文摘

阿尔茨海默氏症的一个定义特征是难以检索的语义记忆,或记忆编码的事实和知识。虽然有人建议,这种损伤退化引起的语义存储、精确的语义存储是退化的方式不清楚。使用纵向语料库的语义流畅性数据(清单项目的类别),我们得到的语义网络表示阿尔茨海默氏症患者和健康对照组。我们基于网络的方法对比分析流畅性数据与标准方法计数项的总数和执拗的流畅性数据。我们发现阿尔茨海默氏症患者的网络有更多的联系,这些联系是随机分布比健康人的连接网络。这些结果表明,语义记忆障碍的老年痴呆症患者可以通过包含寄生关系建模概念语义无关的商店。我们也发现信息从我们的网络流畅性数据的分析改善病人诊断的预测相比,传统的语义流畅性任务的措施。

1。介绍

阿尔茨海默病(AD)是一种使人衰弱的神经退行性疾病,影响全世界约4600万人(1]。广告的一个定义特征是语义记忆检索(即增加了困难。陈述性知识的事实和概念)。广告有困难患者命名对象(2),匹配语义相关图片(3),并确定词语的语义特征(4]。尽管有许多神经心理测试用于测量语义障碍由于广告,这些赤字产生的机制并没有被隔离。虽然一些研究表明这些赤字将退化的语义记忆存储的编码概念心里(5- - - - - -7),其他证据指向检索困难的记忆从一个完整的语义记忆存储8- - - - - -10]。

解决这场争论的困难之一是语义记忆存储不是直接可见。为了解决这个问题,开发了计算模型来解释语义记忆是代表和推断潜在机制负责内存检索(11]。然而大多数技术估计语义表示假设一个共同的知识表示为一组,包括患者群体(5,12]。这是问题分析广告的人作为他们的障碍往往是异构(13,14]。聚集在检索数据的许多病人来估计一个组的代表可能会导致估计表示,并不会像任何个人在人口15,16]。在本文中,我们使用语义网络的模型如何编码记忆的事实和知识,开发一种方法估算网络从内存中检索数据,并使用它来分析数据从个人与广告和健康对照个体和横断面的水平。

有一个历史悠久的建模语义知识使用语义网络(17,18),一个抽象的概念是如何组织的代表。在一个语义网络中,节点和表示的概念语义相似度由边缘连接双节点。近年来,网络科学的进步改善了我们理解语义记忆通过提供工具来量化网络是如何组织(19),结果被用来探讨概念语义网络知识是创造力等影响因素(20.,双语21)、年龄(22),等等。

最常用的诊断任务语义记忆障碍是语义流畅性任务(23),参与者列出尽可能多的物品从一个类别(例如,动物)在短时间内(例如一到三分钟)。这个测试是几种流行的一部分神经心理学电池,包括认知语言快速测试(24和统一的数据集25]。传统上,流畅的任务是通过计算分执拗的数量(重复)上市的参与者,以及列出的条目的数量,不包括执拗和错误(反应不是目标类别中)。患者与健康对照组相比,广告通常更少的项目列表(26和持续重复率较高27]。即使在个体发生前症状,执拗的流畅性任务与未来相关认知能力下降(28,列出的条目的数量与病理标记有关的广告(29日]。

然而语义流畅性数据也可以用来估计语义网络的团体或个人30.,31日]。这是可能的因为语义流畅性数据集群(32:个人通常按顺序列出多个语义相关的响应。清单的动物,例如,当一个参与者可以列出一系列宠物(如狗、猫,仓鼠),然后切换到一个新的集群(例如,动物园的动物等长颈鹿、狮子,河马)。因为语义相关的词通常出现在彼此附近流利列表中,词的语义网络关联可以从语料库的估计数据流畅。

在本文中,我们使用一个随机游走模型的语义记忆检索(31日,33)的纵向数据集语义流畅性AD患者和健康对照组的数据以估计的语义网络表示个人和调查机制由于广告负责受损的表现。我们比较这些表示,找到系统的语义表征的结构差异AD患者和控制参与者。这个基于网络的语义流畅性数据的分析提供了额外的洞察特定的认知机制,导致记忆障碍通过识别个人的语义网络的属性之间的关联和受损的行为表现。

