本分析中使用的所有数据从ADNI获得数据库。ADNI于2003年发起的公私合作伙伴关系,在首席研究员迈克尔·w·维纳。ADNI的主要目标是调查是否成像模式,如核磁共振,宠物,其他神经心理评估,和临床和生物标记,可以结合AD的早期发现和进展的前驱的状态(即。MCI)。人口信息、原始神经影像数据、CSF组件,<我t一个lic> APOE基因型、诊断信息和神经心理学测试成绩在ADNI公开可用的数据存储库( http://adni.loni.usc.edu)。知情同意从所有参与者,研究机构审查委员会批准的每个数据的网站(有关更多信息,请参见 http://adni.loni.usc.edu/wp content/themes/freshnews - dev - v2/documents/policy/adni_acknowledgement_list%205 - 29 - 18. - pdf)。

在这项研究中,我们利用核磁共振、脑脊液和<我t一个lic> APOE基因型数据。结果研究对象包括患者受到广告的影响,MCI患者和健康对照组。Sociodemographical和临床信息的参与者表所示 1。

结构的MRI数据获得使用西门子、通用电气、飞利浦扫描仪在ADNI参与网站。自每个扫描图像采集协议不同,图像归一化的步骤被ADNI提供。修正包括校准、几何变形和强度不均匀性降低。详细信息可在ADNI网站( http://adni.loni.usc.edu/)。这些修正后被应用在每个MPRAGE图像图像预处理步骤。在这项研究中,我们利用t1影像,收集和审查质量和调整,数据格式和对齐。最后,256×256×176分辨率的图像和体素1×1×1毫米大小的收集。

早上CSF数据收集后隔夜空腹用20 - 24克;脊髓针。1小时内收购,CSF是冷冻和运输ADNI核心实验室宾夕法尼亚大学的医学中心。

ADNI生物标志物核心实验室还提供了基因型和基因表达数据为每个参与者在这项研究中,来自周边血液样本。遗传特性是一个类别变量为每个参与者,五个可能的值之一:(<我t一个lic> ε2,<我t一个lic> ε3),(<我t一个lic> ε2,<我t一个lic> ε4),(<我t一个lic> ε3,<我t一个lic> ε3),(<我t一个lic> ε3,<我t一个lic> ε4),或(<我t一个lic> ε4,<我t一个lic> ε4)。在这项研究中,我们具体分析<我t一个lic> APOEε4个等位基因状态(载波比noncarrier)。

认知得分,从细微精神状态检查(MMSE)基线,是用作衡量患者的认知能力。

我们应用recon-all FreeSurfer管道(0版本),这是自由访问 http://surfer.nmr.mgh.harvard.edu ,为皮质sMRI图像,重建和体积分割( 56]。这个管道自动生成可靠的白质体积和厚度分割,灰质和皮层下体积。皮质重建和皮层下体积分割包括切除nonbrain组织,Talairach转换、皮层下灰质和白质区域的分割,标准化、强度和Atlas登记。这些步骤后,皮质表面网格模型生成,最后,得到了34个皮层区域的皮质表面分割,基于沟的和旋转的地标对应两个半球Desikan et al。 57]。用于统计分析,进行了平滑使用recon-all FreeSurfer qcache选项。QDEC工具在FreeSurfer利用分析皮质厚度的差异,表面积,和灰质体积HC, MCI和广告的人。统计显著性水平纠正两个半球,使用错误发现率(罗斯福)<我nline-formula> p < 0.05 控制多个比较( 58]。

