标志”src=

计算智能和神经科学
PDF
计算智能和神经科学/2020年/文章
特殊的问题

先进的神经数据处理技术在机器学习

把这个特殊的问题

研究文章|开放获取

体积 2020年 |文章的ID 8015156 | https://doi.org/10.1155/2020/8015156

Uttam Khatri Goo-Rak Kwon, ”中一个有效的组合sMRI、脑脊液、认知得分,和APOEε4生物标记的分类广告和MCI使用极端的学习机器”,计算智能和神经科学, 卷。2020年, 文章的ID8015156, 18 页面, 2020年。 https://doi.org/10.1155/2020/8015156

中一个有效的组合sMRI、脑脊液、认知得分,和APOEε4生物标记的分类广告和MCI使用极端的学习机器

Uttam Khatri1和 Goo-Rak Kwon1

1部门。信息和通信工程,309年朝鲜大学Pilmun-Daero, Dong-Gu,韩国光州61452年

客座编辑:霍雷肖Rostro-Gonzalez
收到了 2019年11月09
修改后的 2020年1月13日
接受 2020年2月17日
发表 04年6月2020年

文摘

阿尔茨海默病(AD)是老年痴呆的最常见原因,进行性神经退行性条件下,表现为认知功能的下降。症状通常出现逐渐恶化随着时间的推移,成为严重到足以干扰个人的日常任务。因此,广告的准确诊断和前驱期(即。轻度认知障碍(MCI))对及时治疗是至关重要的。作为广告本质上是动态的,广告指标之间的关系尚不清楚,随着时间的变化。为了解决这个问题,我们首先旨在调查萎缩性模式是个体之间的差异与广告和MCI和健康对照组(高碳钢)。然后我们利用多个生物标志物,以及过滤器,wrapper-based特征选择和一个极端的学习机器——(ELM)方法为基础,用10倍交叉验证的分类。越来越努力专注于使用多个生物标志物,可有用的广告和MCI诊断。然而,尚未确定最优组合和大多数多通道分析使用体积措施获得磁共振成像(MRI)。解剖结构的MRI (sMRI)措施到目前为止也大多被单独使用。广告使用解剖MRI检测的全部可能性因此有待探索。 In this study, three measures (cortical thickness, surface area, and gray matter volume), obtained from sMRI through preprocessing for brain atrophy measurements; cerebrospinal fluid (CSF), for quantification of specific proteins; cognitive score, as a measure of cognitive performance; andAPOEε4个等位基因状态被利用。我们的结果表明,特定的生物标记的组合表现良好,精度为97.31%为分类广告和HC, 91.72% MCI和HC, MCI和广告,为87.91%和83.38%的MCI和MCIc,使用该算法分别,当评估。同时,曲线下的面积(AUC)从接受者操作特征(ROC)曲线组合多个生物标志物提供了更好的分类性能。拟议的功能组合和选择算法有效地分类广告和MCI, MCI和MCIc,最具挑战性的分类任务,因此可以增加广告分类的准确性在临床实践中。此外,我们比较该方法与支持向量机分类器的性能,使用交叉验证方法与阿尔茨海默病的神经影像学(ADNI)数据集。

1。介绍

阿尔茨海默病(AD)是一种进行性、不可逆的神经退行性疾病的中枢神经系统,表现为异常积累神经原纤维缠结和大脑中的淀粉样蛋白斑块,影响行为,个体的思维和记忆1]。阿尔茨海默病发生在生命晚期和是最常见的痴呆症,没有治愈。估计有570万美国人生活在公元2018年。到2050年,这个数字预计将上升到近1400万(2]。尽管一些目前治疗可能暂时减速过程,在治疗AD患者都没有明显的效果。有前途的正在进行的研究(3- - - - - -6)是专注于不同的biomarker-based技术,为了检测早期AD-related变化和特点突出的萎缩模式在前驱的阶段,当轻微症状疾病的唯一证据。因此,它是重要的发展策略,使及时治疗和延缓AD的早期阶段,在临床症状出现之前。因此,轻度认知障碍(MCI)的概念。MCI,健康之间的过渡阶段(正常)控制(HC)和AD患者中,定义来描述人轻微脑功能障碍的症状,但仍然可以完成日常工作。潜在的高度敏感的诊断标志物的变化与疾病进展可能支持医生做出正确的诊断。如果检测到广告在MCI的早期,患者的数量可以减少近三分之一,通过康复锻炼和适当的药物治疗7]。病人在MCI阶段有痴呆进展的风险高8- - - - - -10),可分为稳定MCI (MCI)或可转换MCI (MCIc),也被称为进步MCI (pMCI)。一些MCI患者发展为广告在一个特定的时间框架,而另一些则保持稳定。报告显示,10 - 15%的MCI患者进展每年的广告,和80%的转化为广告后约5 - 6年的随访(9,11]。至关重要生物标志物发现区分MCI病人后来转化为广告(MCIc),从那些不转换到广告,和HC。因此,MCI的早期识别个体越来越临床上重要的潜在的延迟或防止遗忘型MCI向AD转换。识别生物标志物对MCI和广告,各种机器学习方法已经被应用,已改善了预测和性能,更重要的是,患者的歧视的MCI的MCI患者将进步开发广告(MCIc) [12]。各种生物标志物已确定为MCI的诊断和广告,包括功能和结构神经影像学的措施,以及认知得分,APOEε4个等位基因状态和脑脊液(CSF)标记。最近的广告诊断标准(13)表明,神经影像和生物措施可能发挥了重要作用在AD的早期检测和监控的前驱期。

