基于持久同调的 MCI 分类：图滤波与 Vietoris-Rips 滤波的比较分析

轻度认知障碍 (MCI) 常与早期神经退行性病变相关，表现为轻微的认知衰退以及大脑连接性的 disruption。本研究针对 MCI 的拓扑变化进行详细分析，聚焦两种亚型：早期 MCI 和晚期 MCI。该分析利用来自两个不同人群的 fMRI 时间序列数据：公开的 ADNI 数据集（西方人群）和内部的 TLSA 数据集（印度城市人群）。持久同调作为一种拓扑数据分析方法，被用于两种不同的滤波技术——Vietoris-Rips 和图滤波——对 MCI 亚型进行分类。对于 Vietoris-Rips 滤波，使用基于持久图之间的 ROI 之间的 Wasserstein 距离矩阵进行分类，而图滤波则依赖于最持久的十个同调特征。比较分析表明，Vietoris-Rips 滤波显著优于图滤波，能够更准确地捕捉到大脑连接性的细微变化。Vietoris-Rips 滤波方法在区分年龄和性别匹配的健康对照组和 MCI 时，达到了最高的 85.7% 分类准确率，而图滤波的最高准确率为 71.4%。这种卓越的性能凸显了 Vietoris-Rips 滤波在检测与神经退行性相关的复杂拓扑特征方面的灵敏性。这些发现凸显了持久同调，特别是当结合 Wasserstein 距离时，作为早期诊断和精确 MCI 分类的强大工具的潜力，为 MCI 中大脑连接性变化提供了宝贵的见解。