（深圳市唐仁医疗科技有限公司 广东 深圳 518000）
摘要：机器学习已经广泛的应用于众多疾病的辅助诊断中，分类集成学习通过构建多个学习器来完成特定学习任务，再通过特定的策略将他们结合起来。阿尔茨海默症由于其病因和疾病发展经历了较为漫长的过程。本研究使用对早期、晚期轻度认知障碍、阿尔茨海默症及正常老年人进行分组特征提取。优化使用可以提高分辨率的PCA-FLDA 集成分类器对前期提取的数据进行分类集成，最大限度的降低了前期特征提取中不同分类方式对空间划分的依赖性。
阿尔茨海默症（Alzheimer’s disease，以下简称“AD”） 是老年群体中一种常见疾病，由于其发病原因复杂，疾病发展周期较为慢长，生活中不易察觉，导致很多患者没有得到及时的干预和治疗，对家庭和社会造成了极大的影响。如果能在 轻 度 认 知 障 碍（ Mild Cognitive Impairment, 以下简称“MCI”）阶段对其进行药物干预及其他辅助治疗，可以使症状得到很大程度的控制。据不完全统计，我国每年约有10%-15%的MCI患者病情进展为AD，而这个数字在健康的老年人中的转化率仅为1%-2%，说明在临床上MCI患者为即将进展为AD的高危人群[1]。因此，如若可以在MCI阶段找到合适的诊断标志或建立合适的预测模型，在MCI及早期AD阶段给出患者风险预警及适当的物理或药物干预治疗，将会对延缓疾病的发展，提高患者生存治疗有着非常重要的意义。
一、研究方法
本研究使用机器集成学习方法对早期MCI（n=175）、晚期MCI（n=203）、AD（n=267）及正常老年组（n=384）进行了分类数据预处理，特征提取等步骤，主要内容如下：
（1）数据收集。分别收集来自四组人群的sMRI（structural magnetic resonance imaging）数据、PET（Positron Emission Tomography）数据和DTI（Diffusion Tensor Imaging）数据 ，并对原始数据进行特定的分组，降低噪声，为后续步骤做好准备[2]。
（2）特征提取。sMRI和PET数据使用基于采用了以基于AAL（Anatomical Automatic Labeling）分区为主要基础，该分区方式是由蒙特利尔神经病学研究所提供，该方法的分区模型中有90个区域属于本研究所覆盖的大脑区域[3]。在此基础上结合基于显著性检验的特征提取方法对数据进行进一步的优化。对于DTI图像，以各向异性（FA）和平均弥散率（MD）图谱两个维度的指标进行显著性分析，作为分类数据。
（3）集成学习方。研究中使用了Adaboost集成分类器、FLDA分类器、MVIC分类器、SVM分类器和PCA-FLDA集成分类器将预先准备的数据进行集成分析[4]。PCA-FLDA集成分类器的分类效果明显优于其他分类器，简言之其核心原理是通过主成分分析法主成分分析(Principal Component Analysis,简称?PCA) PCA方法得到不同能量的特征子空间 ，继而再利用每个特征子空间，对其分别进行训练，从而得到相应的基分类器 ，最后将已获得的多个基分类器通过加权投票的机制得到最终的分类结果。
期刊文章分类查询,尽在期刊图书馆
二、研究结论
1.研究发现在采用相同的分类方法时，如不考虑差异显著性，将全脑的特征按照相同的权重提取，则很大程度降低了研究者感兴趣区的差异性[5]。
2.采用PCA-FLDA 集成分类器进行集成，由于传统单一的集成分类器，差异性方面获得了明显的进步，且其时间的复杂性大大降低。
3.在四组不同的影像数据处理中使用多种模态数据联合作为分类特征，不同模态的数据能够提供互补的信息，而将其联合使用又能够进一步提高分类的准确率。
4.P与CA-FLDA集成分类器与FLDA分类器、SVM分类器、Adaboost集成分类器、MVIC分类器的分类结果相比，PCA-FLDA集成分类器的分类效果明显优于其他分类器，及任何单一分类器[6]。
5.本项目构建了多个网络，并对每个网络预测的结果采用取最大值的方法得到最终预测结果，可以实现对AD(阿尔兹海默症)、MCI(轻度认知障碍)和NC(正常人)之间更加准确的分类，同时更加有利于MCI和AD的前期诊断。
结论
本研究采集了1029个早期MCI、晚期、AD及正常老年人数据，运用了机器学习的方法，在数以千计的模型中筛选出最优方案，构建了多个网络，实现内部和外部系统数据导入；构建适合检测患者各项指标的数据模型。并对每个网络预测的结果采用取最大值的方法得到最终预测结果，可以实现对AD(阿尔兹海默症)、MCI(轻度认知障碍)和NC(正常人)之间更加准确的分类，同时更加有利于MCI和AD的前期诊断。此数据模型的建立在未来可以达到覆盖大级别数量人群长效监测效果。
参考文献
[1] 池敏越,匡翠立,牛传筱,赖春任. 摘要:轻度认知障碍(mild cognitive impairment, MCI) 具有发展为阿尔茨海默症(Alzheimer's disease, AD)的高度危险性,其发病机理、早期检测与进展状况跟踪预测是轻度认知障碍研究中3 个重要问题。Aβ [J]. 生命科学.
[2] 程波, 朱丙丽, 熊江. 基于多模态多标记迁移学习的早期阿尔茨海默病诊断[J]. 计算机应用, 2016, 36(8):2282-2286.
[3] 梁红. 基于脑功能网络的AD和MCI分类研究[D]. 太原理工大学, 2014.李慧卓.
[4] 基于集成学习的多模态AD辅助诊断模型研究[D]. 太原理工大学, 2016.
[5] 赖玉菡. AD疾病的多模态Meta分析及基于MRI图像AD和MCI的分类[D]. 电子科技大学, 2014.
[6] 胡忠婕, 陈楠, 宋海庆,等. 遗忘型轻度认知障碍和阿尔茨海默病的多模态MRI研究进展[J]. 中华放射学杂志, 2014(6):517-520.
本项目由深圳市创客专项资金资助，编号CKCY2016082914304219
论文作者:唐静,李佩文,罗华,曾倩云
论文发表刊物:《科技研究》2018年8期
论文发表时间:2018/10/23
标签：数据论文; 阿尔论文; 特征论文; 方法论文; 认知论文; 多个论文; 患者论文; 《科技研究》2018年8期论文;