模型性能受损,我们扩展的随机游走模型语义记忆检索(33在语义流畅性数据)占执拗。执拗的语义流畅性数据建模为错误造成的故障监测过程与工作记忆有关,这是符合当前神经精神病学的研究(34]。我们提出一个生成计算模型占执拗的流畅性定量数据和证明它可以捕获这个监控过程损伤的严重程度。

2。材料和方法

2.1。参与者和设计

我们获得了一个纵向的语义流畅性数据从圣地亚哥加州大学的Shiley-Marcos阿尔茨海默病研究中心(ADRC)。1985年和2016年之间的数据收集自抗扰控制器的一部分目标更好地了解阿尔茨海默氏症。流畅的数据用于分析部分与数据提出了从这个自抗扰控制器在以前的出版物(例如,35])。

每个参与者参观了实验室期间大约每年一次对语义流畅性任务的参与和测试更长的神经精神考试的一部分。参与的平均时间大约是9年每个参与者(即。,most participants began after 1985 and/or discontinued participation prior to 2016.) Participants included healthy individuals, as well as those who were already diagnosed with AD or other memory-related issues. At each visit, patients were given a clinical diagnosis using the National Institute of Neurological and Communicative Disorders and Stroke-Alzheimer’s Disease and Related Disorders Association (NINCDS-ADRDA) scale [36]。这个评估是基于多个来源,包括参与者的表现细微精神状态检查(37]。感兴趣的,这些诊断包括“正常控制”(NC)和“疑似广告”(PAD),但数量较小的参与者给予其他诊断(如“轻度认知障碍”或“额颞叶痴呆”)。我们分析关注广告和无关痴呆,我们限制我们的分析的数据集只访问一个参与者被诊断为数控或垫;所有其他访问被排除在外。诊断的广告使用NINCDS-ADRDA规模已经发现有很好的敏感性和特异性相比尸检病理报告(38];然而,规模是有限的,它不占次要诊断(例如,一些病人诊断为垫也可能病理路易体痴呆的迹象)。新阿尔茨海默氏症的临床定义已经随着时间的推移,特别是利用体内生物标志物检测对诊断(例如,39])。然而由于纵向数据集的性质,使用一个固定的分类方案。

动物每访问语义流畅性任务持续了一分钟。参与者大声叫动物,实时写在纸上的研究人员进行的任务。总的来说,我们转录1047动物流利列表来自123名参与者(60%的女性,平均年龄71.4第一次访问,34 - 90)范围。这组的参与者不包括任何个人没有至少三个流利列表时诊断为数控三个流利列表时诊断为垫。这些列表是不重叠的。例如,参与者2数控和2垫直接访问被拒绝(不包含在123人)。参与者1 3数控和垫访问将有自己的数控访问分析,但不是他们垫。其中,248列表来自41个参与者被诊断为垫的访问(51%为女性,平均年龄75.2,范围61 - 90),而799列表生成84参与者被诊断为数控的访问(64%为女性,平均年龄69.5岁,范围34 - 86)。这些参与者池overlapped-2参与者被诊断为数控和垫(在不同的访问)。

2.2。网络评估模型

作为评估无向当前的最佳实践建议,未加权的语义网络从流畅性数据(31日),我们使用U-INVITE推断网络为每个单独的流畅性数据。U-INVITE方法估算网络由审查生成随机游走假设流利数据网络(33,40]。假设一个人的流利数据由审查生成随机游走,U-INVITE使用贝叶斯推理估计最可能的网络。审查的随机漫步,在走路时观察到他们第一次遍历,但“审查”(未被注意的)后续遍历。例如,如果一个随机游走网络上产生列表“狗、猫、仓鼠、猫、狮子、“审查列表将“狗、猫、仓鼠、狮子”——第二次发生的“猫”是审查(见图1)。这个模型可以近似人类流利数据在许多方面33,41]。以前的工作集中在健康个体,审查过程是确定的,不产生持续重复的(重复项)。重复项在语义流畅性任务是阿尔茨海默氏症的一个特征数据流畅。占执拗,我们修改这个程序,使生成的数据的审查随机漫步:重复项发出一些未知的概率审查的概率 。当 ,审查是确定的(即。,no items are ever repeated in the censored random walk) and it is equivalent to the previous model.

