论文部分内容阅读
目的:本研究旨在采用不同特征选择和集成学习算法,将结构磁共振图像特征和临床信息数据相结合,探讨和识别阿尔茨海默病（Alzheimer’s Disease,AD）的进展阶段诊断标记物,构建AD分类辅助诊断模型。为实现疾病风险的早期预警,医疗决策自动化的AD临床辅助诊断,提供帮助与技术支撑。方法:本研究采用的数据从阿尔茨海默病神经影像学计划（Alzheimer’s Disease Neuroimaging Initiative,ADNI）获得,研究对象共493名。选取脑部结构磁共振成像（Structural Magnetic Resonance Imaging,sMRI）数据和临床信息（包括年龄、性别、教育年限、婚姻状态,认知评估量表）。所有研究对象分为:正常对照（normal control,NC）125名、早期轻度认知障碍（Early Mild Cognitive Impairment,EMCI）患者121名、晚期轻度认知障碍（Late Mild Cognitive Impairment,LMCI）患者109名和AD患者138名。基于体素的形态学测量分析（voxel-based morphometry,VBM）对MRI神经影像进行特征提取,采用支持向量机递归特征消除（Support Vector Machine-Recursive Feature Elimination,SVM-RFE）,L1正则化Logistic模型,基于梯度提升决策树（Gradient Boosting Decision Tree,GBDT）特征选择算法进行预处理,对冗余特征进行消除以简化分类模型。结合临床信息,通过机器学习方法支持向量机（support vector machine,SVM）,随机森林（Random Forest,RF）,Ada Boost,GBDT以及Stacking集成策略,采用十折交叉验证,构建AD分类辅助诊断模型。其中Stacking算法属于多分类器组合方法,将SVM,RF,Ada Boost,GBDT四种稳定学习器作为初级分类器进行组合学习,次级分类器则采用逻辑回归算法,构建AD分类辅助诊断模型。评价指标包括准确率、灵敏度、特异度、F1 score、ROC曲线下的面积（Area Under ROC Curve,AUC）。结果:使用sMRI特征构建AD分类辅助诊断模型,Stacking集成模型性能优于SVM,RF,Ada Boost,GBDT四种单一分类模型。NC-EMCI,NC-LMCI,NC-AD,EMCILMCI,EMCI-AD,LMCI-AD在单一分类模型准确率范围分别为66.23%～66.72%,67.48%～71.36%,83.68%～87.07%,66.96%～68.70%,79.54%～81.82%,69.62%～73.33%,AUC范围分别为0.6898～0.7098,0.7065～0.7790,0.9255～0.9412,0.7051～0.7558,0.8637～0.8380,0.7757～0.8001;Stacking模型准确率分别为74.32%,77.46%,88.61%,75.36%,88.46%,74.67%,AUC分别为0.8393,0.8149,0.9591,0.7943,0.9382,0.8415。使用sMRI特征+临床信息数据构建AD分类辅助诊断模型,Stacking集成模型性能依然优于SVM,RF,Ada Boost,GBDT四种单一分类模型。NC-EMCI,NC-LMCI,NC-AD,EMCI-LMCI,EMCI-AD,LMCI-AD在单一分类模型准确率范围分别为71.15%～75.97%,79.47%～82.86%,95.04%～96.96%,70.43%～73.91%,94.57%～95.77%,83.78%～87.83%,AUC范围分别为0.7799～0.8208,0.8761～0.9112,0.9872～0.9905,0.7750～0.8083,0.9857～0.9886,0.9320～0.9548;Stacking模型准确率分别为81.08%,85.91%,97.47%,78.26%,97.44%,86.67%,AUC分别为0.8724,0.9254,0.9987,0.8467,0.9967,0.9681。结合临床信息特征后NC-EMCI,NC-LMCI,NC-AD,EMCI-LMCI,EMCI-AD,LMCI-AD的模型准确率分别提高了6.76%,8.45%,8.86%,2.90%,8.98%,9.34%。结合临床信息特征后的Stacking模型准确率由高到低依次是NC-AD,EMCI-AD,LMCI-AD,NC-LMCI,NC-EMCI,EMCI-LMCI。结论:本研究提取了sMRI神经影像非结构化数据,探讨了AD的脑部变化情况及萎缩区域。将sMRI特征结合人口学信息和认知测量,体现了诊断标记物的低成本与无创性,在一定程度上使模型的各方面指标更优。Stacking集成模型分类结果优于单一分类器,有较好的效果与泛化能力,证实了模型的可行性。本研究采用Stacking集成策略对AD建立多分类辅助诊断模型,实现在老年人群体中AD高危患者的早期筛查、识别和疾病风险预警,形成将认知功能损害和神经影像学标志物异常相结合的AD的诊断模式,为可以早期监测MCI进展为AD,识别AD的早期阶段和减缓AD发病提供参考。同时,可为进一步研究相关脑部疾病的早期诊断防治技术提供方法学借鉴。