成像生物标记被认为是广告和MCI诊断的重要指标。随着神经成像技术的发展,结构磁共振成像(sMRI)技术已成为广受欢迎的,可以用于定位更微妙的形态变化在脑部疾病(14,15]。老年痴呆症的病人,MRI用于临床评估的标准。已经有大量的研究旨在确定成像生物标志物对AD的诊断和预测MCI的进展。多数的结构磁共振成像生物标记主要是基于测量脑萎缩或心室扩张。成像生物标记,如皮质厚度(16- - - - - -19],voxel-wise组织概率[20.- - - - - -22),和体积(23- - - - - -25),可以显示AD-associated萎缩模式和作为有效的生物标记分类广告和MCI。到目前为止,据我们所知,渐进的脑萎缩是一种明显的广告和重大变化,和萎缩的模式可以通过高分辨率核磁共振分析技术。Morphology-related皮质体积、皮质厚度和皮质面积测量已用于更好地理解广告的基本病理生理学的诊断。然而,大多数这些研究[26- - - - - -28)主要集中在大脑皮层和灰质体积的差异。参考表面积和其他生物标记在这方面仍然缺乏。(即不同皮层的组合指标。,volume, area, and thickness) across multiple brain regions may better distinguish between AD patients and HC. Therefore, advanced machine learning with multivariate approaches, which can establish the subtle relationship between multiple regions and metrics [29日,30.在协助),可能是有用的预测和诊断。除了由MRI鉴别出结构性变化,其他有趣的广告检测生物标志物包括CSF组件,认知得分,和的存在APOEε4个等位基因。无数的CSF、认知和APOEε4等位基因研究[12,31日,32)进行了的分类广告和MCI。脑脊液生物标志物,用于一些研究包括过度磷酸化τ(P-tau),总τ(T-tau),和一个β42氨基酸。这三个CSF组件提供有价值的信息的识别广告,病人有异常低的水平β42和高水平的P-tau T-tau [33]。已经表明T-tau和CSF组件的组合措施提供了优秀的分类精度从广告中分离HC患者,具有高敏感性和特异性(34]。此外,遗传风险因素也影响广告的成像和生物标记的分类。几位以前的研究35]表明,存在一个特定的变体的载脂蛋白E基因(APOE)是一个至关重要的风险因素与迟发性的广告。APOE有三个专业的等位基因:ε2,ε3,ε4所示。与非携带者相比,AD患者的载体ε4等位基因通常低CSFβ42和CSF水平升高P-tau T-tau, MRI与加速萎缩模式。病理模式与广告相关的各个方面可以通过多样化的生物标志物;因此,补充生物标志物可能协助诊断。它已经表明,不同形式的生物标志物组合可以提高诊断性能(25,36- - - - - -40]。最近的一些值得注意的论文(41- - - - - -43)展示了机器学习方法的可行性。的常用方法之一解决分类问题的支持向量机(SVM)。许多研究应用广告预测和分类的支持向量机(24,39,44,45]。在机器学习领域,深度学习已经得到普及,成为一个有前途的技术。深度学习与学习和多级表示抽象和导致显著改善性能领域的数据分析和图像分类。近年来,使用深度学习技术的多通道数据分析和分类已大大增加。例如,获得无缝信息使用堆叠autoencoders从各种类型的媒体46]。获得文本和图像的联合表示,一个多通道深度信念网开发(47]。另一项研究[48)提出了一种多源深度学习方法来分析人体姿态估计。进一步研究[49)开发了一种模态相结合的核磁共振,正电子发射断层扫描(PET), CSF模式使用堆叠autoencoders获取自动分类广告。反向传播算法用于学习的深度学习架构,而迭代调整参数。出于这个原因,达到良好的泛化性能,传统的神经网络使用许多迭代(50]。为了克服这种情况,黄等。51)提出了一个极端学习机(ELM),与传统方法相比,具有良好的计算效率通过随机分配重量在输入层和分析计算隐层的权重。在另一项研究[52],作者使用了dual-tree复小波变换(DTCWT),榆树分类器相结合,取得了良好的广告分类的准确性。同样,在进一步研究[53),作者用榆树与多元模式分析分类器,分类广告使用功能磁共振成像(fMRI)数据,取得了杰出的表现。当前文学的多数认为榆树是个好机器学习工具(54,55]。榆树的主要优势在于隐藏层的学习参数,包括输入重量和偏见,不需要迭代优化的单隐层前馈神经网络(SLFN)。正因为如此,榆树成本少,能够实现更快的速度(54]。此外,它是最青睐的机器学习方法相比,它的前辈。其他一些值得称道的榆树的属性包括良好的泛化精度和性能,一个简单的学习算法,提高效率,非线性变换在训练阶段,拥有一个统一的解决方案不同的实际应用,缺乏本地最小和过度拟合,需要更少的优化,相比,支持向量机(55]。因此,在这项研究中,我们想用一个极端的学习机器达到最佳分类识别的准确性。

我们的结果,使用阿尔茨海默病的神经影像学(ADNI)数据集(包括MCI患者并没有转化为广告和MCI患者转化为广告在36个月),说明提出方法的效用。结构的MRI数据被FreeSurfer首先预处理(0版本)获得三种类型的执行措施和统计分析使用查询设计估计对比(QDEC)。皮质厚度,以及灰质体积和表面积,我们还利用CSF标记,APOEε4个等位基因状态和认知得分。来验证我们的方法的有效性,我们比较了分类性能和linear-SVM RBF-SVM。总体框图如图1显示了该方法的工作流程。


图1
拟议的框架的框图。

2。材料和方法

2.1。数据

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,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。
集团 广告 MCI HC mci的 MCIc
不。的参与者 53 77年 57 35 42
女性/男性 20/33 34/43 32/25 13/22 21/21
年龄 74.4±7.8 74.1±7.2 75.6±5.2 73.9±7.2 74.3±7.2
教育 15.1±3.2 15.9±2.9 15.7±2.8 16.1±2.9 15.8±2.9
患者的 23.5±1.8 26.9±1.8 29.1±0.9 27.2±1.7 26.6±1.8
CDR 0.7±0.2 0.5 0 0.5 0.5
条目的年龄,性别,教育和MMSE表示为每组平均值和标准偏差。患者的心理状况的考试;CDR,临床痴呆率。
表1
基线临床和sociodemographical这项研究的参与者的信息。
2.2。数据采集

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:(ε2,ε3),(ε2,ε4),(ε3,ε3),(ε3,ε4),或(ε4,ε4)。在这项研究中,我们具体分析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。

2.3。FreeSurfer核磁共振分析

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) 控制多个比较(58]。

2.4。基于机器学习的预测和分析

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。

2.5。特征选择

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X,列代表特性和行代表参与者的正规化矩阵X规范与一个元素 ,这是计算见方程(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分数的特性集年代定义在方程(2): 功能集的相关性在哪里 为 类 被定义为个体之间的互信息特征的平均值 和 ,和所有功能的冗余特性集 之间的互信息特征的平均值吗 和 。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。

2.6。支持向量机分类器

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 和一组内核hyperparameters 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C= (0.001,0.01,0.1,1、10、100、1000) =(0.001,0.01,0.1,1、10、100、1000),分别。最大得到验证的准确性C= 1, = 0.1。调优参数被用来预测精度值的测试数据集。