预测框架的概述为本研究开发的图所示 1。框架包括四个主要步骤:特征提取、特征组合,归一化、特征选择和分类。我们使用两个机器学习分类算法,支持向量机和榆树。

特征选择算法是一个重要的组成部分,机器学习的方法,促进理解的数据,减少了存储需求和training-testing次,提高分类的准确性。重要的是,只使用训练数据集进行特征选择,然后应用于测试集。在特征选择之前,我们执行功能正常化,所有功能集规范化单位方差和零均值减少冗余,提高数据完整性之间的特性集。对于一个给定的数据矩阵<我t一个lic> X,列代表特性和行代表参与者的正规化矩阵<我t一个lic> X_规范与一个元素<我nline-formula> 我 , j 所示,计算方程( 1)。功能正常化之后,我们使用一个过滤器和包装的特征选择算法。我们使用一个过滤器的方法和排序功能基于最小冗余最大相关性(MRMR)分数。MRMR一直先前描述( 59]。MRMR分数的特性集<我t一个lic> 年代定义在方程( 2): (1) X 规范 = x 我 , j − 的意思是 X j 性病 X j , (2) MRMR = 马克斯 年代 1 年代 ∑ f 我 ∈ 年代 我 f 我 ; c − 1 年代 2 ∑ 我 f 我 ; f j , 功能集的相关性在哪里<我nline-formula> 年代 为<我nline-formula> k 类<我nline-formula> C = c 1 , c 2 , … c k 被定义为个体之间的互信息特征的平均值<我nline-formula> f 我 和<我nline-formula> C 和所有的冗余特性的特性集<我nline-formula> 年代 之间的互信息特征的平均值吗<我nline-formula> f 我 和<我nline-formula> f j 。MRMR 60顶部特征识别的算法被用于一个包装器算法寻找最优的特征子集。我们开发和验证一个连续特征选择作为包装器(SFS)算法的特征选择方法。SFS算法之前已经详细描述( 60]。简而言之,不同的特征子集选择从顶部MRMR 60特征识别的算法,然后基于这些子集的榆树分类的准确性的特性进行了计算。

通常,支持向量机( 61年)是一种二元分类器,适用于分离和不可分的数据集。它已经成功地利用神经成像领域,已成为最受欢迎的机器学习算法在神经科学领域在过去的十年里。支持向量机是一种监督分类器,使用训练数据集在一个找到最优分离超平面<我t一个lic> n维空间。最优超平面是一个最好的区分这两类目标的参与者。在我们的研究中,我们利用线性支持向量机和非线性支持向量机基于径向基函数(RBF)内核。一个RBF内核执行比线性内核为少量的特性集。一个正规化常数<我nline-formula> C 和一组内核hyperparameters<我nline-formula> γ 在svm(γ)需要调整。这些参数使用交叉验证(CV)方法进行了优化。这个过程重复了1000次,每次随机选择一套新的10伸出参与者获得最佳hyperparameters优化。在这种方法中,搜索范围正规化常数和γ的值被设置为<我t一个lic> C= (0.001,0.01,0.1,1、10、100、1000)<我nline-formula> γ =(0.001,0.01,0.1,1、10、100、1000),分别。最大得到验证的准确性<我t一个lic> C= 1,<我nline-formula> γ = 0.1。调优参数被用来预测精度值的测试数据集。

极端学习机是由输入和输出层之间的一个隐藏层( 51]。而重量和偏见都必须基于调整的梯度学习算法对传统前馈神经网络层,榆树隐藏层中的偏见和任意输入权重分配没有迭代过程,和输出权重计算通过求解一个单隐层系统 50]。因此,与传统的神经网络相比,榆树学习更快,广泛用于各种回归和分类任务,成为一个高效、可靠的学习算法( 62年- - - - - - 65年]。特别是,<我t一个lic> N训练样本{<我nline-formula> X j , 我 j X j ∈ ℛ p 和<我nline-formula> 我 j ∈ ℛ 问 ,<我nline-formula> j = 1 , 2 , … , N 在榆树},输出,<我nline-formula> o j 与<我nline-formula> n h 隐藏的神经元可以表示成下列方程所示 fd3: (3) o j = ∑ 我 = 1 n h β 我 T 一个 w 我 T X j + b 我 = ∑ 我 = 1 n h β 我 T h 我 X j = h X j T β , 在哪里<我nline-formula> X j 和<我nline-formula> 我 j 是<我nline-formula> j th 分别输入和目标向量。的参数<我nline-formula> p 和<我nline-formula> 问 分别输入和目标向量维度。此外,<我nline-formula> o j ∈ ℛ 问 表示输出的榆树<我nline-formula> j th 训练样本,<我nline-formula> w 我 ∈ ℛ p 表示输入重量的输入节点的链接<我nline-formula> 我 th 隐藏的节点,<我nline-formula> b 我 代表的偏见<我nline-formula> 我 th 隐藏的节点,<我nline-formula> 一个 ⋅ 表示给定隐层的激活函数。<我nline-formula> β = β 1 , … , β n h T 输出的值是输出神经元之间的权重,和隐藏层<我nline-formula> h X j = h 1 X j , … , h n h X j T 的输出向量隐藏层对吗<我nline-formula> j th 训练样本<我nline-formula> X j ⋅ h 我 X j 的输出是什么<我nline-formula> 我 th 隐层的<我nline-formula> j th 训练样本。获得最优隐层的权重,<我nline-formula> β ^ 关于<我nline-formula> N 训练样本可以被认为是解决如下优化问题: (4) 最小值 β λ H β − l 2 + β 2 , 在哪里<我nline-formula> H = h X 1 , … , h X N T 和<我nline-formula> l = 我 1 , … , 我 N T 。

