崔會(huì)芳，周夢(mèng)妮，王 彬，相 潔，曹 銳，閻鵬飛

(太原理工大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山西 晉中 030600)

輕度認(rèn)知障礙(mild cognitive impairment，MCI)是指有輕度的記憶和認(rèn)知損害，但尚未達(dá)到癡呆狀態(tài)，是正常衰老和阿爾茲海默癥(Alzheimer's disease，AD)之間的過渡狀態(tài)[1]。已有研究表明，每年大約有10%～15%的MCI患者轉(zhuǎn)化成AD患者，而正常老年人的轉(zhuǎn)化率大約為1%～2%[2].因此，準(zhǔn)確診斷MCI對(duì)盡可能早治療和推遲疾病的惡化非常重要。

MCI的傳統(tǒng)研究及診斷方法主要包括：量表檢查、認(rèn)知測(cè)驗(yàn)、神經(jīng)影像學(xué)檢查、生物學(xué)標(biāo)記物檢查等，這些檢查方法在實(shí)現(xiàn)過程中存在較多不足。目前，機(jī)器學(xué)習(xí)方法結(jié)合功能磁共振影像(functional magnetic resonance imaging，fMRI)數(shù)據(jù)分析的研究方法已廣泛應(yīng)用于MCI診斷中。梁紅等人計(jì)算了無(wú)向腦功能網(wǎng)絡(luò)的節(jié)點(diǎn)屬性，并將異常的屬性值作為分類特征，運(yùn)用支持向量機(jī)(support vector machine，SVM)算法，對(duì)正常人(normal control，NC)、早期輕度認(rèn)知障礙(early mild cognitive impairment，EMCI)和晚期輕度認(rèn)知障礙(late mild cognitive impairment，LMCI)進(jìn)行了分類研究[3]。接標(biāo)等提出了一種新型圖核并應(yīng)用于MCI分類中，使用SVM分類方法對(duì)NC，MCI，EMCI和LMCI進(jìn)行分類研究[4]。郭圣文等提取大腦皮層形態(tài)結(jié)構(gòu)特征并選擇重要特征，使用SVM對(duì)NC、穩(wěn)定型MCI患者 、轉(zhuǎn)化型MCI患者進(jìn)行分類研究，得到了較好的分類效果[5]。邁阿密大學(xué)的MOHAMMED et al建立了被試的結(jié)合MRI體積和神經(jīng)心理學(xué)評(píng)分信息的模型，并從中提取特征，使用線性判別分析分類器對(duì)NC，EMCI，LMCI，AD四組被試進(jìn)行了分類研究[6]。印第安納大學(xué)醫(yī)學(xué)院的TRZEPACZ et al使用海馬體積、年齡、受教育程度等信息作為特征對(duì)NC，EMCI，LMCI，AD進(jìn)行了分類研究[7]。北卡羅來(lái)納大學(xué)教堂山分校的CHEN et al構(gòu)建了基于灰質(zhì)和白質(zhì)的腦區(qū)功能連接，并提取特征進(jìn)行特征選擇，對(duì)NC和MCI進(jìn)行了分類研究[8]。

無(wú)向腦網(wǎng)絡(luò)通過構(gòu)建腦功能區(qū)域間的功能連接來(lái)探究特定腦功能區(qū)域間交互作用。盡管如此，功能連接從某種程度上說只可以反映出交互作用的腦區(qū)，而有效連接卻可以反映出交互腦區(qū)間的信息流向與強(qiáng)度。因此，通過有效連接構(gòu)建有向腦網(wǎng)絡(luò)能夠更好地了解大腦皮層腦區(qū)間的交互模式。目前，格蘭杰因果分析(granger causality analysis，GCA)被廣泛應(yīng)用于有向功能連通性分析中[9]。該方法在分析腦功能網(wǎng)絡(luò)時(shí)不需要任何先驗(yàn)知識(shí)，強(qiáng)調(diào)腦區(qū)間相互作用的時(shí)間順序，能夠直觀地反映腦區(qū)或神經(jīng)元之間的信息傳遞的方向性。盡管如此，有向腦網(wǎng)絡(luò)拓?fù)鋵傩苑治鲈贛CI分類中應(yīng)用較少,伊朗的KHAZAEE et al根據(jù)有向腦網(wǎng)絡(luò)拓?fù)鋵傩詫?duì)NC，MCI，AD進(jìn)行了分類研究，并取得了較好的分類效果[10]。目前，還沒有依據(jù)有向網(wǎng)絡(luò)拓?fù)鋵傩詫?duì)NC，EMCI，LMCI進(jìn)行分類的研究。

