文献类型：期刊文章

作　　者：姚丽丽[1] 范炤[2]

YAO Lili;FAN Zhao(Institute of Geriatrics,Shanxi Medical University,Taiyuan 030001,China)

机构地区：[1]山西医科大学基础医学院,山西太原030001 [2]山西医科大学老年医学研究所,山西太原030001

出　　处：《中国医学影像学杂志》

基　　金：山西省科技厅重点研发计划国际合作项目(201803D421068);山西省人社厅回国人员科技活动择优资助项目(619017)。

年　　份：2021

卷　　号：29

期　　号：2

起止页码：122-125

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、JST、ZGKJHX、核心刊

摘　　要：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。

关 键 词：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  

分 类 号：R445.2] R741.04]