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型糖尿病与健康青年人

2M-肾病(T2DM)与理解障碍具体，并可能会成效为痴呆。然而，对T2DM具体性痴呆的大脑特性本有助于仍知之甚少。近年来的静息状态特殊性医学影像成像特性连接起来性(FC)研究课题证明了其在T2DM分割理解特性受到影响(T2DM-CI)研究课题中所的潜在意义。然而，由于敏感性极低，他们主要采用单因素统计分析，不适于阐释T2DM-CI中所FC“模式”的扭转。

早先，Human Brain Mapping 杂志发表文章重申利用低级FC来阐释T2DM-CI中所的诱发连接起来模式，并采用多元的、基于本机器学习的解决方案。

为了好处地了解T2DM造成的理解特性受到影响，该研究课题对23例T2DM-CI和27例T2DM-noCI患者以及50例卫生相符合(HCs)展开了研究课题，研究课题了T2DM-CI和T2DM无理解特性受到影响(T2DM-noCI)二者之间的这种模式到底各有不同。首先基于多个大脑区对二者之间的高效率FC星期基因组的星期并行建立大规模低级大脑因特网，然后利用这些的资讯从意味着的HC中所基于支持向量本机界定T2DM-CI（以及T2DM-noCI)。

基于动力学的低级特性连接起来（dHOFC）因特网构建框架及2M-肾病常在理解失调（T2DM-CI）与卫生相符合组（HC）的因特网界定。

T2DM-CI与HC以及T2DM-noCI与HC的区别展现

右下基板说明了了根据为了让频带（95.83%）从2M-肾病常在理解失调（T2DM-CI）和卫生相符合（HC）二者之间的界定中所为了让的前两个基于区别动力学的低级特性连接起来（dHOFC）节点。

基于动力学的低级特性连接起来性(dHOFC)外观上的散点图[(a)和(b)分别问到dHOFC节点1和节点2的局部聚类系数，与2M-肾病分割理解受到影响(T2DM-CI)组蒙特利尔理解分析(MoCA)得分举例来说。

右下基板说明了从无理解障碍的2M-肾病(T2DM-noCI)和卫生相符合(HC)的界定中所，根据为了让频带(90.38%)为了让的第1个区别性高效率低级特性连接起来(dHOFC)节点。

该研究课题模M-在T2DM-CI与HC的辨认检验中所赢取了79.17%的精准度，但在T2DM-noCI与HC的界定检验中所仅赢取了59.62%的精准度。T2DM-CI与HC相比依赖于诱发的低级FC模式，这与T2DM-NOCI各有不同。

该研究课题是首次基于大脑特性因特网对T2DM-CI和HC以及T2DM-noCI和HC展开界定研究课题。用作大脑dHOFC因特网来提高检验传染病造成的大脑特性波动的灵敏度。最近，串连大规模大脑内因特网的dFC依赖于辨认并行性，可以将T2DM-CI（和T2DM-noCI)与HC区别泛化。通过构建dHOFC因特网，并借助本机器学习展开基于因特网的界定，首次阐释了与T2DM诱发理解受到影响具体的几种共变异dFC,其中所一些dFC与MoCA和AVLT-IR分析的患者理解能力显著具体。基于dHOFC的T2DM-noCI与HC的界定不如T2DM-CI与HC的界定，且dHOFC外观上各有不同，提示T2DM-CI涉及严重的大脑失调，可能会各有不同于T2DM-noCI。该研究课题提供了有意义的的资讯，可能会有助于理解T2DM具体的中所枢神经系统的扭转。

该研究课题表明，T2DM造成的理解特性受到影响可能会依赖于广泛的特性连接起来扭转。这一结果有助于好处地理解T2DM造成的中所枢神经系统的波动。

文中所记事

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