2.7。榆树分类器

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,N训练样本{ 和 ,和 在榆树},输出, 与 隐藏的神经元可以表示成下列方程所示fd3: 在哪里 和 是 分别输入和目标向量。的参数 和 分别输入和目标向量维度。此外, 表示输出的榆树 训练样本, 表示输入重量的输入节点的链接 隐藏的节点, 代表的偏见 隐藏的节点, 表示给定隐层的激活函数。 输出的值是输出神经元之间的权重,和隐藏层 的输出向量隐藏层对吗 训练样本 的输出是什么 隐层的 训练样本。获得最优隐层的权重, 关于 训练样本可以被认为是解决如下优化问题: 在哪里 和 。

方程(4)代表的优化问题,其最优解 可以分析得到如下: 在哪里λ正则化参数和吗 代表单位矩阵。后找到最优的解决方案 ,榆树的输出测试数据 决定如下:

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。

2.8。交叉验证和性能评价

我们使用了k倍交叉验证(KCV;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 (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:

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。

3所示。结果和分析

3.1。统计分析

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。


图2
皮质厚度的差异,区域,和体积在阿尔茨海默氏症患者不同阶段。彩色栏代表的显著性水平集群。意义阈值被设定为 。

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。(2)关于表面积,广告组值小于HC组在左和右近中心,左外侧前额,右顶叶,后扣带,右顶叶区域。HC与MCI,左额上,左侧中央后,左顶叶,supramarginal,右梭状回,右侧楔前叶,中央前区域显示值最低。同样,广告与MCI,左顶叶,左和右中央前,离开近中心,右顶叶,额上的地区面积最大的减少。mci和MCIc、左侧梭状回、左侧枕叶,左海马旁,右顶叶,右侧中央后区域显示差异。(3)与HC组相比,灰质体积的左尾前扣带,左orbitalis,左外侧前额,右外侧前额,吻侧额中,右pars opercularis地区降低广告组。广告与MCI、左顶叶、左额上,左尾前扣带,嗅,右顶叶区域显示最大的减少体积。HC与MCI、左supramarginal楔片,左侧中央前,海马旁,右顶叶区域显示最体积萎缩。同样,mci和MCIc bankssts左侧,左侧中央前,左吻侧额中,中央前,右梭状地区最大的减少体积。
功能 地区 坐标 顶点 价值 大小(毫米2)
x y z
广告与HC
厚度 左脑岛 −29.5 17.9 11.9 3165年 −2.3512 3619.47
左海马旁 −31.3 −41.7 −8.7 557年 −2.2303 10736.27
离开楔片 −47.9 −20.9 42.8 1039年 −2.3188 2824.28
正确的喙的中间额 38.5 43 7 1224年 −2.1737 14.8
右颞 53.3 −5.2 −5.2 468年 −2.8676 256.28
对帕尔斯opercularis 50.3 10.2 8.8 1242年 −3.6071 58155.25
区域 离开近中心 −15.8 −35.5 49.4 1197年 −2.2767 7018.72
左外侧眶额 −53.3 −2 7.5 489年 −2.1962 3218.23
右近中心 12.5 −37.1 55.4 1233年 −2.2555 42.55
右顶叶 34 −51.9 37.4 1133年 −2.1026 7213.05
正确的后扣带 14 −30.4 36.6 1201年 −2.0979 1416.67
右顶叶 39.5 −44.7 34.6 7 −2.0263 50.76
体积 左尾前扣带 −5 18.4 26.4 2073年 −3.2264 834.61
离开orbitalis −28.7 −60.2 41.7 1103年 2.3437 1202.55
左外侧眶额 −59.4 −6.9 9.4 412年 −2.0146 635.67
对侧眶额 30.4 22.9 −20.3 631年 −2.7411 2025.6
正确的喙的中间额 34.8 51 4.7 198年 −2.717 1098.82
对帕尔斯opercularis 46.8 15.2 8.7 136年 −2.717 8077.1
广告与MCI
厚度 左顶叶 −43.6 −61.5 33 939年 2.7022 439.37
左梭状回 −40 −53.7 −20.3 254年 2.459 149.84
左颞 −47.7 −25 −9.1 210年 −2.5577 328.03
对侧枕 26.1 −93.9 3.7 363年 3.4944 363年
右顶叶 37.7 −71.7 42.8 1129年 3.3654 646.24
右颞 50.7 −14.3 −2.4 722年 −2.9715 342.28
区域 左顶叶 28.4 −51 42.7 1702年 −2.5085 642.76
左侧中央前 32.2 −21.8 60.8 109年 1.8969 51.54
离开近中心 14.1 −36.7 52.4 238年 −1.8959 79.68
右顶叶 −35.2 −87.2 13.7 50 −1.8099 34.53
对中央前 −54.2 −1.1 7.1 51 −1.7244 21.34
正确的额上 −7.4 4 66.5 34 1.6541 17.86
体积 左顶叶 −28.5 −58.8 40 540年 3.5868 216.1
左额上 −8.5 41.2 30.3 48 −2.6334 33.98
左尾前扣带 −4.9 11.3 32.1 314年 −2.549 150.07
正确的嗅 21.5 −8.9 −29.5 207年 −3.1433 55.69
对侧眶额 42.8 27.8 −13.7 198年 −3.1034 125.01
右顶叶 32.1 −44.2 41.2 115年 −2.5309 40.29
HC与MCI
厚度 左脑岛 −36.4 −9.4 −11.7 811年 −3.5988 309.94
离开楔前叶 −6 −68.9 41.7 628年 2.3682 322.02
左舌 −29.3 −44.5 −6.6 612年 −2.7175 279.16
正确的脑岛 35.8 −10.6 −7.4 1154年 −3.1385 436.62
对帕尔斯triangularis 38.9 31.7 1 372年 −2.1264 204.87
右顶叶 35.1 −72 40.9 285年 −2.7121 152.2
区域 左额上 −17.8 31.5 49.6 237年 1.7293 156.88
离开中央后 −52.1 −22.7 50.7 264年 1.7286 122.75
左顶叶 −32 −49.3 47.3 141年 −1.7572 66.04
对supramarginal 53.4 −47.4 35 1336年 2.7163 676.85
右梭状回 34.7 −12 −34.1 551年 2.0892 322.84
右侧楔前叶 18.2 −77.3 27.7 482年 1.7491 313.36
对中央前 20.7 −30.6 53.9 328年 −1.9165 115.45
体积 离开supramarginal 52.1 −46.3 22.6 441年 2.7521 210.23
离开楔片 17.1 −69.5 16.8 628年 2.611 481.74
左侧中央前 21.2 −30.7 53.8 376年 −2.1546 127.02
右侧海马旁 −23.8 −36.1 −15.6 278年 −1.8212 127.68
右顶叶 −9.1 −74.3 46.5 598年 2.5199 303.67
正确的额上 −18.1 33.3 39.6 210年 2.6035 114.72
mci和MCIc
厚度 左顶叶 −46.3 −60 11.1 2770年 −3.7613 1427.48
左颞 −45.5 −0.4 −20.8 1067年 −2.6742 466.24
左海马旁 −31.7 −40.3 −10.1 550年 −2.3925 239.85
右颞极 29.2 9 −38 1449年 −5.5983 822.82
右颞 62.3 −34.7 15.2 1292年 −3.1646 549.97
对劣质颞 51.6 −56.6 −3.7 882年 −3.0694 507.91
对中央前 48.8 −6.5 40.5 858年 −2.8315 351.93
区域 左梭状回 −36.4 −29.5 −22 659年 −3.0958 312.21
左侧枕叶 −19.4 −99 −15.1 326年 2.6022 250.61
左海马旁 −18.8 −33.5 −14 224年 −2.0347 97.59
右颞 48.1 −32.9 2.2 1515年 −2.5815 579.8
右顶叶 10.6 −52.7 65.1 1697年 −2.2367 641.52
对中央后 33.8 −29 51.9 799年 −2.0859 367.23
体积 离开bankssts −57.9 −46.9 −1 2196年 −2.6263 1162.58
左侧中央前 −36.1 −22 51.7 2736年 −2.5339 1073.1
留下吻侧中间额 −22.4 27.9 32.8 582年 −2.3081 326.86
右颞 62.3 −34.7 15.2 3392年 −4.4677 1449.96
对中央前 49.5 −6.2 41.1 4103年 −3.2472 1813.94
右梭状回 33.9 −37.8 −22.8 782年 −3.1822 425.05
表2
集群不同的皮质厚度、面积和体积的广告,MCI, MCIc病人。

