面向阿尔茨海默病分类的多尺度可解释高阶拓扑特征提取
几何拓扑
2025-09-19 v1
摘要
脑网络拓扑结构源自功能性磁共振成像 (fMRI)，有望提高阿尔茨海默病 (AD) 诊断。当前方法主要关注低阶拓扑特征，常忽视高阶特征的重要性，如连通分支、环路和腔洞。这些高阶特征对理解正常脑功能至关重要，且与 AD 的病理机制日益相关。然而，其定量化以诊断 AD 受阻于其内在非线性和脑内的随机性。本文引入一种新框架，用于诊断阿尔茨海默病，使用持久同调从 fMRI 数据中提取高阶拓扑特征。还引入四种量化方法捕捉功能脑网络中与 AD 相关的细微、多尺度几何变异。我们的实验结果表明，该框架在 AD 分类方面显著优于现有方法。广泛的消融研究和可解释性分析确认了该框架的有效性。我们的研究还发现，AD 患者中环路或腔洞的数量显著下降。从环路和腔洞中提取的关键脑区与神经科学文献中的领域知识一致，提供了直接且有洞察力的发现。本研究突显了高阶拓扑特征在早期 AD 检测中的潜力，显著推进了神经退行性疾病研究中脑拓扑分析领域的发展。
引用
@article{arxiv.2509.14634,
title = {Extracting Interpretable Higher-Order Topological Features across Multiple Scales for Alzheimer's Disease Classification},
author = {Dengyi Zhao and Shanyong Li and Yunping Wang and Chenfei Wang and Zhiheng Zhou and Guiying Yan and Xingqin Qi},
journal= {arXiv preprint arXiv:2509.14634},
year = {2025}
}