论文部分内容阅读
融合遗传与神经影像因素对大脑进行联合探索是目前脑科研究领域的前沿问题,是众多国家投入大量资源进行争夺的科技制高点。检测基因数据和大脑静息态功能磁共振成像数据的相关性,是从遗传角度解释大脑的奥秘的有效方法。本研究通过构建脑区与基因的相关性作为样本多模态融合特征,并基于聚类演化随机集群技术设计数据分析模型,对阿尔茨海默症(Alzheimer’s Disease,AD)和帕金森症(Parkinson’s Disease,PD)的多模态数据进行融合分析。主要内容如下:(1)本研究提出了聚类演化随机集群技术。该技术创新性地将聚类演化策略与集成学习进行结合,提升了集成学习器在样本识别和特征筛选中的性能。具体地,该方法通过随机选择样本和样本属性构建初始随机集群,之后采用阈值过滤和层次聚类对集成学习器进行多级动态演化,并使用演化后的随机集群进行样本分类和特征提取。多级聚类演化和阈值过滤有效地保证了集成模型中基学习器的多样性和有效性。(2)使用聚类演化随机森林对阿尔茨海默症进行研究。本研究从ADNI数据库获取了40名正常人和38名AD患者的静息态功能磁共振成像数据和基因数据,并从中提取基因与脑区的相关性即“脑区-基因对”作为样本特征,随后将聚类演化随机集群技术应用到随机森林中构建聚类演化随机森林进行样本分类和特征提取。实验表明,聚类演化随机森林模型对样本的分类准确率达到91.3%,并且检测出AD患者的病变脑区和风险基因。我们的研究有助于更全面地揭示AD的发病机制。(3)使用聚类演化随机神经网络集群对帕金森症进行研究。本研究从ADNI和PPMI数据库中获取了55个PD患者和49个正常人的静息态功能磁共振成像数据和基因数据,并检测被试的脑区-基因关联性构建样本特征。我们使用多种神经网络作为基学习器,构建聚类演化随机神经网络集群。在对PD患者和正常人的分类中,所构建的模型有效识别率达到了88.7%,并且发现了PD患者的差异性脑区和风险基因。我们的研究或许可以启发研究人员从基因角度寻找帕金森症的预防与治疗方法。