多模态多变量脑网络解码研究及其在阿尔茨海默症中的应用

Different modalities of magnetic resonance imaging (MRI) have important applications in brain disease diagnosis. At present, a key scientific problem is to develop methodologies for analyzing the multimodal data and exploring systematic and effective neuroimaging markers. This project will focus on digging the effective brain functional and structural network information and constructing a multimodal classifier based on resting-state functional MRI, structural MRI and diffusion tensor imaging (DTI). We made efforts in the following aspects. An independent component analysis based on hierarchical partner matching algorithm is proposed which overcomes the shortage of the initial value sensitivity and the correspondence among multiple independent components. A multivariate nonlinear dynamic granger causality algorithm is developed to investigate the directional instantaneous connectivity among brain subnetworks. We also design a brain functional connectivity algorithm based on DTI adaptive sparse regularization which improves the sensitivity of the larger scale brain network analysis. A multimodal and multi-level classifier based on relevance vector machine is constructed by fusing the multimodal features which include functional connectivity, effective connectivity, morphological indexes and structural connectivity. The classifier can be used to decode the brain state linked to Alzheimer's disease (AD) and recognize the individuals with AD which will be applied to the clinical diagnosis of AD. The research of this project has an important significance in theoretical brain cognitive science especially the pathophysiology of the AD and its early clinical diagnosis.

不同模态的磁共振成像技术在脑疾病诊断中具有重要应用，如何建立多模态数据的分析方法以及系统有效的神经影像诊断标记是目前亟待解决的关键科学问题。本项目拟以静息态功能磁共振成像、结构磁共振成像和弥散张量成像为载体，研究脑功能和结构网络有效信息的挖掘以及多模态分类器的构建。具体包括：提出基于层次伙伴匹配的独立分量分析算法，解决初始值敏感、多个独立成分间对应性等问题；利用多变量非线性动态格兰杰因果方法研究子网络间的有向瞬态连接；提出基于DTI自适应稀疏正则化的脑功能连接算法，提高大尺度脑网络分析的敏感性；将有效连接、功能连接、形态学指标以及结构连接等多模态融合，利用相关向量机建构多模态多层次分类器，解码与阿尔茨海默症相关的脑状态，从个体水平上对阿尔茨海默症患者进行识别，并应用于阿尔兹海默症的临床诊断。本项目的研究成果对于推动脑认知科学研究尤其是阿尔茨海默症的病理生理学机制及其早期诊断具有重要意义。

本研究以磁共振成像为载体，研究从不同层次提取脑功能和网络特征，分析脑网络节点之间的信息流向，探测不同脑区之间的连接特性，然后结合机器学习和模式识别理论，构建多层次特性分类器，从个体水平对脑疾病患者进行识别，探求脑疾病早期诊断的客观定量的生物标记，并应用于临床疾病的辅助诊断。该项目资助下取得的重要结果包括：（1）针对输出独立成分的顺序不确定和初始值敏感等问题，提出了基于层次伙伴匹配的空间独立分量分析算法，建立多个被试独立分量之间的对应性，选择可靠稳定的独立成分，并将脑疾病患者的子网络模式和正常对照进行比较，以确定脑疾病患者的脑功能网络连接异常，从功能体系的角度提供了研究脑疾病相关的神经和病理生理机制的新方法。（2）利用非线性格兰杰因果分析方法建立不同脑区或子网络之间交互作用的因果关系模型，获得有效连接脑网络，从而定量探测神经活动的动态过程及其在疾病中的特异改变。（3）建立基于深度学习的脑网络解码分析框架。首先通过对功能连接和有向连接脑网络的分析，提取有效特征，然后将不同层次的特征进行特征选择和融合，最后采用基于有向无环图的深度学习网络构建多层次分类器模型，并对模型进行优化和性能评估，确定具有特异性和敏感性的客观定量的神经影像标记。项目的研究成果应用于阿尔茨海默症、焦虑症、口吃等临床疾病的辅助诊断，对于揭示相关脑疾病的病理生理学机制及其早期诊断具有重要价值。