| 저자(한글) |
YUAN, Rui-juan,WU, Shui-cai,LIN, Zhong-zhi,HUANG, Chu-zhong,LIN, Qing-bo,WANG, Pei-ning,ZHAO, Yi-ping |
| 초록 |
인식 표현(cognitive performance) 분율과 상관성이 높은 구조 네트워크(structural network)의 위상학적 특성(topological characteristics)을 선택하여 분류 모델을 구축한 후, 정상 노인 및 건망성 경도 인지 장애(amnestic mild cognitive impairment, aMCI) 환자를 분류하였다. 본 연구는 52명의 정상 노인 실험 그룹과 39명의 aMCI 환자 그룹 등 2개 그룹의 확산 텐서 영상(diffusion tensor image, DTI) 데이터를 포함하였다. 2개 그룹의 데이터로 구조 네트워크를 구축하였고, 그래프 이론(graph theory) 분석 방법으로 구조 네트워크 특성을 추출하였으며, 모든 특성과 간이 정신 상태 검사(mini-mental state examination, MMSE) 척도 분율에 대하여 상관성 분석을 진행하여 인식 표현 분율과 관련성이 높은 특성을 선택하였다. 그리고 해당 특성을 토대로 5종 분류 모델을 구축하였으며, 또한 모델의 분류 효과에 대하여 평가하였다. 정상 노인 데이터에서 18개의 인식 능력과 뚜렷한 관련성이 있는 구조 네트워크 특성을 선택한 결과, 주로 자동화 해부학적 레이블링(automated anatomical labeling, AAL) 영상 스펙트럼의 9개 대뇌 영역에 분포되었으며, aMCI 데이터에서 18개의 인식 능력과 뚜렷한 관련성이 있는 구조 네트워크 특성을 선택한 결과, 주로 AAL 영상 스펙트럼의 9개 대뇌 영역에 분포되었다. 그러나 양자에서 선택한 특성 및 분포된 대뇌 영역은 서로 달랐다. 분류 모델을 평가한 결과, 서포트 벡터 머신(support vector machine) 서열 최소 최적화 알고리즘으로 구축한 모델의 분류 효과는 가장 좋았으며, 특이성 88.46%, 민감성 83.05%, 정확성 85.71%에 도달하였다. 추출한 인식 표현과 관련성이 높은 구조 네트워크 특성을 생물학적 표지 지표로 하고 구축한 분류 모델로 정상 노인 및 aMCI 환자를 분류하여 대응되는 대뇌 구간의 연결성 변화 정보를 제공할 수 있었다. |
