这篇文档属于类型a，即报告了一项原创性研究。以下是基于文档内容生成的学术报告：
Yibao Sun、Pan Wang、Kun Zhao等作者及其团队在《Alzheimer’s & Dementia》期刊上发表了题为“Structure–function coupling reveals the brain hierarchical structure dysfunction in Alzheimer’s disease: a multicenter study”的研究论文。该研究于2024年6月13日被接受发表，DOI为10.1002/alz.14123。研究团队来自多个机构，包括北京邮电大学人工智能学院医学影像人工智能中心、天津环湖医院神经内科、中国科学院自动化研究所脑网络组研究中心等。
阿尔茨海默病（Alzheimer’s disease, AD）是一种以认知功能下降为特征的神经退行性疾病。尽管AD的病理机制已有广泛研究，但其大脑层次结构的具体功能障碍仍不清楚。大脑的层次结构是信息传递和整合的基本组织形式，其功能障碍可能导致不同脑区之间的结构损伤和功能整合异常。理解这些变化对于揭示AD的潜在机制至关重要。本研究旨在通过引入结构解耦指数（Structural Decoupling Index, SDI），量化AD患者大脑层次结构的功能障碍，并探讨其作为AD神经影像生物标志物的潜力。
研究分为以下几个主要步骤：
研究对象与数据采集
研究纳入了793名参与者，包括284名AD患者、254名轻度认知障碍（Mild Cognitive Impairment, MCI）患者和255名认知正常对照组（Normal Controls, NC）。所有参与者均接受了功能性磁共振成像（fMRI）和扩散加权成像（DTI）扫描，并提供了人口统计学和心理学信息。数据来自多中心阿尔茨海默病影像数据库（MCADI）的七个站点。
数据预处理
fMRI数据使用Brainnetome fMRI工具包进行预处理，包括时间校正、重对齐、归一化、噪声信号回归和去噪。DTI数据使用DiffusionKit工具包进行预处理，包括颅骨剥离、涡流校正、配准和归一化。随后，计算了扩散张量指标（如分数各向异性FA和平均扩散率MD），并构建了基于纤维连接数的大脑结构网络矩阵。
功能-结构耦合分析
研究采用图信号处理（Graph Signal Processing, GSP）方法计算了每个参与者的区域级SDI。SDI通过将功能信号分解为低频和高频部分，量化了功能与结构之间的依赖性。SDI值大于1表示功能活动与结构路径的分离程度较高，小于1则表示功能与结构之间的耦合较强。
差异分析与基因表达关联
研究使用Mega分析方法整合了七个站点的数据，比较了AD患者与NC组之间的SDI差异。随后，通过基因富集分析探讨了SDI变化的生物学机制。基因表达数据来自Allen人脑图谱，使用ABAGEN工具包将其映射到Brainnetome图谱上。
个体诊断状态预测
研究使用支持向量机（SVM）模型对AD和NC进行分类，并预测临床认知评分。分类和预测任务采用留一站点交叉验证框架进行评估。
SDI的空间分布
研究发现，视觉、感觉、运动和听觉皮层显示出较低的SDI值，而额叶和颞叶则表现出较高的SDI值。这种空间分布反映了大脑从感觉运动区域到高阶功能区域的层次结构。
AD患者的SDI变化
与NC组相比，AD患者在后颞上沟、岛叶、楔前叶、海马、杏仁核、中央后回和扣带回等区域的SDI显著升高，而在额叶的SDI显著降低。这些变化与认知能力显著相关。
基因表达关联
基因富集分析显示，SDI变化与能量代谢、线粒体组织和单原子离子跨膜运输等生物过程显著相关。这些发现为AD的神经生物学机制提供了新的见解。
个体诊断与预测
SDI作为神经影像生物标志物，能够准确区分AD与NC，分类的曲线下面积（AUC）达到0.86。此外，SDI与临床认知评分（如MMSE）显著相关，表明其在AD诊断和预测中的潜在应用价值。
本研究通过多中心、多模态数据揭示了AD患者大脑层次结构的功能障碍，并证明了SDI作为一种神经影像生物标志物的潜力。研究不仅为AD的病理机制提供了新的见解，还为未来的治疗干预提供了潜在靶点。
研究还探讨了SDI在不同脑区的空间梯度变化，揭示了从感觉运动区域到高阶功能区域的层次结构模式。此外，研究使用支持向量机模型验证了SDI在个体诊断和预测中的临床实用性，为AD的早期诊断和治疗提供了新的工具。
这篇研究通过创新的方法和多中心数据，深入探讨了AD患者大脑层次结构的功能障碍，为AD的研究和临床实践提供了重要的科学依据。