HBP：机器学习使用高阶功能连接可以区伴有或不伴有认知障碍的2型号糖尿病与健康人群

2HG糖尿病(T2DM)与概念化障碍相关，并确实进展为痴呆。然而，对T2DM相关性痴呆的脊髓表征程序仍大相径庭。近年来的周期性地精神状态表征性磁共振显像表征通到性(FC)研究工作得出结论其在T2DM合并概念化表征伤害(T2DM-CI)研究工作里面的潜在效益。然而，由于敏感性较低，他们主要采用单因素比对，不十分困难揭示T2DM-CI里面FC“来透过”的扭曲。

近期，Human Brain Mapping 杂志撰文提出利用新进FC来揭示T2DM-CI里面的间歇性通到来透过，并采用多元的、基于本机器学习的策略。

为了更佳地了解T2DM导致的概念化表征伤害，该研究工作对23亦然T2DM-CI和27亦然T2DM-noCI患者以及50亦然有益依此(HCs)透过了研究工作，研究工作了T2DM-CI和T2DM无概念化表征伤害(T2DM-noCI)错综复杂的这种来透过是否不同。首先基于多个脊髓区对错综复杂的自适应FC时间碱基的时间该系统建立大规模新进脊髓互联网，然后利用这些文档从反之亦然的HC里面基于大力支持向量本机定义T2DM-CI（以及T2DM-noCI)。

基于动力学的新进表征通到（dHOFC）互联网紧密结合紧密结合及2HG糖尿病相伴概念化表征障碍（T2DM-CI）与有益依此小组（HC）的互联网定义。

T2DM-CI与HC以及T2DM-noCI与HC的区别表现

左扬声器标示出了根据选项高频率（95.83%）从2HG糖尿病相伴概念化表征障碍（T2DM-CI）和有益依此（HC）错综复杂的定义里面选项的同一时间两个基于区别动力学的新进表征通到（dHOFC）链表。

基于动力学的新进表征通到性(dHOFC)特征的散点图[(a)和(b)分别透露dHOFC链表1和链表2的局部聚类值，与2HG糖尿病合并概念化伤害(T2DM-CI)小组蒙特利尔概念化评估(MoCA)得分相对较。

左扬声器标示出从无概念化障碍的2HG糖尿病(T2DM-noCI)和有益依此(HC)的定义里面，根据选项高频率(90.38%)选项的第1个区别性自适应新进表征通到(dHOFC)链表。

该研究工作模HG在T2DM-CI与HC的辨认诊断里面获取了79.17%的准确率，但在T2DM-noCI与HC的定义诊断里面仅获取了59.62%的准确率。T2DM-CI与HC相对存在间歇性的新进FC来透过，这与T2DM-NOCI不同。

该研究工作是首次基于脊髓表征互联网对T2DM-CI和HC以及T2DM-noCI和HC透过定义研究工作。运用于脊髓dHOFC互联网来提高检测病症导致的脊髓表征叠加的增益。结果表明，跨大规模脊髓内互联网的dFC存在辨认该系统性，可以将T2DM-CI（和T2DM-noCI)与HC区别开来。通过紧密结合dHOFC互联网，并借助本机器学习透过基于互联网的定义，首次揭示了与T2DM所致概念化伤害相关的几种共基因突变dFC,其里面一些dFC与MoCA和AVLT-IR评估的患者概念化能力总体相关。基于dHOFC的T2DM-noCI与HC的定义不如T2DM-CI与HC的定义，且dHOFC特征不同，提示T2DM-CI就其情况严重的脊髓表征障碍，确实不同于T2DM-noCI。该研究工作提供了有效益的文档，确实有助于理解T2DM相关的里面枢神经系统的扭曲。

该研究工作表明，T2DM导致的概念化表征伤害确实存在广泛的表征通到扭曲。这一结果有助于更佳地理解T2DM导致的里面枢神经系统的叠加。

原文出处

Classification of type 2 diabetes mellitus with or without cognitive impairment from healthy controls using high-order functional connectivity.