在这种模式下,给定一组语义网络的概率流利的列表 是 在哪里表示一个无向和未加权的网络,(为每一个和 )是1或0表明是否之间存在一条边与指标相关的两个概念和 。的可能性产生任何流利列表给出一个网络产品列表的所有转换概率,的概率乘以观察初始项 在哪里表示th项的th流利列表,表示项目的数量列表。我们假设的概率的初始列表中的一个项目是限制一个无限长的概率随机漫步遇到项的节点(平稳分布的随机漫步在网络上): 在哪里表示网络中节点的数目(即。,the total number of unique responses across all lists in )。换句话说,一个初始的概率列表中的一个项目连接的边数成正比这一项 。在(3)和其他地方,我们使用一个项目的下标标签和指数在一个交换矩阵(即。,如果 ””,然后表示“狗”之间是否存在一条边和物品标签索引在 )。

每个转移概率可以建模为一个吸收随机游走。首先,我们翻译链接矩阵转移概率矩阵 ,在哪里

我们重新排列的行和列在订单列表(相同的顺序 ),我们表示为 。没有出现在的物品被排除在 。当持续重复的发生在 ,只保存在第一次出现(每个节点最多出现一次 )。

对于每一个转移概率 这是计算,分解成子矩阵: 在哪里表示节点之间的转换观察目前被认为前过渡到节点(即。,nodes in )和表示从以前观察到的节点(即新节点。中,节点 )。0和表示0和单位矩阵的矩阵,分别。然后我们定义作为 和作为

表示的概率从任何先前观察到的节点过渡到另一个先前观察到的节点而被审查。表示的概率过渡从任何先前观察到的节点要么一个新节点或先前观察到的节点不审查。而是相同的尺寸吗 , 大于 : 包含相同的行数 ,但的列数等于总数独特的项目吗 。

我们可以计算转移概率 在哪里表示独特的商品上市前的数量(即。,the number of rows in )。 马尔可夫链的基本矩阵的转换(42]: 和表示预期的次数一个马尔可夫链从节点在转移矩阵将访问在被吸收。

我们得到的先验概率网络使用一个未加权的和无向语义网络构建自由协会的规范编制的南佛罗里达大学(普遍服务基金;(43])。这些规范被要求超过6000个参与者反应生成一组线索词与第一个有意义相关的词;例如,如果提示词是“汽车”,参与者可能回应“道路”。从这些规范,我们提取所有动物cue-response配对(如“dog-cat”)和构造的语义网络的每一个双边缘。160年的网络由动物和393的边缘。

我们假设先验概率优势的网络是根据是否发生在普遍服务基金二项分布网络: 当之间存在一条边和在普遍服务基金网络 当一个普遍服务基金网络中不存在,和 当或(或两者)不存在的普遍服务基金网络。这些自由参数推导出利用zero-inflated beta-binomial之前,如Zemla的层次模型和所述Austerweil [31日),但治疗普遍服务基金网络作为唯一固定之前网络。因此, 对所有和在 。考虑到数据,我们试图找到网络,最大化后验概率:

我们通过随机搜索在网络上这样做。我们随机切换网络中的优势和接受边缘变化后的后验概率网络边缘变化大于之前的网络边缘变化的后验概率。我们使用一组启发式来决定哪些边翻转并设置一个公差值,这样网络“收敛”300年之后边翻转,不增加 。进一步的细节,请参阅Zemla和Austerweil31日]。每一个成功的边缘切换后,我们执行一个网格搜索找到的最优值 考虑到网络。我们假设的先验概率均匀分布在这些值。

2.3。参与者网络和模拟网络

我们估计一个语义网络为每个参与者的诊断(数控或垫)组合数据集。每个参与者至少有三个流利列表可用来生成一个网络。总共125个语义网络生成:84数控网络和41垫网络。这包括两个参与者从阿尔茨海默氏症诊断和健康都一个NC和垫网络。(超过2参与者的数据集从数控转换垫,但只有2参与者至少三个数控和三个垫列表需要估计两个网络)。剩下的参与者(82数控和39垫)只有一个网络。垫网络从平均6.05列表生成网络(范围3 - 10),而数控网络从平均9.51列表生成网络(范围3-26)。