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。

3.2。特征选择和分类

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,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。

(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
(d)”name=
(d)
图3
数量的特性集从时序特征选择算法选择排名前60的特性使用MRMR算法获得的。只有功能的数量和准确性所有特性集使用榆树的组合分类器。(一)广告和HC的特征子集。(b)广告与MCI特征子集。(c) HC与MCI特征子集。(d)的mci和MCIc特征子集。

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。

(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
(d)”name=
(d)
图4
ROC曲线识别广告,mci, MCIc, HC(健康对照组)。ROC曲线分别绘制五生物标志物和连接的所有特性(即。所有五个生物标记措施)。(a) ROC曲线为广告与HC分类,分类广告与MCI (b), (c)对HC与MCI分类、和(d)的MCI和MCIc分类,使用两级榆树分类器的特征选择。

4所示。讨论

4.1。性能分析

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。,imaging 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 Tables3- - - - - -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。
特性测量 榆树 SVM-RBF SVM-linear
ACC % 森% SPE % AUC ACC % 森% SPE % ACC % 森% SPE %
皮质厚度 85.13 92.07 85.44 0.86 80.68 85.68 83.81 77.17 83.17 73.81
表面积 82.30 89.30 91.54 0.85 76.16 86.16 75.14 78.67 87.67 72.62
体积 87.90 93.87 84.75 0.88 79.29 74.29 78.33 80.00 77.10 63.24
脑脊液 89.73 96.33 87.38 0.89 79.05 89.05 74.17 75.33 83.33 68.57
载脂蛋白e + MMSE 86.45 95.13 87.00 0.93 82.03 87.03 84.67 84.16 83.05 78.79
连接(all_features_set) 97.31 98.04 96.28 0.97 91.33 93.33 87.57 93.50 95.5 90.58
表3
10倍旨在分类广告和HC的性能。
特性测量 榆树 SVM-RBF SVM-linear
ACC % 森% SPE % AUC ACC % 森% SPE % ACC % 森% SPE %
皮质厚度 70.10 81.30 66.10 0.71 64.01 83.83 62.33 65.03 78.80 73.30
表面积 61.60 66.70 84.30 0.63 63.45 68.10 80.11 60.67 71.23 62.85
体积 67.80 82.10 67.10 0.69 58.20 77.92 68.56 60.05 73.37 63.73
脑脊液 64.70 66.00 81.40 0.73 56.07 62.75 75.73 61.23 68.71 79.37
载脂蛋白e + MMSE 81.45 84.40 87.70 0.82 76.81 67.81 85.48 76.20 66.94 87.48
连接(all_features_set) 87.91 92.00 97.33 0.89 83.50 88.64 76.72 78.31 74.45 82.62
表4
10倍旨在分类广告与MCI的性能。
特性测量 榆树 SVM-RBF SVM-linear
ACC % 森% SPE % AUC ACC % 森% SPE % ACC % 森% SPE %
皮质厚度 75.40 84.07 67.90 0.83 74.17 80.81 71.23 67.34 73.17 77.93
表面积 74.15 65.20 83.85 0.84 63.54 67.67 66.47 68.72 74.43 67.35
体积 77.84 88.41 72.80 0.84 65.47 74.73 68.75 72.83 78.27 65.70
脑脊液 83.30 73.93 84.02 0.85 73.39 75.25 66.83 75.80 73.38 78.14
载脂蛋白e + MMSE 79.37 93.25 72.97 0.89 68.29 81.73 76.68 70.23 81.24 78.05
连接(all_features_set) 91.72 91.23 99.13 0.93 81.70 83.68 87.49 85.65 78.54 89.26
表5
10倍旨在HC与MCI的分类性能。
特性测量 榆树 SVM-RBF SVM-linear
ACC % 森% SPE % AUC ACC % 森% SPE % ACC % 森% SPE %
皮质厚度 63.71 71.10 38.37 0.64 57.18 65.53 60.38 50.05 71.18 68.13
表面积 61.43 72.28 74.80 0.69 54.25 63.22 76.17 58.27 72.23 64.85
体积 67.85 84.40 87.73 0.74 59.17 78.28 67.55 62.14 74.45 57.73
脑脊液 71.37 78.84 68.57 0.72 64.73 60.09 72.78 67.33 78.82 68.78
载脂蛋白e + MMSE 76.09 87.13 72.09 0.79 65.53 68.81 67.43 68.08 72.21 66.33
连接(all_features_set) 83.38 93.01 75.77 0.85 71.37 81.16 76.75 75.71 78.38 84.67
表6
10倍的mci和MCIc旨在分类性能。
(一)”name=
(一)
(b)”name=
(b)
(c)”name=
(c)
(d)”name=
(d)
图5
使用榆树分类器分类结果为不同的阿尔茨海默氏症组。广告(a)分类结果与HC组,为广告与MCI组(b),为HC与MCI组(c),并为MCI和MCIc组(d)。