方程( 4)代表的优化问题,其最优解<我nline-formula> β ^ 可以分析得到如下: (5) β ^ = H T 1 λ 我 + H H T − 1 l , 在哪里<我t一个lic> λ正则化参数和吗<我nline-formula> 我 代表单位矩阵。后找到最优的解决方案<我nline-formula> β ^ 的榆树,输出测试数据<我nline-formula> X 测试 决定如下: (6) o 测试 = h X 测试 T H T 1 λ 我 + H H T − 1 l 。

在这个方法中,隐藏节点之间设置1到500年,我们选择乙状结肠作为激活函数。进一步,我们使用一个网格搜索方法来优化训练数据集上的榆树参数以达到最佳旨在验证精度。同样,尽量减少重量的初始化期间随机效应,每个参数隐藏节点的数量被使用100次,平均性能计算。

我们使用了<我t一个lic> k倍交叉验证(KCV;<我t一个lic> k= 10)交叉验证的方法。所有的参与者被随机分为10个子集使用KCV (<我t一个lic> k= 10)交叉验证的方法。KCV在每一个褶皱,90%的数据被用来训练模型基于特性的一个子集,然后(交叉验证集)10%的数据被用来计算榆树分类的准确性。榆树分类器对应的所有子集的精度与最大特征计算和分类精度,和相应的最优特征子集被确认。同样,分类性能评估准确性(ACC),特异性(SPE)和敏感(SEN)。TP, FP、FN和TN的数量代表真正的阳性,假阳性、假阴性,分别和真正的底片。在数值方面,ACC, SPE和森可以计算如下: (7) 精度 ACC = TN + TN TP + TN + 《外交政策》 + FN , (8) 灵敏度 森 = TP TP + FN , (9) 特异性 SPE = TN TN + 《外交政策》 。

另一个有效的方法来评估结果分类器是接受者操作特征(ROC)曲线。中华民国曲线是真阳性和假阳性率的情节通过改变歧视阈值,因此总结分类器的性能。中华民国曲线通常是由曲线下的面积(AUC),也就是用0到100之间的数字。

皮质厚度、灰质(GM)体积,面积进行了分析使用的基于组分析在FreeSurfer QDEC(版本1.5)。首先,空间皮质厚度,通用卷,和两半球表面平滑的圆对称高斯内核10毫米宽屏半峰,通常分配结果。然后我们采用一般线性模型(GLM)分析随着年龄的增长,性,和教育的损害因素设计矩阵直接比较广告的三个参数在两个半球和HC, HC与MCI,广告与MCI, MCI和MCIc组。统计分析结果关于皮质厚度,表面积和灰质体积图所示 2。Desikan-Killiany图谱人类大脑皮层分为34在每个半球皮层区域。因为有大量的萎缩性地区,我们现在只有顶级区域显著差异。下面列出了三个参数的萎缩性地区。

表 2呈现萎缩的位置和范围集群的灰质体积的差异,皮层厚度、和表面积之间的每个顶点HC, QDEC MCI和广告组的分析。在这个表中,只有顶部特性有显著的集群提供了各类参数的差异。从统计上显著的大脑区域图所示 2和表 2我们观察如下: (1)

左脑岛皮层厚度,左楔片,近中心,吻侧额中,帕尔斯opercularis地区薄在广告组相比,HC组。HC与MCI,左边楔前叶皮层厚度,左舌,左右脑岛,pars triangularis,右顶叶区域是薄。同样,广告与MCI,左顶叶皮层厚度,对侧枕叶,顶叶,左和右颞区域显示最萎缩。mci和MCIc,左顶叶皮层厚度,左海马旁,右颞极、和右颞区域显示的最大差异。

