利用子社区检测在轻度认知障碍中定位并评估默认模式网络的节点显著性

我们的研究旨在利用 fMRI 识别轻度认知障碍（Mild Cognitive Impairment, MCI）受试者默认模式网络（Default Mode Network, DMN）内受影响的脑区，使用了一种新颖的节点显著性评分（Node Significance Score, NSS）。我们通过采用构成 DMN 的感兴趣区（Regions of Interest, ROI）的偏相关来构建特定于受试者的 DMN 图。对于 DMN 图，ROI 是节点，边基于偏相关确定。应用四种流行的社区检测算法（Clique Percolation Method (CPM)、Louvain 算法、Greedy Modularity 和 Leading Eigenvectors）来确定最大子社区。为每个节点导出 NSS 评分，考虑因素包括： 所有受试者中某一类别内最大子社区出现的频率； 根据所有四种方法在最大子社区中的出现情况。在计算了健康和 MCI 受试者中每个 ROI 的 NSS 后，我们量化了评分差异以识别受 MCI 影响最大的节点。结果显示，10 个 DMN 节点的差异超过 20%，其中 PCC 和 Fusiform 差异最大，分别为 45.69% 和 43.08%。这与现有医学文献相符，此外还提供了一种能够对受影响 ROI 进行排序的定量测度。这些发现提供了有价值的见解，并可能促成积极针对受影响节点的治疗策略。