我们垫相比网络数控网络使用以下措施:网络的节点数量、直径、密度、平均/平均节点度、平均最短路径长度、聚类系数、和小世界系数。这些措施进一步定义表1。

参与者更流利列表(和再流利列表)通常会有语义网络,有更多的节点和边。这是混淆,因为大多数网络属性(如直径、平均最短路径长度)是影响网络中节点和边的数目。这使得我们很难推断能力的直接比较数控和垫网络,网络不同的用于生成的数据量。

为了缓解这个问题,我们分析了每个网络通过比较它自己的一组模拟网络由以下程序:对于每个参与者,我们每个流利列表生成一个随机排列,在每个列表的顺序是任意的。然后我们估计一套网络交换列表使用相同的过程实际网络。我们为每个参与者重复这个过程五十次。这个过程可以确保每个模拟网络有相同数量的节点作为其相应的参与者网络。这也保证了个体间的差异不仅仅是由于动物的分布频率差异列表。使用这些模拟网络,我们可以定义一个分布假设下的任何网络测量值单词列表中的任意命令。使用这个引导过程,我们可以使用标准的假设检验技术测量参与者的语义网络如何偏离其他可能的网络,可以推断(相同数量的流畅性数据)。

3所示。结果与讨论

3.1。语义网络的属性和模型参数

估计语义网络是可用的补充材料(可用在这里)。一个语义网络一个垫的参与者,一个数控参与者如图2。

外周动脉疾病患者更少的物品/列表列出数控患者相比, , , , ,和每个列表也有较高的执拗, , , , 。我们应用韦尔奇校正和整个论文由野生每当差异被认为不平等。这些修正测试的意义(即变化。,他们没有影响决定拒绝零假设)。

描述性的目的,我们提出一个原始对比垫和数控网络不使用模拟网络的调整。(许多的因素我们检查有一定程度的相关性。一个完整的因素之间的相关矩阵提供的补充材料)。总结每个网络类型的网络的属性如表所示2。垫网络出现不同数控网络在许多方面。平均数控网络比垫有更多的节点网络,反映出这一事实外周动脉疾病患者列表独特的动物比数控参与者少, 。相比之下,网络密度, ,和有一个小的直径, 。垫网络密度的增加可能反映了虚假关联的数量的增加。这与先前的行为结果是一致的;例如,陈,黄油、鲑鱼和麦奎尔(46)发现,一群AD患者没有匹配的动物名称的图片,他们倾向于把动物分成非典型类别。

也许是因为他们更密集,垫网络的平均最短路径长度较短, 。数控网络意味着更高的学位, ,这意味着健康的控制网络,平均而言,比广告网络更多的语义关联的概念。广告和数控网络不平均程度不同( )或在他们的集群系数( )。

是有一个小时,能生成小世界网络的平均最短路径长度但高聚类系数(47]。小世界网络是有效的布线成本低(即。,few edges) but allow fast communication between any two nodes in a network [48]。先前的研究已经表明,语义网络small-world-like [49]。小世界网络中常见的语言(和其他领域),也许是因为他们从一个简单的优惠附件学习机制49,50],新学到的单词,并更有可能在现有的语义网络连接到其他高度单词比低度的单词。

Small-worldness可以量化为一个网络的聚类系数的比例相对于随机网络,在网络的平均最短路径长度的比例相对于随机网络(45]。网络具有小世界系数大于1是小世界网络。我们发现垫小世界网络大大减少像数控网络相比, ,表明健康的语义网络的高效互连AD患者退化。

此外,外周动脉疾病患者通常有较高价值的持续重复的参数 , 。嘈杂的审查下随机漫步的框架,这表明内部监控过程的外周动脉疾病患者(确定一个词一直说以前)受损相对于数控参与者。这可能是预期,鉴于外周动脉疾病患者有更高的利率持续重复的数据,尽管较高的执拗流畅的数据并不能保证更高的价值 。这样做的原因是,网络结构影响的总数发生一个执拗的机会。例如,在一个完全连接网络,一个固定长度的未经审查的随机漫步会产生执拗少于未经审查的长度相同的随机漫步在一个线性网络。

