跳到正文
原文
npj Parkinson's Disease· A. Enrique Martinez-Nunez, Gregory M. Pontone, Angelos Barmpoutis 等 6 人

DEGAS:通过图与邻接度量的疾病内表型分型——帕金森病进展的网络生物标志物

DEGAS, disease endophenotyping through graph and adjacency metrics: network biomarkers for Parkinson’s disease progression

AI 导读

DEGAS 用图与邻接度量构建网络生物标志物,用于刻画帕金森病进展的内表型。

摘要 · AI 翻译

帕金森病(PD)的进展具有异质性,但目前尚无可靠的生物标志物能够对患者进行分层以实现个体化诊疗。我们开发了 DEGAS,这是一个应用功能连接来识别网络定义的 PD 亚型的机器学习框架。研究纳入 336 例早期患者的基线功能 MRI,并按疑似快速眼动睡眠行为障碍(sRBD)——一种侵袭性疾病标志——进行分层。将邻接矩阵与图论指标整合进分类器,并用三年结局对预测进行验证。感兴趣区分析显示,各组在连接性或拓扑结构上均无差异。相比之下,纳入图论特征的模型实现了稳健的分类(平衡准确率 0.91–0.93;MCC 0.61–0.78),优于仅使用邻接矩阵的模型(平衡准确率 0.79;MCC 0.52)。代表基底节-丘脑、颞叶-边缘系统和小脑-皮层环路的指标是最强的预测因子。被分类为 sRBD 阳性的患者表现出更差的运动结局、加速的自主神经功能障碍,以及更高比例的幻觉、运动障碍和抑郁。DEGAS 框架定义了一种基线网络特征,可标记临床上不同的 PD 亚组。在考虑临床使用之前,尚需进行外部验证。

中文由 AI 翻译,仅供参考,以原文为准。

来源:npj Parkinson's Disease · nature.com

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。