[发明专利]基于小脑功能连接特征的阿尔茨海默病早期的预测模型

权利要求书

1.基于小脑功能连接特征的阿尔茨海默病早期的预测模型，其特征在于，包括：

患者信息收集系统，在已有的认知障碍数据库基础上，收集AD患者和MCI患者的一般临床资料、神经心理量表评估、脑脊液、血液和影像资料；

AD疾病筛选系统，通过首先筛选AD疾病相关的血和脑脊液敏感生物标记物，测定脑脊液中Aβ_1-42以及T-tau、P-tau蛋白水平，综合神经心理量表评估、ApoE基因，脑脊液Aβ_1-42以及T-tau、P-tau蛋白测定结果筛选AD受试组；并将MCI受试者分为AD源性MCI组和非AD源性MCI组；

磁共振数据分析处理系统，sMRI数据基于SPM软件包计算各组受试者脑灰质、白质体积和密度；运用FreeSurfer软件包计算各组受试者脑皮层厚度；DTI数据应用FSL工具包，采用基于纤维束示踪的空间统计方法计算生成纤维束各向异性图；构建全脑白质网络模型；对白质纤维束数量进行追踪与三维显示；REST数据基于Matlab平台，应用SPM8、Dpabi软件包计算全脑功能连接的方法分析不同认知状态下各静息态脑网络的特征；利用图论分析方法分析不同认知状态下模块化结构特征与动态变化；ASL数据通过Functool软件处理得出所有受试者3D-ASL的脑血流图，通过SPM软件得到感兴趣区的信号强度，获得脑血流的半定量测量值；

生物标记事件特征提取系统，结合多模态MRI数据分析处理，基于特定假设驱动的群组差异性测试，提取临床量表、皮层厚度、脑结构、脑网络连接、脑灌注生物标记事件特征；

风险预测分析系统，利用多模态MRI与量表特征、基因型内在与外在的关联性，借助多源数据的内在外在的一致性和互补性提取赋有HC、MCI、AD的特征参数；同时，通过不同模态MRI特征数据融合，基于支持向量机的机器学习方法从以上数据中自动分析获得规律，再在数据特点、性质、表征、随访后数据的变化趋势层面上，从中利用规律寻找对临床前期比较敏感的特征参数，建立预测多模态MCI、AD转归的风险预测模型；从而使预测模型更为可靠和精确；

所述患者信息收集系统与AD疾病筛选系统相连接，所述AD疾病筛选系统与磁共振数据分析处理系统相连接，所述磁共振数据分析处理系统与生物标记事件特征提取系统相连接，所述生物标记事件特征提取系统与风险预测分析系统相连接；

所述磁共振数据分析处理系统包括磁共振扫描单元和影像学数据处理单元；

所述磁共振扫描单元，通过Hachinski缺血量表排除血管性认知功能障碍；

所述影像学数据处理单元，用于获取受试者脑灰质、白质体积和密度和受试者脑皮层厚度；

所述磁共振扫描单元与影像学数据处理单元相连接；

所述影像学数据处理单元包括结构磁共振数据处理模块、弥散张量成像数据处理模块、静息态功能磁共振数据处理模块和动脉自旋标记灌注磁共振数据处理模块；

所述结构磁共振数据处理模块，基于SPM软件包计算受试者脑灰质、白质体积和密度，运用FreeSurfer软件包计算受试者脑皮层厚度；

所述弥散张量成像数据处理模块，应用FSL工具包，采用基于纤维束示踪的空间统计方法计算生成纤维束各向异性图；分析全脑白质，构建全脑白质网络；对白质纤维束数量进行追踪与三维显示；

所述静息态功能磁共振数据处理模块，基于Matlab平台，应用SPM8、Dpabi软件包，计算静息态下小脑-大脑功能连接；以独立成分分析方法分析不同认知状态下各静息态脑网络的特征；利用中心度分析方法分析不同认知状态下模块化结构特征与动态变化；

所述动脉自旋标记灌注磁共振数据处理模块，基于Functool软件和SPM软件，得出受试者3D-ASL的脑血流图，通过测量工具，得到感兴趣区的信号强度，获得脑血流的半定量测量值，被试的测量部位包括双侧额叶、颞叶、顶叶和枕叶的皮质，双侧海马，双侧扣带回和双侧楔前叶；

所述结构磁共振数据处理模块与弥散张量成像数据处理模块相连接，所述弥散张量成像数据处理模块与静息态功能磁共振数据处理模块相连接，所述静息态功能磁共振数据处理模块与动脉自旋标记灌注磁共振数据处理模块相连接；

所述生物标记事件特征提取系统包括基于脑功能网络下的数据特征提取单元和基于多模态数据的模型训练单元；

所述基于脑功能网络下的数据特征提取单元，建立结构性连接，把大脑区域的连接转化为数值表示，即将复杂的脑分布分析转化为具有权重分配的脑功能网络进行分析；为了建立有效性连接，首先要获取不同体素或区域的大脑活动的时间序列，根据这些序列利用聚合测量来计算这些序列的相关性，构建在时间序列下的脑区相关性网络，即具有脑功能评估权重化后形成为脑连接网，能够很好的反映核磁数据下患者的不同脑功能连接的；将脑的功能性与结构性连接转化为数值形式，发生病变后脑的变化即可从可视化图像，以数值权重的形式进行更为直接的数字表征，结合人工智能分类模型，挖掘对于机器学习模型下最优的大脑相关生物指标组合，构建基于多模态脑生物指标下的模型构建；

所述基于多模态数据的模型训练单元，选取神经心理量表、APoE基因分型、脑脊液、多模态MRI数据进行有效生物标记物的特征分析，选择不同模态组合构建预测转归模型。