本研究在靜息態(tài)fMRI數(shù)據(jù)上運(yùn)用GCA方法構(gòu)建了NC，EMCI，LMCI的有向腦網(wǎng)絡(luò)，并計(jì)算了網(wǎng)絡(luò)拓?fù)鋵傩浴Ｔ谔卣鬟x擇部分，使用雙樣本t檢驗(yàn)篩選出組間差異顯著的拓?fù)鋵傩宰鳛樘卣鳎辉诜诸惒糠?，使用SVM算法在3組被試中進(jìn)行兩兩分類研究以此來(lái)輔助MCI的診斷；最后還對(duì)3組被試進(jìn)行了單因素三水平的方差分析，進(jìn)而確定了MCI在早期和晚期形成過程中具有顯著性差異的腦區(qū)。該研究的結(jié)果為MCI的早期和晚期診斷提供了新的視角。

1 數(shù)據(jù)采集

本研究采用的靜息態(tài)fMRI數(shù)據(jù)來(lái)源于阿爾茨海默癥神經(jīng)影像計(jì)劃(Alzheimer's disease neuroimaging initiative,ADNI)數(shù)據(jù)庫(kù)(http://adni.loni.ucla.edu/).該數(shù)據(jù)庫(kù)旨在通過分析各種醫(yī)學(xué)成像數(shù)據(jù)來(lái)研究老年癡呆疾病的發(fā)病機(jī)理及預(yù)防治療手段，此數(shù)據(jù)得到研究者廣泛使用。其中包括33例EMCI被試，32例LMCI被試以及30例NC被試。被試的年齡、性別、MMSE評(píng)分、CDR評(píng)分如表1所示。組間單因素方差分析結(jié)果顯示三組被試在年齡、性別上無(wú)顯著差異，MMSE，CDR評(píng)分有顯著差異。

表1 被試基本信息Table 1 Basic information of participants

在對(duì)靜息態(tài)fMRI數(shù)據(jù)的采集過程中，被試均被要求閉眼靜躺在磁共振掃描儀中。數(shù)據(jù)采集使用飛利浦(3T)MR掃描儀，掃描參數(shù)：slice thickness=3.3 mm;echo time (tE)=30 ms;repetition time(tR)=3 000 ms;48 slices.

2 研究方法

2.1 fMRI數(shù)據(jù)分析

本研究對(duì)采集到的靜息態(tài)fMRI數(shù)據(jù)進(jìn)行了以下分析步驟：數(shù)據(jù)的預(yù)處理，提取時(shí)間序列，對(duì)時(shí)間序列進(jìn)行GCA分析以構(gòu)建有向腦網(wǎng)絡(luò)。

數(shù)據(jù)預(yù)處理主要使用了DPARSF(data processing assistant for resting-state fMRI)工具箱[11]。首先，去除被試所采集數(shù)據(jù)的前10個(gè)時(shí)間點(diǎn)；然后進(jìn)行時(shí)間校正和頭動(dòng)校正，剔除水平頭動(dòng)大于1 mm或者轉(zhuǎn)動(dòng)大于1°的被試；接下來(lái)的正規(guī)化操作將圖像映射到3 mm體素的MNI標(biāo)準(zhǔn)空間，并去除線性漂移；然后進(jìn)行了空間高斯平滑，頻率為0.01～0.08 Hz的低頻濾波，以降低低頻漂移以及生物噪音；最后去除了白質(zhì)和腦脊液等協(xié)變量。

對(duì)預(yù)處理完的fMRI數(shù)據(jù)，采用神經(jīng)影像學(xué)研究中廣泛使用的自動(dòng)化解剖學(xué)標(biāo)簽(anatomical automatic labeling，AAL)模板[12]，將全腦體素分割為90個(gè)感興趣的區(qū)域(region of interest，ROI)，其中左右半腦各45個(gè)。接著對(duì)AAL模板中的90個(gè)腦區(qū)提取時(shí)間序列，以方便進(jìn)一步的有向腦網(wǎng)絡(luò)構(gòu)建，每個(gè)腦區(qū)被視為腦網(wǎng)絡(luò)中的一個(gè)結(jié)點(diǎn)。

