文献类型：期刊文章

作　　者：刘德华[1] 殷国盛[1] 范炤[2]

LIU Dehua;YIN Guosheng;FAN Zhao(Center for Translational Medicine,Shanxi Medical University,Taiyuan 030001,China;不详)

机构地区：[1]山西医科大学基础医学院,山西太原030001 [2]山西医科大学转化医学研究中心,山西太原030001

出　　处：《中国医学影像学杂志》

基　　金：山西省人社厅回国人员科技活动择优资助项目(619017);山西省回国留学人员科研资助项目(2016-061)。

年　　份：2023

卷　　号：31

期　　号：2

起止页码：167-174

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、JST、ZGKJHX、核心刊

摘　　要：目的利用机器学习通过分析结构性磁共振成像(sMRI)数据和人口统计学资料,实现对阿尔茨海默病(AD)病程的分类与识别。资料与方法选取阿尔茨海默病影像学倡议数据库中编号4018-5120的543例研究对象[认知功能正常者(NC)139位、早期轻度认知障碍(EMCI)220例、晚期轻度认知障碍(LMCI)108例、AD患者76例]。对272项sMRI数据和4项人口统计学指标数据,结合随机森林(RF)的特征重要性排序和基于分类精度的序列前向选择方法(CA-SFS)进行特征选择,甄选出最优特征个数,将其代入4种机器学习方法[正则化的逻辑回归(L1-LR)、支持向量机(SVM)、BP神经网络(BPNN)、RF]中自动化识别出最优分类模型,观察其对AD病程进行两两分类的效果,并使用受试者工作特征曲线评价效能。结果RF模型对NC-EMCI、NC-LMCI、EMCI-LMCI和LMCI-AD的预测分类准确度分别达到86.67%、88.24%、93.48%和100.00%,SVM模型对NC-AD的分类预测准确度达到100%,L1-LR模型对EMCI-AD的分类预测准确度达到95.24%。结论基于RF和CA-SFS特征选择,再利用机器学习方法对AD进行多个二分类有稳定、较好的分类效果。

关 键 词：阿尔茨海默病 机器学习  结构性磁共振成像  基于分类精度的序列前向选择方法  分类  

分 类 号：R749.16] R445.2[临床医学类]