磁共振成像

2021, v.12(06) 78-82

[打印本页] [关闭]
本期目录(Current Issue) | 过刊浏览(Past Issue) | 高级检索(Advanced Search)

基于结构MRI和机器学习的阿尔茨海默病病程分类研究
A machine learning model for early diagnosis of Alzheimer's disease

姚丽丽;范炤;

摘要(Abstract):

目的利用机器学习算法对阿尔茨海默病(Alzheimer's disease,AD)病程进行分类,为临床早期诊断AD提供辅助工具。材料与方法将AD病程分为正常认知者、早期轻度认知障碍、晚期轻度认知障碍和AD 4组,收集这些研究对象的结构磁共振成像(structure magnetic resonance imaging,sMRI)数据,在此基础上加入年龄、性别、教育水平和简易智力状态检查(Mini-Mental State Examination,MMSE)评分,然后分别基于两个数据集用L_1正则化支持向量机(L_1 regularized support vector machine,L_1-SVM)算法进行特征选择得到对分类组贡献最大的特征,将提取到的特征子集放入误差逆传播(back propagation,BP)神经网络模型中进行分类,并且与逻辑回归、随机森林、支持向量机3种机器学习模型作对比。用十折交叉验证法比较4种模型的准确率并给出最优组合模型的特异度、敏感度和AUC值。结果加入3项人口统计学指标和MMSE评分的特征集优于仅具有sMRI的特征集,此外,BP神经网络算法与L_1-SVM特征选择算法结合的分类准确率优于其他机器学习模型,尤其是在从正常认知功能向AD转化的过程中,BP神经网络的准确率高达98.90%,敏感度98.75%,AUC值1.00。不同分类组之间略有差异。结论 L_1-SVM和BP神经网络组合模型可以用于AD早期诊断,并且AD进展转化的每一阶段的相关特征数据为临床基础研究和病理变化提供了依据。

关键词(KeyWords): 机器学习;结构磁共振成像;阿尔茨海默病;L_1正则化;逆传播;神经网络

Abstract:

Keywords:

基金项目(Foundation): 山西省重点研发计划国际合作项目(编号:201803D421068);; 山西省留学回国人员科技活动择优资助项目(编号:619017)~~

作者(Author): 姚丽丽;范炤;

Email:

DOI:

参考文献(References):

扩展功能
本文信息
服务与反馈
本文关键词相关文章
本文作者相关文章
中国知网
分享