图6
不同分类器的性能比较。
作者 数据 分类器 特征选择 广告与HC (%) HC与MCI
韦斯特曼et al。67年] MRI +脑脊液 OPLS - - - - - - 91.8 77.6%
Johnson et al。68年] MRI +宠物+ CSF +认知得分 堆叠autoencoder 稀疏表示学习 95.9 85%
Hinrichs et al。69年] MRI +宠物+ CSF + APOE +认知得分 MKL - - - - - - 92.4 n /一个
张和沈et al。39] MRI +宠物+ CSF 支持向量机 多任务特征选择 93.3 83.2%
Beheshti et al。70年] sMRI 支持向量机 功能等级+遗传算法 93.01 - - - - - -
Spasov et al。71年] sMRI + + APOE +人口认知措施 美国有线电视新闻网 - - - - - - 99.5 - - - - - -
Maqsood et al。72年] sMRI 美国有线电视新闻网 - - - - - - 92.85 - - - - - -
该方法 MRI + CSF + APOE + MMSE 榆树 过滤器(MRMR) +包装器(SFS) 97.31 91.72%
表7
比较分类广告和HC和HC与MCI该方法与现有最先进的方法。
4.2。与其他方法相比

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,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,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。
作者 数据 分类器 特征选择 mci和MCIc (%)
韦斯特曼et al。67年] MRI +脑脊液 OPLS - - - - - - 68.5
张和沈et al。39] MRI +宠物+ CSF 支持向量机 多任务特征选择 73.90
Beheshti et al。70年] sMRI 支持向量机 功能等级+遗传算法 75.00
Spasov et al。71年] sMRI + + APOE +人口认知措施 美国有线电视新闻网 - - - - - - 86年
Moradi et al。73年] MRI +年龄和认知 - - - - - - 82年
该方法 MRI + CSF + APOE + MMSE 榆树 过滤器(MRMR) +包装器(SFS) 83.38
表8
mci的分类与MCIc比较该方法与现有的方法。

5。结论

总之,我们表明,结合三个sMRI措施,皮层厚度、皮质区,皮质体积,和三个非成象措施,CSF组件,APOEε4状态和MMSE评分,提高广告的诊断。此外,这种组合显示轻度认知障碍的早期识别潜力巨大(老年痴呆症)的前驱期。在这种方法中,我们提出了滤波器和包装特征选择榆树分类器对多个biomarker-based广告诊断,大大提高了分类器的性能。此外,结果比,或类似的,那些之前报道,尤其是对最具挑战性的分类,如HC与MCI和MCI和MCIc。不同解剖相结合的附加值MRI措施应考虑广告扫描协议。只有使用特定方面,或一个衡量整个脑萎缩,广告诊断仍然是常见的做法。我们的结果表明,临床AD诊断可能受益于多个措施的组合从解剖MRI扫描,和其他非成象生物标记,纳入一个自动化机器学习系统。我们提出的方法有效地提高了诊断准确性的广告和MCI,但仍有一些缺陷。未来的工作将包括各种改进。首先,我们将优化参数获取的过程。 Second, in order to enhance the effectiveness of the suggested method, the dataset will be increased in terms of the following: extension of the longitudinal dataset for better understanding of the progression from MCI and inclusion of multimodal data, such as PET and fMRI data, which provides different insights into the characteristics of AD.

数据可用性

阿尔茨海默病的神经影像学(ADNI)的数据集(http://adni.loni.usc.edu)被用于这项研究。关于ADNI调查员可以在完整的信息http://adni.loni.usc.edu/wp_content/uploads/how_to_apply/ADNI_Acknowledgement_ist.pd。

的利益冲突

作者声明没有利益冲突的有关这项工作。

确认

这项工作得到了韩国国家研究基金会授予由韩国政府(nrf - 2019 r1f1a1060166和联盟- 2019 r1a4a1029769)。数据收集和分享这个项目由ADNI (National Institutes of Health),格兰特U01 AG024904)和国防部ADNI(国防部,格兰特w81xwh - 12 - 2 - 0012)。ADNI是由美国国家老龄问题研究所资助,国家生物医学成像和生物工程研究所和慷慨的贡献如下:AbbVie,阿尔茨海默氏症协会;阿尔茨海默病药物发现的基础;Araclon生物技术;BioClinica有限公司;生原体;百时美施贵宝公司;CereSpir有限公司;CogstateEisai Inc .); Elan Pharmaceuticals, Inc.; Eli Lilly and Company; EuroImmun; F. Hofmann-La Roche Ltd and its affiliated company Genentech, Inc.; Fujirebio; GE Healthcare; IXICO Ltd.; Janssen Alzheimer Immunotherapy Research & Development, LLC; Johnson & Johnson Pharmaceutical Research & Development LLC; Lumosity; Lundbeck; Merck & Co., Inc.; Meso Scale Diagnostics, LLC; NeuroRx Research; Neurotrack Technologies; Novartis Pharmaceuticals Corporation; Pfzer Inc.; Piramal Imaging; Servier; Takeda Pharmaceutical Company; and Transition Therapeutics. The Canadian Institutes of Health Research provides funding to support ADNI clinical sites in Canada. Private sector contributions are facilitated by the Foundation for the National Institutes of Health (http://www.fnih.org)。加州北部研究和教育研究所是受让人组织,和阿尔茨海默病治疗的研究是协调在南加州大学的研究所。ADNI数据传播的神经影像实验室在南加州大学。

