时间变化。传统的使用整个时间序列进行相关性分析的方法没有考虑时间变异性，对相关的连接变化不敏感。因此，最近主要通过滑动窗口技术来研究动态FC模式。

但即使使用无监督聚类和隐马尔可夫模型等先进的机器学习技术，也很难将