此外,从这一分析,我们观察到广告组的面积厚度和体积与HC组相比明显减少。同样,有显著萎缩MCIc集团与MCI组相比,几乎没有区别在萎缩模式在广告和MCI患者。

个人特性集选择使用一个MRMR(过滤器)和序列特征选择(包装)方法来确定不同的群体最优特性集,提高分类精度。同样,我们结合所有的特性集不同措施和应用MRMR和SFS方法选择最优特征。多个度量特性集是由结合皮质厚度,面积,从sMRI和体积,从脑脊液三分量测量,<我t一个lic> APOEε4状态和MMSE得分。首先,我们选择了最高60功能从MRMR算法基于功能得分,然后应用顺序特征选择算法在这些排名前60的特性,使最优特性集来实现最大的分类器的分类精度。图 3显示最优特征序列顺序特征选择后的数量排名前60的特性从MRMR获得使用榆树分类器算法。图 3只显示所选特征组合的特性集,从这个我们可以假设提出的特征选择和交叉验证提供了最优分类器的输入特征向量。在这种方法,分类性能量化特征选择的数量和准确性和ROC曲线下的面积。

进一步分析目的分类方法结合不同措施的有效性,我们计算的auc连接的特性。图 4显示了个人特性和所有的接收机操作曲线特性(成像和非成象生物标记,即。为每个分类组,多个特性)的组合,使用榆树分类器。

在这项研究中,我们首先进行统计分析和模式分类为四组区分和识别萎缩模式(广告,HC, mci和MCIc)。个人sMRI预处理使用FreeSurfer工具。预处理后的统计分析结果sMRI, QDEC应用最后我们表演的分类任务提出的特征选择和分类方法,分别。脑萎缩的分析中,我们使用三种类型的sMRI皮质指标(皮质厚度、灰质体积和表面积)。与HC组比较广告组,脑岛,pars opercularis,海马旁,和颞区皮质厚度方面的严重影响,灰质体积和表面积。左脑的皮层厚度薄比左半球。同样,对于广告与MCI,最萎缩的左顶叶和右外侧枕区域。HC与MCI, supramarginal和楔片区域显示最萎缩。mci和MCIc、颞和中央前区域显示厚度,最大的减少体积,面积。根据这些差异,大多数的皮质厚度减少,灰质体积和表面积主要出现在额叶、颞叶、枕叶、扣带回、顶叶。 This phenomenon strongly agrees with findings related to atrophy patterns seen in previous studies [ 14, 66年]。这些地区主要是参与的表达个性,电动机执行复杂的认知行为,决策( 50]。此外,我们现在常见的mci的分析与MCIc越少。对于MCIc,最萎缩的颞,bankssts,中央前,顶叶,岛叶区域,显示潜力发展为阿尔茨海默病的早期识别。

为了测试我们的计划的特征组合方法的有效性(即。,我maging and nonimaging features), we adapted the individual feature from sMRI and CSF separately to conduct the study, although, regarding genetic and cognitive features, we combined them to test the performance and then compared the accuracy with the accuracy of the combination of all features. For the proposed feature selection, we used a combination of filter and wrapper algorithms and compared the performance of the classifiers on the selected feature set. In this text, SVM-linear, SVM-RBF, and ELM were used for classification. The classification results for the compared methods are presented in Tables 3- - - - - - 6在图和图形化的形式 5。如表所示,特征融合的性能精度明显改善与个人特性集相比,有不同程度的海拔在其他索引;特异性指数尤其更加明显。相比之下,基于非成象性能精度特性几乎是一样的广告诊断成像特性,但比MCI诊断。广告与HC的准确性得到CSF措施,遗传学,和认知得分显示较低的增长,尽管MCI和HC,广告与MCI, MCI和MCIc,精度更高。结果表明,榆树分类器达到更好的成绩相比,支持向量机分类器分类(线性和RBF-SVM),对单一的形态特性集,以及所有功能(如图 6)。榆树是好的机器学习工具,主要优势在于隐藏层的学习参数,包括输入重量和偏见,不优化迭代,如SLFN。榆树提供了许多优点超过其他学习算法( 54]。从表中所示的结果 3- - - - - - 6广告与HC,分类结果增加了5 - 7%,与支持向量机分类器相比,敏感性为98.04%,特异性96.28%。广告与MCI、分类精度提高了5 - 9%的敏感性和97.33%的准确率为92%。HC与MCI,分类精度提高了6 - 10%的敏感性91.23%,特异性99.13%。同样的mci和MCIc,分类精度增加了7 - 12%敏感性93.01%,特异性75.77%,但84.67%和76.67%特异性得到线性和RBF-SVM分类器,分别比获得的榆树分类器。从我们的分析,我们认为,榆树给更好的性能比支持向量机从学习效率的角度来看,因为榆树的原始设计具有较高的学习精度,学习速度快,可伸缩性和最少的人工干预( 54, 55]。从表中所示的结果 7,我们可以看到,我们建议的方法实现精度比现有的其他方法。分类广告和HC,我们的方法实现了分类精度为97.31%,敏感性为98.04%,特异性为96.28%,和0.97%的AUC值。分类MCI和HC,我们的方法实现分类准确率为91.72%,敏感性为91.23%,特异性为99.13%,和0.93%的AUC值。区分广告和MCI,我们提出的方法获得了分类精度为87.91%,敏感性为92.00%,特异性为97.33%,和0.89%的AUC值。mci和MCIc类似,我们取得了出色的表现相比以前的方法结合了多种功能,精度83.38%,敏感性为93.01%,特异性为75.77%,和0.85%的AUC值。