2.2 格蘭杰因果分析及有向腦網(wǎng)絡(luò)構(gòu)建

對(duì)90個(gè)腦區(qū)的時(shí)間序列，通過GCA方法計(jì)算兩兩腦區(qū)之間的有效連接強(qiáng)度值，得到一個(gè)90×90的有向腦網(wǎng)絡(luò)連接矩陣。首先，使用REST(resting-state fMRI data analysis toolkit)工具箱(http://restfmri.net/forum/)[13]計(jì)算得到每對(duì)腦區(qū)間的多變量格蘭杰因果系數(shù)；接著，通過設(shè)置合理的自回歸模型階數(shù)，對(duì)90個(gè)腦區(qū)間的格蘭杰因果關(guān)系進(jìn)行計(jì)算。任意兩個(gè)廣義平穩(wěn)的時(shí)間序列(均值和方差不隨時(shí)間變化而變化)X和Y之間的格蘭杰因果關(guān)系可以通過自回歸模型來(lái)定義[14]：

(1)

(2)

在進(jìn)一步的閾值化過程中，選取合適的閾值，將有向圖鄰接矩陣轉(zhuǎn)化為只包含0和1的布爾矩陣，并且設(shè)置對(duì)角線元素均為0以排除自回歸的影響[15-16]。在閾值化后，有向圖中可能存在一些孤立節(jié)點(diǎn)或子圖未連接到主圖中，使整個(gè)網(wǎng)絡(luò)無(wú)法形成一個(gè)連通圖，這給一些圖屬性(比如特征路徑長(zhǎng)度)的計(jì)算帶來(lái)了困難[10]。為此，之后的添加邊操作將分離的子圖連接到了主圖當(dāng)中，使整個(gè)網(wǎng)絡(luò)形成一個(gè)連通圖。但是，添加邊會(huì)使每個(gè)被試當(dāng)中邊的數(shù)目不一致，因此在添加一條邊之前，在連通分支數(shù)不變的前提下，將主圖中權(quán)值最低的邊剪掉。即若有向圖中有n個(gè)連通分支，則先將主圖中權(quán)值最低的n條邊剪掉，再添加n條邊將n個(gè)連通分支連接到主圖中。

2.3 有向腦網(wǎng)絡(luò)特征計(jì)算

根據(jù)每個(gè)被試的有向腦網(wǎng)絡(luò)的鄰接矩陣，本研究計(jì)算了11種局部網(wǎng)絡(luò)特征，包括度(入度和出度)、介數(shù)中心性、局部效率、局部全局效率比、流系數(shù)、全局流路徑、K核中心性、PageRank中心性、節(jié)點(diǎn)強(qiáng)度等；10種全局網(wǎng)絡(luò)特征，包括同配性、聚類系數(shù)、全局效率、平均變化系數(shù)、傳遞性、特征路徑長(zhǎng)度等。所以，每個(gè)被試共有90×11+10=1 000個(gè)網(wǎng)絡(luò)特征，均使用腦連接工具箱(brain connectivity toolbox，BCT)[17]計(jì)算。

2.4 特征選擇及分類

基于局部特征和全局特征的計(jì)算產(chǎn)生了大量的原始特征。一方面，考慮到高維度的特征空間將增大模型的復(fù)雜度，而且會(huì)增大分類器訓(xùn)練和測(cè)試的時(shí)間；另一方面，原始特征集中可能含有冗余或不相關(guān)的特征，這可能會(huì)降低分類器的性能。因此，在分類之前有必要進(jìn)行特征選擇以降低特征空間維度。為此，我們使用了雙樣本t檢驗(yàn)進(jìn)行特征選擇[18-19]，篩選出3個(gè)被試組間兩兩具有顯著性差異的特征用于分類。

隨后的分類過程使用SVM算法對(duì)NC，EMCI和LMCI進(jìn)行分類。SVM分類器的主要思想是尋找一個(gè)超平面，使兩組類別不同的高維數(shù)據(jù)盡可能地遠(yuǎn)離分類超平面。其分類準(zhǔn)確率與預(yù)測(cè)精度均高于同類算法，如聚類分析、判別分析、神經(jīng)網(wǎng)絡(luò)等方法。其特色在于通過核函數(shù)實(shí)現(xiàn)特征空間映射，有效地解決了分類中普遍存在的小樣本、非線性、高維數(shù)和局部極小點(diǎn)等問題[20-21]。

