10.3969/j.issn.1005-5185.2021.02.006
基于MRI和机器学习对阿尔茨海默病的分类预测
目的 利用机器学习算法对分类模型进行优化,实现对阿尔茨海默病(AD)病程的分类预测.资料与方法 纳入543例研究对象,根据疾病发展病程分为认知功能正常(CN)组、早期轻度认知功能下降(EMCI)组、晚期轻度认知功能下降(LMCI)组和AD组.收集结构磁共振成像(sMRI)和人口统计学指标共276项数据.将正则化惩罚项L1与逻辑回归模型(LR)和支持向量机(SVM)模型分别融合进行特征选择和学习器训练,获取表征性强的特征集合;同时对AD的病程进行两两分类,以十折交叉验证评估两种模型的分类准确率.采用受试者工作特征(ROC)曲线评价模型的分类性能.结果 L1-LR和L1-SVM模型在AD病程转化时均表现出较好的分类效果.其中,L1-SVM模型区分CN组与LMCI组、CN组与AD组、EMCI组与AD组的准确率最高,分别为93.63%、100.00%和99.32%.L1-SVM模型区分CN组和AD组的准确率和特异度均为100.00%,ROC曲线下面积为1.00.L1-SVM整体平均准确率为91.49%,略高于L1-LR的90.81%.结论 L1-SVM和L1-LR两种模型在不同的病程分类组中分类效果不同,均可作为AD的早期辅助诊断工具,其中L1-SVM模型的预测效能更好.
阿尔茨海默病、磁共振成像、机器学习、正则化、逻辑回归、支持向量机、分类、预测
29
R445.2;R741.04(诊断学)
山西省科技厅重点研发计划国际合作项目;山西省人社厅回国人员科技活动择优资助项目
2021-03-15(万方平台首次上网日期,不代表论文的发表时间)
共5页
122-125,135