3.2。调整网络属性

当我们观察到许多垫和数控网络之间的差异,很难判断这些差异是由于两组的心理表征或者他们是否因为垫网络出现,平均而言,产生的数据量低于数控网络。我们调整为每个参与者通过构造相应的模拟网络的网络。所描述的“参与者”网络和模拟网络分段,这些网络是由交换流利每个参与者列表并使用U-INVITE生成一个新的网络。然后我们计算增量指标通过减去一个参与者网络测量的模拟网络的平均水平。例如, 在哪里表示参与者网络的平均最短路径长度和表示模拟网络的平均最短路径长度配合参与网络 。(在这里,我们使用50在分母上,因为我们为每个参与者生成50个模拟网络的网络)。

虽然数控和垫网络意味着较小程度与模拟同行相比,模拟和参与者网络之间的差异比数控网络小垫网络, , , , 。相同的模式适用于网络的平均度, , , , 。数控和垫网络都有一个更大的平均最短路径长度和模拟网络相比,但又垫网络明显接近模拟同行, , , , 。数控和垫网络也有较大的直径比相应的模拟网络,虽然垫网络更接近他们的模拟网络, , , , 。总的来说,这些结果表明,在许多方面,垫网络更像是网络生成的随机生成的(即。排列)流利列表。相比之下,数控网络截然不同网络估计从随机生成的列表。

虽然数控和垫网络密度和集群相对于模拟网络同行,δ分数本身不不同团体之间的密度( )或聚类系数( )。

我们不提供small-worldness或比较调整他们的模拟网络(虽然他们的原始值表中列出2)。与其他网络措施不同,small-worldness明确测量作为一个比例相对于集群和随机(Erdos-Renyi)网络的最短路径长度(见[45),所以不需要校正。此外,不是本质上与网络规模和不需要纠正。

3.3。网络关系的措施和阿尔茨海默氏症的诊断

我们使用逻辑回归来识别网络诊断措施和参与者之间的关联(数控或垫)在几个不同的模型(交互条款排除,以避免组合爆炸的参数)。在临床设置,语义流畅性任务通常是通过检查得分只有响应给定的总数和执拗。在基线模型中,我们使用这两个因素作为自变量以及多年的教育,这是普遍认为与阿尔茨海默病(51]。数量的反应和持续重复率都显著相关诊断( ),就像模型作为一个整体( , , , )。尽管垫参与者可靠地不同于数控参与者在多年的教育, , ,多年的教育没有明显与诊断相关的基线模型( )在控制了其他因素在模型中。

我们这个基线模型相比最大模型,包括10个额外的因素。随着基准模型的三个因素,我们包括每个网络的措施与细微精神状态检查(即性能。如图,这些措施3:small-worldness,节点数,密度,意思是学位,意思是学位,最短路径长度,最短路径长度, ,直径,直径)。这个最大方差的模型还解释了很大一部分参与者诊断( )。见表3。

我们还进行了一次探索性的步进式回归模型使用双向消除从最大模型。最适合的模型( , , )包含五个因素:反应的总数,持续重复率,意思是学位, ,和直径。四个因素分别显著( )当一个(直径)没有( )。该模型优于基准和以AIC最大模型,模型选择准则,处罚模型与多个参数(52]。

此外,我们进行了交叉验证的数据来预测每个人使用的诊断的三个模型。交叉验证是使用split-halves执行,随机采样,同时保留的整体比例数控和垫每一半的参与者(即。在每个训练样本,67%数控)。这个过程被重复数据集5000倍。

步进式模型和最大模型优于基准模型在预测诊断的准确性(平均使用措施 , , )和F1(平均分数 , , )。调和平均数的F1分数表示精度和召回。它经常用于信号检测分析平衡需要正确地预测阳性病例,避免假警报。范围从0到1,1代表完美的精度和召回。崩溃的冲击,错过,假警报,并纠正拒绝为每个模型如表所示4。这些结果表明,网络因素可能有助于预测病人诊断。然而,因为每个模型的因素是基于观察整个数据集,选择未来的工作需要验证这些模型在一个独立的数据集。