引用

  1. a . Serrano-Pozo m . p .就诊,e . Masliah和b·t·海曼”在阿尔茨海默病神经病理改变,”冷泉港医学视角,1卷,不。1,文章ID a006189, 2011。视图:出版商的网站|谷歌学术搜索
  2. 阿尔茨海默氏症协会“2015阿尔茨海默氏症的事实和数字,”阿尔茨海默氏症和老年痴呆症,11卷,不。3、332 - 384年,2015页。视图:出版商的网站|谷歌学术搜索
  3. s c·约翰逊,”阿尔茨海默病家族史的影响和载脂蛋白e epsilon4内侧颞叶的激活,“神经科学杂志》上,26卷,不。22日,第6076 - 6069页,2006年。视图:出版商的网站|谷歌学术搜索
  4. p . m .汤普森和l . g . Apostolova”计算解剖方法应用于老化和痴呆,”英国放射学杂志》上,卷80,不。2,S78-S91, 2007页。视图:出版商的网站|谷歌学术搜索
  5. j·l·Whitwell s . a . Przybelski s d Weigand et al .,“从多个MRI三维地图说明改变萎缩模式作为学科进展从轻度认知障碍到阿尔茨海默氏症,”大脑,卷130,不。7,1777 - 1786年,2007页。视图:出版商的网站|谷歌学术搜索
  6. e . m . Reiman r . j . Caselli s . Lang et al .,“临床前阿尔茨海默病的证据人ε4等位基因的纯合子的载脂蛋白e,”新英格兰医学杂志》上,卷334,不。12日,第758 - 752页,1996年。视图:出版商的网站|谷歌学术搜索
  7. e . j . Golob r . Irimajiri, a·斯塔尔“听觉皮层活动遗忘轻度认知障碍:痴呆亚型和转换的关系,“大脑,卷130,不。3、740 - 752年,2007页。视图:出版商的网站|谷歌学术搜索
  8. m . s .艾伯特,s . t . DeKosky d·迪克森et al .,“轻度认知障碍的诊断阿尔茨海默氏症:建议从国家aging-Alzheimer研究所协会工作组在阿尔茨海默病诊断指南,”阿尔茨海默氏症和老年痴呆症,7卷,不。3、270 - 279年,2011页。视图:出版商的网站|谷歌学术搜索
  9. r·c·彼得森g·e·史密斯,s . c .华林r . j . Ivnik e . g . Tangalos和e . Kokmen“轻度认知障碍,”神经病学档案卷,56号3、303 - 308年,1999页。视图:出版商的网站|谷歌学术搜索
  10. r·a·斯珀林·s·爱森·l·a·贝克特et al .,”阿尔茨海默病的临床前阶段定义:建议从国家aging-alzheimer研究所协会工作组在阿尔茨海默病诊断指南,”阿尔茨海默氏症和老年痴呆症,7卷,不。3、280 - 292年,2011页。视图:出版商的网站|谷歌学术搜索
  11. m . Tabuas-Pereira Baldeiras, d .杜罗et al .,“早发型与晚发性轻度认知障碍的预后:转化率的比较及其预测,“老年病学,1卷,不。2,p。2016。视图:出版商的网站|谷歌学术搜索
  12. l . Mosconi r . Mistur r . Switalski et al .,”正从认知正常大脑葡萄糖代谢的变化病理证实阿尔茨海默氏症,”欧洲核医学与分子影像杂志》上,36卷,不。5,811 - 822年,2009页。视图:出版商的网站|谷歌学术搜索
  13. d . s . Knopman通用McKhann称,h . Chertkow et al .,“由于阿尔茨海默病痴呆的诊断:建议从国家aging-Alzheimer研究所协会工作组在阿尔茨海默病诊断指南,”阿尔茨海默氏症和老年痴呆症,7卷,不。3、263 - 269年,2011页。视图:出版商的网站|谷歌学术搜索
  14. A.-T。杜:Schuff, j·h·克雷默et al .,“不同区域的皮质萎缩模式在阿尔茨海默病以及额颞叶痴呆,”大脑,卷130,不。4、1159 - 1166年,2007页。视图:出版商的网站|谷歌学术搜索
  15. a . Tessitore g . Santangelo r . De Micco et al .,“帕金森氏症患者的大脑皮层厚度变化和冲动控制障碍,”帕金森症及相关疾病,24卷,第125 - 119页,2016年。视图:出版商的网站|谷歌学术搜索
  16. j·r·k·喇嘛Gwak, js。公园,S.-W。李,”阿尔茨海默病的诊断基于结构的MRI图像使用正规化极端学习机和PCA特征,“医疗保健工程卷,2017篇文章ID 5485080, 11页,2017年。视图:出版商的网站|谷歌学术搜索
  17. o . Querbes f·奥布里,j . Pariente et al .,”阿尔茨海默病的早期诊断使用皮质厚度:认知储备的影响,“大脑,卷132,不。8,2036 - 2047年,2009页。视图:出版商的网站|谷歌学术搜索
  18. p·p·d·m·奥利维拉r . Nitrini g . Busatto c . Buchpiguel j . r .佐藤和e . Amaro”使用支持向量机方法基于地表的皮质和体积皮层下测量检测阿尔茨海默氏症,”阿尔茨海默氏症期刊》上,19卷,不。4、1263 - 1272年,2010页。视图:出版商的网站|谷歌学术搜索
  19. s . f . Eskildsen p .轿跑车,d . Garcia-Lorenzo诉Fonov j . c . Pruessner d·l·柯林斯,“预测阿尔茨海默病与轻度认知障碍受试者ADNI队列使用模式的皮质萎缩,”科学杂志卷,65年,第521 - 511页,2013年。视图:出版商的网站|谷歌学术搜索
  20. s . Kloppel c . m . Stonnington c .楚et al .,“先生的自动分类扫描在阿尔茨海默氏症,”大脑,卷131,不。3、681 - 689年,2008页。视图:出版商的网站|谷歌学术搜索
  21. d . m . Liu张,d .沈”层次的融合特性和阿尔茨海默病诊断分类器决定,”人类大脑图谱,35卷,不。4、1305 - 1319年,2014页。视图:出版商的网站|谷歌学术搜索
  22. t, r . Wolz问:高,r·格雷罗州j . v . Hajnal和d . Rueckert”多个实例学习大脑核磁共振,痴呆的分类”医学图像分析,18卷,不。5,808 - 818年,2014页。视图:出版商的网站|谷歌学术搜索
  23. p .轿跑车,s . f . Eskildsen j . v . Manjon v . s . Fonov d·l·柯林斯,”同时分割为病人的分类和分级的解剖结构:应用阿尔茨海默氏症,”科学杂志卷,59号4、3736 - 3747年,2012页。视图:出版商的网站|谷歌学术搜索