3 結(jié)果

3.1 特征選擇結(jié)果

根據(jù)雙樣本t檢驗(yàn)對(duì)NC，EMCI和LMCI進(jìn)行兩兩比較分析，篩選出了p值小于0.05的特征用于進(jìn)一步的分類，特征結(jié)果如表2—表4所示。

表2 NC vs EMCI特征選擇結(jié)果Table 2 Result of NC vs EMCI feature selection

表3 NC vs LMCI差異Table 3 NC vs LMCI feature selection

表4 EMCI vs LMCI差異Table 4 EMCI vs LMCI feature selection

3.2 SVM分類結(jié)果

基于特征選擇結(jié)果，使用SVM分類算法對(duì)NC和EMCI，NC和LMCI以及EMCI和LMCI三對(duì)被試組進(jìn)行分類研究，結(jié)果如表5所示，NC vs EMCI，NC vs LMCI以及EMCI vs LMCI的分類準(zhǔn)確率分別為88.24%，94.12%，81.25%，并且三組分類的靈敏度均達(dá)到了100%，可以發(fā)現(xiàn)NC vs LMCI的分類效果最好，準(zhǔn)確率達(dá)到94.12%。受試者工作特征曲線(receiver operating characteristic，ROC)如圖1所示。

表5 SVM分類結(jié)果Table 5 Results for SVM classification between every pair of three groups

圖1 有向網(wǎng)屬性的分類ROC曲線Fig.1 Classification ROC curve of the directed network measures

3.3 差異腦區(qū)結(jié)果

對(duì)雙樣本t檢驗(yàn)篩選出的組間有顯著差異的特征進(jìn)行組間單因素三水平方差分析，尋找出比較過程中兩兩間均具有顯著性差異的網(wǎng)絡(luò)特征。結(jié)果顯示，在所有全局特征中，NC，EMCI和LMCI三組間均無(wú)明顯差異(p>0.05).局部特征中，顯著性差異(p<0.05)表現(xiàn)在顳葉區(qū)(顳中回、梭狀回、海馬旁回)、額葉區(qū)(三角部額下回、島蓋部額下回、中央旁小葉)、頂葉區(qū)(楔前葉、頂上回、緣上回)以及枕葉區(qū)(枕中回)。表6為具有顯著差異的全部腦區(qū)信息，從中可以看出，三組被試的右側(cè)顳中回腦區(qū)在出度、度、節(jié)點(diǎn)強(qiáng)度均表現(xiàn)出顯著差異，左側(cè)楔前葉在入度和K核中心性特征上表現(xiàn)出顯著差異，另外三組被試在前扣帶和旁扣帶腦回、豆?fàn)钌n白球也表現(xiàn)出顯著差異。

表6 組間單因素方差分析差異腦區(qū)信息(p<0.05)Table 6 One-way ANOVA results:brain regions with significant difference on network features

如圖2所示，三組被試在局部特征入度、K核中心性、出度、PageRank中心性、流系數(shù)顯示差異的腦區(qū)信息，由于篇幅限制，未將全部局部特征差異腦區(qū)信息一一列出。

圖2 組間方差分析差異腦區(qū)信息差異Fig.2 One-way ANOVA results: brain regions with significant difference on network features