在前一节中,我们详细讨论的结果提出了特征选择和分类方法。在本节中,我们比较和讨论的结果我们的方法与现有的方法相比。表 7和 8显示出该方法的分类性能的比较与最近发表的研究使用的多峰性数据区分广告和MCI患者HC。韦斯特曼et al。 67年]用MRI和脑脊液生物标志物和广告获得了91.8%的准确率和HC, HC与MCI, 77.6%和68.5% pMCI与MCI的分类使用正交偏最小二乘(OPLS)方法潜在的结构。张,沈 39)使用多通道(MRI、宠物和CSF)分类方法与多任务特征选择和广告和MCI分类的支持向量机分类器。通过结合MRI、宠物和CSF数据,他们取得了更高的精度为93.3%的广告和HC和HC与MCI分类83.2%的准确率。同样,作者实现了73.9%的准确性pMCI与mci的样本。Hinrichs et al。 69年)获得了广告的准确性为92.4%和HC分类使用核磁共振,宠物,CSF,<我t一个lic> APOE学习和认知得分在多个内核。同样,Johnson et al。 68年)提出了一种稀疏表示学习特征选择和分类堆放autoencoder广告使用核磁共振,宠物,CSF和认知得分作为广告的特性,获得了95.9%的准确率和HC分类和HC与MCI分类85%的准确率。Maqsood et al。 72年)提出了转移学习分类模型的广告为二进制和多类问题。该算法利用pretrained AlexNet网络和调整的卷积神经网络(CNN)的分类。这个模型在分割和不分段调整3 d视图的人类大脑。核磁共振扫描被划分为通用的特征成分,白质和脑脊液。重新训练CNN被验证使用测试数据为二进制获得89.6%和92.8%的精度和多类问题,分别使用OASIS数据集。Beheshti et al。 70年)开发了一个计算机辅助诊断(CAD)系统由四个系统的阶段分析全球和当地通用的差异AD患者,而HC使用分布形态测量学(VBM)方法。排名根据他们使用特性<我t一个lic> t以及和遗传算法,与费舍尔的标准遗传算法的目标函数的一部分。作者利用10倍交叉验证的支持向量机分类器获得精度93.01%和75%的广告和HC和mci和pMCI分类,分别。Spasov et al。 71年)开发了一种深度学习架构,基于双重学习和一个临时层对3 d分离卷积来识别MCI患者。深入学习过程结合MRI,神经心理、人口、和<我t一个lic> APOEε4数据达到86%的精度。他们实现了99.5%的广告和HC分类的准确性。在另一项研究中,Moradi等人使用VBM的通用特性分析与年龄和认知措施相结合。他们实现了82%的准确性pMCI与mci的分类。从这个对比,我们可以推断该特性组合(MRI, CSF,<我t一个lic> 载脂蛋白e,和MMSE数据)健壮或与其他多通道生物标记方法在文献中报道,广告与HC和mci和MCIc分类。