  24. r . Wolz诉Julkunen j . Koikkalainen et al .,“多方法分析在阿尔茨海默病的早期诊断,MRI图像”《公共科学图书馆•综合》》第六卷,没有。10篇文章ID e25446 2011。视图:出版商的网站|谷歌学术搜索
  25. d, l .周y . Wang h .元,d .沈,“多模式分类的阿尔茨海默病和轻度认知障碍,”科学杂志,55卷,不。3、856 - 867年,2011页。视图:出版商的网站|谷歌学术搜索
  26. r·斯蒂芬·t·Ngandu y刘et al .,“脑容量和皮质厚度MRI在芬兰老年干预研究防止认知损伤和残疾(手指),“阿尔茨海默氏症的研究和治疗,11卷,不。1,2019。视图:出版商的网站|谷歌学术搜索
  27. s . f . Eskildsen p .轿跑车,v . s . Fonov, j . c . Pruessner d·l·柯林斯,“结构性成像阿尔茨海默病的生物标志物:预测疾病进展,”神经生物学衰老的,36卷,不。1,S23-S31, 2015页。视图:出版商的网站|谷歌学术搜索
  28. s . j .黄c . m . Kim全et al .,“预测阿尔茨海默病的病理生理学基础上皮层厚度模式,”阿尔茨海默氏症和老年痴呆症:诊断、评估和疾病监测,卷2,不。1,58 - 67、2016页。视图:出版商的网站|谷歌学术搜索
  29. e·查理斯·赫尔利·l·塞拉,m . Bozzali s奥利弗和m . Cercignani“高斯过程分类阿尔茨海默病和轻度认知障碍从静息状态功能磁共振成像,”科学杂志卷,112年,第243 - 232页,2015年。视图:出版商的网站|谷歌学术搜索
  30. y, z, p .菲利普斯et al .,“检测阿尔茨海默病相关的主题和大脑区域使用3 d核磁共振扫描eigenbrain和机器学习的基础上,“计算神经科学前沿,9卷,p。66年,2015年。视图:出版商的网站|谷歌学术搜索
  31. w·j·b·s . Langbaum k . Chen李et al .,“分类和相关性分析的基线氟脱氧葡萄糖正电子发射断层扫描图像的阿尔茨海默病的神经影像学(ADNI)”科学杂志,45卷,不。4、1107 - 1116年,2009页。视图:出版商的网站|谷歌学术搜索
  32. k·r·格雷·Aljabar r . a . Heckemann a .锤子和d .做出“随机与森林有关的相似性措施综合分类的阿尔茨海默氏症,”科学杂志卷,65年,第175 - 167页,2013年。视图:出版商的网站|谷歌学术搜索
  33. j·b·Langbaum a . s .弗k . Chen等人”进入临床前阿尔茨海默病的研究和治疗,”自然神经学评论》,9卷,不。7,371 - 381年,2013页。视图:出版商的网站|谷歌学术搜索
  34. h . Hampel k .汉堡,s . j . Teipel a . l . w . Bokde h . Zetterberg和k . Blennow”核心候选人阿尔茨海默病的神经化学和成像生物标记,”阿尔茨海默氏症和老年痴呆症,4卷,不。1,38 - 48,页。2008。视图:出版商的网站|谷歌学术搜索
  35. m . Vounou e . Janousova r . Wolz et al .,“稀疏reduced-rank回归检测基因关联与voxel-wise纵向表型在阿尔茨海默氏症,”科学杂志,60卷,不。1,第716 - 700页,2012。视图:出版商的网站|谷歌学术搜索
  36. b·杰·d·张,程b和d .沈,“廖正规化的多任务功能学习多峰性疾病分类,“人类大脑图谱,36卷,不。2、489 - 507年,2015页。视图:出版商的网站|谷歌学术搜索
  37. f . Liu彭译葶。凌晨,h·陈,d .沈”Inter-modality关系约束多模多任务特征选择对阿尔茨海默氏症和轻度认知障碍识别、”科学杂志卷,84年,第475 - 466页,2014年。视图:出版商的网站|谷歌学术搜索
  38. l .元,y, p . m . Thompson v . a . Narayan j .你们,“多源特征学习不完整的多个异构神经影像数据的联合分析,“科学杂志,卷61,不。3、622 - 632年,2012页。视图:出版商的网站|谷歌学术搜索
  39. 张d和d .沈,“多模式多任务学习多元回归和分类变量的联合预测阿尔茨海默氏症,”科学杂志卷,59号2、895 - 907年,2012页。视图:出版商的网站|谷歌学术搜索
  40. o . Kohannim x, d . p . Hibar et al .,“促进权力基于多个生物标志物,为临床试验使用分类器”神经生物学衰老的没有,卷。31日。8,1429 - 1442年,2010页。视图:出版商的网站|谷歌学术搜索
  41. d . c . Davatzikos y粉丝,x Wu沈,和s·m·雷斯尼克,“检测前驱的阿尔茨海默病通过磁共振成像模式分类,“神经生物学衰老的卷,29号4、514 - 523年,2008页。视图:出版商的网站|谷歌学术搜索
  42. 吴x, y的粉丝,s·m·雷斯尼克和c . Davatzikos”屏障结构和功能的生物标记物前驱的阿尔茨海默氏症:一个高维的模式分类研究中,“科学杂志第41卷。。2、277 - 285年,2008页。视图:出版商的网站|谷歌学术搜索
  43. c . Hinrichs诉辛格,l·慕克吉g .徐m . k .钟和美国c·约翰逊,“空间增强lpboosting广告ADNI数据集分类与评价,“科学杂志,48卷,不。1,第149 - 138页,2009。视图:出版商的网站|谷歌学术搜索
  44. d . b . Cheng m . Liu, b . c .孟塞尔和d .沈,“学习MCI转换预测领域转移,”IEEE生物医学工程,卷62,不。7,1805 - 1817年,2015页。视图:出版商的网站|谷歌学术搜索
  45. 彭译葶。凌晨,P.-T。狂吠,d .沈”预测阿尔茨海默病和轻度认知障碍使用皮质形态模式,”人类大脑图谱,34卷,不。12日,第3425 - 3411页,2013年。视图:出版商的网站|谷歌学术搜索
  46. b . c . w . Wang Ooi x, d,和y壮族,“有效的综合检索基于堆叠auto-encoders,”美国养老,7卷,不。8,649 - 660年,2014页。视图:出版商的网站|谷歌学术搜索
  47. n·斯利瓦斯塔瓦和r . Salakhutdinov Multimodal学习深玻耳兹曼机,”机器学习研究杂志》上,15卷,不。1,第2980 - 2949页,2014。视图:谷歌学术搜索
  48. w·欧阳x, x王,“多源深度学习人体姿态估计,,”《IEEE计算机视觉与模式识别会议哥伦布,页2337 - 2344年,哦,美国,2014年9月。视图:出版商的网站|谷歌学术搜索