4 討論

本研究運(yùn)用有向腦網(wǎng)絡(luò)拓?fù)鋵傩詫?duì)NC，EMCI和LMCI三組被試進(jìn)行分類，與其他對(duì)MCI患者與正常人的分類研究相比，在沒有增加其他類型數(shù)據(jù)的情況下，實(shí)現(xiàn)了更好的分類效果。梁紅等計(jì)算了無(wú)向腦功能網(wǎng)絡(luò)的節(jié)點(diǎn)屬性，并將異常的屬性值作為分類特征，運(yùn)用支持向量機(jī)算法，對(duì)NC，EMCI和LMCI進(jìn)行了分類研究，實(shí)現(xiàn)了NC vs EMCI，NC vs LMCI，EMCI vs LMCI分類準(zhǔn)確率分別為75.33%，83.79%，78.92%[3]。接標(biāo)等使用一種新型圖核對(duì)NC和MCI以及EMCI和LMCI進(jìn)行分類研究，得到的分類準(zhǔn)確率分別為82.6%和67.7%[4].邁阿密大學(xué)的GORYAWALA et al使用被試的MRI體積和神經(jīng)心理學(xué)評(píng)分信息，使用線性判別分析分類器實(shí)現(xiàn)了NC vs EMCI，NC vs LMCI， EMCI vs LMCI分類準(zhǔn)確率分別為85.6%，90.8%，70.6%[6].印第安納大學(xué)醫(yī)學(xué)院的TRZEPACZ et al使用海馬體積、年齡、受教育程度等信息作為特征對(duì)NC，EMCI，LMCI及AD進(jìn)行了分類研究，得到了對(duì)EMCI，LMCI的平均正確預(yù)測(cè)率分別為62.6%、72.7%[7].北卡羅來(lái)納大學(xué)教堂山分校的CHEN et al對(duì)NC和MCI進(jìn)行了分類研究，得到了NC與MCI分類準(zhǔn)確率為78.70%[8].本文研究的分類準(zhǔn)確率分別為88.24%，94.12%，81.25%，并且三組分類的靈敏度均達(dá)到了100%.三組的分類效果均優(yōu)于以上研究。其中NC和LMCI的分類效果最好，準(zhǔn)確率達(dá)到94.12%，可能意味著在AD病理發(fā)展中，和正常老年人相比，LMCI患者大腦的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)已經(jīng)發(fā)生了較為顯著的改變。

單因素方差分析結(jié)果顯示，差異顯著的的許多腦區(qū)與之前MCI疾病研究發(fā)現(xiàn)的敏感腦區(qū)結(jié)果一致。在顳葉部分，NC，EMCI和LMCI三組被試的左右顳中回、左右梭狀回、左側(cè)海馬旁回在局部屬性上都表現(xiàn)出顯著差異(p<0.05)，與之前MCI疾病許多相關(guān)研究發(fā)現(xiàn)一致[3-8]。KHAZAEE et al通過有向腦網(wǎng)絡(luò)拓?fù)鋵傩苑治霭l(fā)現(xiàn)MCI患者的顳中回的多個(gè)局部屬性值均與正常對(duì)照組存在顯著差異，hub節(jié)點(diǎn)分析結(jié)果顯示左側(cè)海馬旁回是正常老年人腦網(wǎng)絡(luò)中的hub節(jié)點(diǎn)，但在MCI患者中缺失[10]。武政等人研究發(fā)現(xiàn)MCI患者的左右顳中回、右側(cè)梭狀回區(qū)域灰質(zhì)體積發(fā)生了明顯改變[22]。

在額葉部分，三組被試的右側(cè)島蓋部額下回、左側(cè)三角部額下回、左側(cè)補(bǔ)充運(yùn)動(dòng)區(qū)、左側(cè)嗅皮質(zhì)、左側(cè)中央旁小葉在局部屬性上表現(xiàn)出顯著差異(p<0.05)。梁紅等通過無(wú)向腦網(wǎng)絡(luò)拓?fù)鋵傩苑治霭l(fā)現(xiàn)MCI患者右側(cè)島蓋部額下回的局部屬性與正常人相比有顯著差異[3]。接標(biāo)等通過構(gòu)建無(wú)向腦網(wǎng)絡(luò)的圖核發(fā)現(xiàn)MCI患者的左側(cè)三角部額下回、左側(cè)補(bǔ)充運(yùn)動(dòng)區(qū)、左側(cè)嗅皮質(zhì)與正常對(duì)照組相比有顯著差異[4]。郭圣文等分析腦皮層特征發(fā)現(xiàn)MCI患者嗅皮質(zhì)與正常對(duì)照組相比有顯著差異[5]。CHEN et al通過研究灰質(zhì)、白質(zhì)腦區(qū)間的動(dòng)態(tài)功能連接發(fā)現(xiàn)MCI患者的島蓋部額下回、嗅皮質(zhì)、中央旁小葉等腦區(qū)與其他腦區(qū)間的功能連接與正常對(duì)照組相比有顯著的差異[8]。KHAZAEE et al通過有向腦網(wǎng)絡(luò)拓?fù)鋵傩苑治霭l(fā)現(xiàn)MCI患者的左側(cè)補(bǔ)充運(yùn)動(dòng)區(qū)與正常對(duì)照組存在顯著差異[10]。FRISONI et al研究指出在AD病變過程中，患者的感覺運(yùn)動(dòng)皮層功能逐漸缺失[23]，BRIER et al，XIA et al研究也顯示AD患者感覺運(yùn)動(dòng)區(qū)發(fā)生了功能性改變[24-25]。武政等通過無(wú)向腦網(wǎng)絡(luò)拓?fù)鋵傩苑治霭l(fā)現(xiàn)MCI患者的島蓋部額下回、三角部額下回、嗅皮質(zhì)等腦區(qū)的局部屬性值與正常人相比有顯著差異[22]。

