复杂网络二类幂律演化机制及其在fMRI脑网络疾病检测中的应用

Alzheimer’s disease (AD) is the most common and important neurodegenerative disease. Because of AD’s occult onset, missed diagnosis is up to 73%. Most of diagnosed patients have reached middle to late stages and therefore cannot be benefit from treatment. Therefore, early detection and timely intervention are extremely important. The structural changes of complex networks due to AD are hypothesized to affect the exponent of power law distributions, which describes network’s degree distribution. Indeed, recent researches on power law distributions, have extended from the exponents in (1,2) to (0,1). Resting-state fMRI studies of the neural brain networks of neurological and mental diseases, have revealed that power law exponents of healthy and diseased brain networks are located in (0,1) and (1,2), exponents, respectively. The current project focuses on theoretical research on complex networks’ evolution mechanism between two different classes of power law exponents, and its application to the detection of abnormal fMRI brain neural networks in the early stages of AD, mainly focusing on: 1) theoretical mechanisms of two different classes of power law exponents in complex networks; 2) network alteration between healthy and diseased brain networks and prediction of cognition function in early stages of AD; 3) detection of early-stage neural brain networks alteration and evaluation in AD based on power law exponents. This project intends to discover biomarkers to predict impaired cognitive functions, and to develop detection methods for abnormal neuroimaging for assisting diagnosis and assessing disease in concealed phase. The study may be applied to other neuronal and mental diseases.

阿尔茨海默症是最常见和最重要的神经退行性疾病。其发病隐匿，漏诊率高达73%，确诊患者多已到中后期且不可逆转，因此对该病早期检测与干预十分重要。复杂网络结构变化会敏感地影响到刻画网络度分布的幂律分布指数。近期关于幂律分布的研究从指数在（1,2）扩展到了（0,1）。有关神经精神疾病静息态功能核磁共振的脑网络研究发现，健康和疾病脑网络的幂律指数分别在（0,1）和（1,2）区间内。本课题拟在开展二类区间幂律分布复杂网络结构演化机制理论研究基础上，进行阿尔茨海默症早期脑网络疾病检测应用研究。主要研究：1）复杂网络二类区间幂律分布指数理论机制；2）阿尔茨海默症早期脑功能健康与疾病网络变化及认知功能预测；3）基于幂律指数的阿尔茨海默症早期脑网络疾病检测和诊断评定。本课题拟找出预测疾病认知功能衰退的生物标识物；开发疾病隐匿期脑神经影像检测方法，辅助临床诊断评定。研究结果有望推广至更多神经精神类疾病应用中。

人脑可被认为是一个高效集成的系统。通过节点度分布研究人脑神经网络拓扑结构可以提供价值的信息。阿尔茨海默症是最常见和最重要的神经退行性疾病。其发病隐匿期长，确诊患者多已到中后期且病程不可逆转，因此对该病早期检测与干预十分重要。基于静息态的功能磁共振影像方法可以在疾病早期非侵入地观察患者脑部神经活动的变化。本课题针对复杂系统度分布演化过程及人脑神经网络节点度分布在阿尔茨海默症早期改变进行了研究，包括：1）复杂网络二类核心分布Heaps定律与幂律分布建模及等价性数学推导。通过单参数模型证明了二类分布律的等价性；2）一种改进的偏态分布参数估计方法，解决了传统参数估计方法不适用复杂系统中偏态型分布的问题；3）人脑网络构建、度分布拟合方法比较及模型确定。针对不同流程与方法对脑网络度分布有较大影响的问题，提出了一套接受程度较高且争议较少的流程。进行了基于voxel尺度的人脑神经网络节点度分布拟合，结果服从Weibull分布；4）阿尔茨海默症初期阶段脑功能网络度分布显著性变化及其与认知的关联。在全脑及不同子功能网络中发现了节点度分布在阿尔茨海默症初期的改变及其与患者认知能力下降的关联；5）基于voxel水平功能连接的阿尔茨海默症病分类研究。基于独立成分分析和支持向量机的方法，对fMRI影像中voxel的活跃程度进行特征识别，实现AD患者和健康被试的有效分类。此外，课题还基于机器学习方法开展了生物信息基因识别与分类的扩展性研究。总之，课题成果相关的理论、方法及度分布在阿尔茨海默症中的应用为理解复杂系统度分布演化、临床医生辅助诊断等方面提供了技术、方法和工具的支持。