  49. 我的。Suk, d .沈深上优于特性为AD / MCI分类表示,“先进信息系统工程施普林格,柏林,德国,2013年。视图:出版商的网站|谷歌学术搜索
  50. 黄g . h .周x叮,r·张“回归和多级分类,极端的学习机器”IEEE系统,人,控制论,B部分(控制论),42卷,不。2、513 - 529年,2012页。视图:出版商的网站|谷歌学术搜索
  51. G.-B。黄徐瑞秋朱,C.-K。萧,“极端的学习机器:前馈神经网络的一个新的学习计划,”《IEEE国际神经网络联合会议2004年7月,布达佩斯,匈牙利,。视图:出版商的网站|谷歌学术搜索
  52. d . Jha美国阿拉姆,J.-Y。Pyun、k·h·李和G.-R。Kwon,”阿尔茨海默病检测使用极端的学习机器,复杂的双树小波主系数和线性判别分析,“医学成像和卫生信息学杂志》上,8卷,不。5,881 - 890年,2018页。视图:出版商的网站|谷歌学术搜索
  53. d·t·阮s Ryu m . n库雷希,m . Choi k·h·李,和b·李,“混合多元模式分析结合极端学习机阿尔茨海默氏痴呆诊断使用测度rs-fMRI空间模式,”《公共科学图书馆•综合》,14卷,不。2篇文章ID e0212582 2019。视图:出版商的网站|谷歌学术搜索
  54. g .黄G.-B。黄、美国歌曲和k .你,”趋势在极端的学习机器:审查。”神经网络卷。61年,32-48,2015页。视图:出版商的网站|谷歌学术搜索
  55. x刘、高c和p . Li”比较分析的支持向量机和极端的学习机器,”神经网络33卷,58 - 66、2012页。视图:出版商的网站|谷歌学术搜索
  56. b·费施尔“Freesurfer”,科学杂志,卷62,不。2、774 - 781年,2012页。视图:出版商的网站|谷歌学术搜索
  57. r . s . Desikan f . Segonne b费施尔et al .,“细分人类大脑皮层的自动标注系统基于核磁共振扫描到旋转的感兴趣的区域,“科学杂志没有,卷。31日。3、968 - 980年,2006页。视图:出版商的网站|谷歌学术搜索
  58. l . Yaddanapudi”美国统计协会声明 值解释道,“麻醉学临床药理学杂志》上,32卷,不。4、421 - 423年,2016页。视图:出版商的网站|谷歌学术搜索
  59. m . Radovic m . Ghalwash: Filipovic, z Obradovic,“最小冗余最大相关性特征选择方法对时序基因表达数据,”BMC生物信息学,18卷,不。1,2017。视图:出版商的网站|谷歌学术搜索
  60. s . h . Hojjati a . Ebrahimzadeh a . Khazaee和a . Babajani-Feremi”预测遗忘型MCI向AD转换使用静息状态功能磁共振成像,图像理论方法和支持向量机,”神经科学杂志》上的方法卷,282年,第80 - 69页,2017年。视图:出版商的网站|谷歌学术搜索
  61. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
  62. m·n·库雷希,j .哦,b . Min, h·j·乔和李,“多模式、测度和多层次歧视ADHD的层次特征提取和极端的学习机器使用大脑结构和功能磁共振成像,”人类神经科学前沿p . 157,卷。11日,2017年。视图:出版商的网站|谷歌学术搜索
  63. a . Akusok y发牢骚,j . Karhunen K.-M。比约克,r .年,a . Lendasse“任意类别分类的网站基于图像内容,“IEEE计算机情报杂志,10卷,不。2,30-41,2015页。视图:出版商的网站|谷歌学术搜索
  64. 曹和z林”,极端的学习机器高维度和大数据应用程序:一个调查,“数学问题在工程文章ID 103796卷,2015年,13页,2015。视图:出版商的网站|谷歌学术搜索
  65. e . y . Chen姚明,和A·巴苏,“128 -通道极端基于机器学习神经解码器脑机接口,“IEEE生物医学电路和系统,10卷,不。3、679 - 692年,2016页。视图:出版商的网站|谷歌学术搜索
  66. b·a·理查兹h . Chertkow诉辛格et al .,”模式在阿尔茨海默病以及额颞叶痴呆皮质萎缩,”神经生物学衰老的,30卷,不。10日,1626 - 1636年,2009页。视图:出版商的网站|谷歌学术搜索
  67. e·韦斯特曼js。Muehlboeck, a·西蒙斯”结合MRI和CSF的分类办法,阿尔茨海默氏症和预测轻度认知障碍的转换,“科学杂志,卷62,不。1,第238 - 229页,2012。视图:出版商的网站|谷歌学术搜索
  68. 我的。约翰逊,S.-W。李,S.-W。李,d .沈,“潜在的特征表示与堆叠auto-encoder广告/ MCI诊断,”大脑结构和功能,卷220,不。2、841 - 859年,2015页。视图:出版商的网站|谷歌学术搜索
  69. c . Hinrichs诉辛格,徐g和c·约翰逊,“预测标记为广告多模框架:ADNI人口MCI的分析进展,”科学杂志,55卷,不。2、574 - 589年,2011页。视图:出版商的网站|谷歌学术搜索
  70. Beheshti说,h··德米雷尔h .松田,”阿尔茨海默病的分类和预测轻度认知impairment-to-Alzheimer转换的使用特性的排名从资源结构磁成像和遗传算法”计算机在生物学和医学卷,83年,第119 - 109页,2017年。视图:出版商的网站|谷歌学术搜索
  71. s . Spasov l .得到A . Duggento·利奥和n . Toschi”parameter-efficient深学习方法预测转换从轻度认知障碍到阿尔茨海默氏症,”科学杂志卷,189年,第287 - 276页,2019年。视图:出版商的网站|谷歌学术搜索
  72. m . Maqsood f·纳齐尔,汗et al .,“转移学习辅助分类和阿尔茨海默病的检测阶段使用3 d核磁共振扫描,”传感器,19卷,不。11,2645年,页2019。视图:出版商的网站|谷歌学术搜索
  73. e . Moradi佩佩,c .气体h . Huttunen和j . Tohka“机器学习框架mri早期阿尔茨海默氏症转换预测MCI学科,“科学杂志卷,104年,第412 - 398页,2015年。视图:出版商的网站|谷歌学术搜索

版权©2020 Uttam Khatri Goo-Rak Kwon。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点423年
下载453年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。