在枕葉部分，三組被試的左右枕中回在局部屬性上表現(xiàn)出顯著差異(p<0.05)。CHEN et al通過研究灰質(zhì)、白質(zhì)腦區(qū)間的動(dòng)態(tài)功能連接發(fā)現(xiàn)MCI患者枕中回與其他腦區(qū)的功能連接發(fā)生了顯著改變[8]。

在頂葉部分，三組被試的左側(cè)頂上回、右側(cè)緣上回、左側(cè)楔前葉在局部屬性上表現(xiàn)出顯著差異(p<0.05).接標(biāo)等人通過構(gòu)建無(wú)向腦網(wǎng)絡(luò)的圖核發(fā)現(xiàn)MCI患者的左側(cè)頂上回與正常對(duì)照組相比有顯著差異[4]。GORYAWALA et al研究發(fā)現(xiàn)NC與LMCI患者左側(cè)頂上回皮質(zhì)體積有顯著差異[6]。本研究中左側(cè)楔前葉在入度、K核中心性表現(xiàn)出組間顯著差異。CHEN et al通過研究灰質(zhì)、白質(zhì)腦區(qū)間的動(dòng)態(tài)功能連接發(fā)現(xiàn)MCI患者楔前葉與其他腦區(qū)的功能連接發(fā)生了顯著改變[8]。PEREZ et al[26]研究指出在AD病變過程中左側(cè)楔前葉發(fā)生病變，可能與患者情景記憶被破壞有密切的聯(lián)系。武政等[22]通過無(wú)向腦網(wǎng)絡(luò)拓?fù)鋵傩苑治霭l(fā)現(xiàn)MCI患者的頂上回、緣上回、楔前葉等腦區(qū)的局部屬性值與正常人相比有顯著差異。

此外本研究還發(fā)現(xiàn)了其他具有組間顯著差異的腦區(qū)，包括右側(cè)前扣帶和旁扣帶腦回[3,22]、左側(cè)豆?fàn)顨ず恕⒂覀?cè)豆?fàn)钌n白球，這些差異與已有的研究結(jié)論較為一致。說明MCI患者的認(rèn)知功能障礙并非由少數(shù)腦區(qū)受損導(dǎo)致，而是全腦多個(gè)腦區(qū)均有不同程度的損傷。使用有向腦網(wǎng)絡(luò)屬性進(jìn)行分類實(shí)現(xiàn)了更好的分類效果，進(jìn)一步證實(shí)了MCI的信息傳遞異常是有方向性的。這些發(fā)現(xiàn)都有可能成為MCI的生物學(xué)監(jiān)測(cè)指標(biāo)及評(píng)估病情嚴(yán)重程度的一個(gè)客觀依據(jù)。

5 結(jié)論

本研究采用基于格蘭杰因果分析的方法，構(gòu)建了NC，EMCI和LMCI三組被試的靜息態(tài)有向功能腦網(wǎng)絡(luò)，利用統(tǒng)計(jì)學(xué)方法對(duì)有向腦網(wǎng)絡(luò)拓?fù)鋵傩赃M(jìn)行特征選擇，將具有顯著組間差異的屬性值作為分類特征，使用SVM機(jī)器學(xué)習(xí)算法對(duì)任意兩組被試進(jìn)行了分類研究，實(shí)現(xiàn)了較好的分類效果。說明本研究的方法可以更準(zhǔn)確地度量MCI患者腦網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)變化，從而更好地輔助MCI的診斷，以便及早發(fā)現(xiàn)病情。