4所示。结论

使用语义流畅性数据的纵向语料库,我们估计动物语义网络为个人分为健康(正常控制)或可能的老年痴呆症患者。这些网络显示系统的心理表征两组之间的差异。健康的语义网络大,密度较低,含有更多的关联(即每个概念。,更高的平均程度)。使用引导方法生成模拟网络,我们发现阿尔茨海默氏症网络明显接近模拟网络产生的随机排列参与者的数据。相比之下,健康的网络更small-world-like,符合语义网络文献[49和人类语言53,画一个平行于发现大规模small-world-like AD病人的大脑网络也低于健康对照组(54]。

这些结果证实了先前的结果显示非典型关联广告的语义表征患者(46,55]。使用当前的最佳实践来估算语义网络,我们的研究结果证实的Lerner et al。12]发现未经广告语义网络密度较低和small-world-like较少,有较小的直径和更高的平均节点度。

然而这些广告和控制语义网络之间的差异应该解释的流程和数据用于构造:使用审查随机游走模型(或天真的随机游走模型所使用的12]),较小的数据集(即。,fewer fluency lists or shorter lists) that are evenly generated at random produce smaller networks (i.e., fewer nodes), which distorts many network properties. In contrast to previous work, we adjusted for this potential confound by comparing each network to a null model (i.e., mock networks) that assumes items in a fluency list do not have any sequential dependencies. This procedure revealed that some findings, such as the difference in the density of networks between groups, may be artifacts of the methodology used to construct networks. Future work should test the robustness of our results against different methods for constructing networks (e.g., [30.])以及其他零模型:例如,陈et al。5)构建网络使用三合一的比较数据,使所有参与者网络具有相同数量的节点,而Kenett et al。56)比较估计网络Erdos-Renyi随机网络的大小相同。该领域尚未达成共识最合适的空模型用于网络相比,尽管它很可能,每一种方法的优点和缺点。

先前在患者语义映射语义记忆障碍已被批评为是方法论上的不足(15]。这种批评来自建设集团的一部分网络平均的代表个人,谁可能有独特的障碍。与先前的研究[5,12),我们的研究是第一个估计患者个人广告的语义网络表示。此外,Verheyen et al。16用于地图]表明,先前的方法语义表征(如多维标度或奇异值分解;参见[57)不能产生稳定的表现,即使产生随机样本相同的个人数据。虽然这是一个问题,我们的方法生成语义网络理论和数学不同于这些批评的方法。他们批评的工作使用评估技术是可交换的,这意味着项目列表中的顺序并不影响估计表示。我们的方法是交换。变化的顺序在一个列表上的项目影响的概率估计网络由于早期的项目不太可能比后来受到审查项目。此外,Zemla和Austerweil31日]发现确定的审查版的我们的方法估算网络从流畅性数据实证有效:估计边缘被认为有很高的语义相似性成对相似性评级nonedges相比。

同样,Verheyen et al。16]表明,也许语义流畅性数据不能可靠地估计语义表示因为语义流畅性任务利用其他认知过程除了表示。我们同意,我们谨慎使用我们的研究结果来支持一个纯粹的存储赤字(而不是检索赤字)的广告。经过审查的随机游走模型的内存检索基于我们的网络推理方法(31日]假设语义检索是偏向项语义上类似于最近检索的内容。虽然这是公认是真的,精神搜索也依赖于额叶过程是独立的(语义表示58]。未来的工作可能会修改审查随机游走模型,该模型允许随机或战略跳跃(33,41集群),反映了一个显式的转换组件(或“重启”的搜索过程)和可能的影响区分表示和执行精神搜索功能。尽管先前的研究表明这些跳跃不需要模型健康流畅性行为,他们可能会扮演一个角色建模时的行为与记忆障碍人群。此外,我们发现不同工作记忆监测过程,数控和AD患者(差异就体现了这一点 )更紧密地结合检索,而不是存储赤字。广告的语义障碍患者很可能是部分原因是这两个存储和检索赤字,和我们的结果显示一个模型,解释了这些障碍通过交互的两个。

我们当前的方法的一个限制是,我们只看动物类别语义网络的结构。尽管动物流畅性任务是非常常见的在心理学文献和临床实践中,它可能不是最好的代表一个人的整体语义记忆。德拉朋纳(Chan鲑鱼,59)发现,虽然动物范畴的语义表示在广告受损,工具类别仍然基本完好无损。虽然集中在动物分类广告是有用的对于识别语义下降的病人,更广泛的光谱分类的分析可以提供一个更为整体的语义记忆障碍的广告。

最后,我们发现网络措施纳入一个逻辑回归模型提高预测参与者诊断,甚至调整后增加数量的参数。这表明,一个基于网络的方法也许可以解释的方差比传统的评分方法的语义流畅性任务,可以提高识别阿尔茨海默氏症患者。

目前的研究强调了潜在语义网络的结构属性的个体差异和没有阿尔茨海默氏症,但对计算过程,提出了额外的问题可能产生这些变化。当患者从健康受损,改变它们的语义网络更好的建模边的添加或删除,或二者的组合呢?小幅删除(或增加)的随机网络,或者做这些改变发生在网络中可预测的位置吗?例如,边缘变化更可能在高度节点?他们从“感染”节点传播吗?我们目前的结果表明,这一过程增加了伪随机边探索,可能是一个不错的候选人,但还需要进一步的研究。

在上面的分析中,我们只考虑两个诊断要点:健康(NC)和可能的阿尔茨海默氏症的诊断(PAD)。未来的研究应该检查患有轻度认知障碍,之间的一个中间阶段健康和阿尔茨海默氏症,以及跟踪个人的网络随时间而变化。在这一过程中,它可能会发现解释健康之间的过渡的动态过程和受损的网络。虽然广告传播的生物模型假设(例如,60]),没有这样的流程提出了语义网络的算法水平下降。

我们相信我们的结果代表第一次尝试估计单个语义网络从心理上合理的流程模型,以评估记忆障碍。未来的研究可以扩展这种方法在很多方面。许多临床人群除了老年痴呆症患者受损的语义流畅task-including那些亨廷顿氏舞蹈症(61年[],额颞叶痴呆62年),和语义痴呆(63年]。研究发现,这些团体可能有不同的行为特征语义流畅性任务,也许他们的语义网络是不同的。

总的来说,我们发现语义流畅的网络分析数据可能改善阿尔茨海默病的诊断,同时提供线索的认知机制,导致损伤语义流畅性任务。这种方法可以提供一个有用的工具来评估其他神经精神障碍,并提供新的见解如何存储和检索的语义知识。

数据可用性

使用的数据来支持本研究的结果中包括补充材料。

的利益冲突

作者没有利益冲突的声明,财务或其他。

确认

我们感谢比尔Heindel大卫鲑鱼,圣地亚哥加州大学的Shiley-Marcos阿尔茨海默病研究中心提供纵向数据集和技术援助流畅。我们还要感谢伊丽莎白·佩蒂特Jacqueline Erens雅各赫尔伯特帮助数据转录。本研究使用的计算资源和协助执行高吞吐量计算中心威斯康辛大学麦迪逊分校(CHTC)计算机科学。CHTC由威斯康辛大学麦迪逊分校,先进的计算项目,威斯康辛州校友研究基金会,威斯康辛州研究所发现,和美国国家科学基金会和开放科学的电网是一个活跃的成员,这是由美国国家科学基金会和美国能源部科学办公室。支持这项研究是由国家卫生研究院提供R21AG0534676和威斯康辛大学麦迪逊分校VCGRE办公室从WARF资金。流利的数据集是由圣地亚哥加州大学的收集Shiley-Marcos阿尔茨海默病研究中心的支持下由NIH AG05131。

补充材料

数据和分析代码手稿可在https://osf.io/j6qea/上。包含在这些材料是原始流畅的数据用于分析(ucsd_fluency_for_snafu_20180518.csv),网络使用U-INVITE估计从流畅性数据(networks.zip),网络统计计算从这些网络(ad_graphs_usf_persev.json),一个矩阵之间的相关性因素(correlation_matrix.pdf)和R分析代码(analysis.r)。(补充材料)