论文部分内容阅读
目的:用支持向量机(Support vector machines,SVM)模型方法基于结构性脑核磁共振成像(Magnetic resonance imaging,MRI)影像学数据,对阿尔茨海默病(Alzheimer’s Disease,AD)的不同疾病进程进行分类预测研究,帮助疾病的辅助诊断。方法:从阿尔茨海默病神经影像数据库(Alzheimer’s Disease Neuroimaging Initiative,ADNI)随机选择543例研究对象:认知功能正常组139人,早期轻度认知障碍组220人,晚期轻度认知障碍组108人和阿尔茨海默病组76人。收集每个研究对象的272项MRI数据(49项脑区的皮质下体积、69项皮质体积、68项皮质厚度、70项表面积及16项海马结构亚区体积)、简易精神状态检查(Mini Mental State Examination,MMSE)量表评分结果、年龄、性别和受教育程度等研究指标。采用方差分析,非参数检验和相关性分析的统计学方法进行数据预处理。然后将提取的特征参数输入SVM模型,随机划分训练集和测试集样本,并用训练集样本训练分类器模型,测试集样本进行测试,从而实现AD病程的分类预测。结果:300例样本训练集,243例测试集样本的不同指标分类预测准确率:276项指标的训练集预测准确率为78.07%,测试集样本预测准确率为46.91%;54项指标训练集样本预测结果为100%,测试集样本预测准确率为99.17%;8项指标训练集样本预测结果为100%,测试集样本预测准确率为64.19%;135项指标训练集样本预测结果为100%,测试集样本预测准确率为56.37%;45项指标训练集样本预测结果为100%,测试集样本预测准确率为77.77%;25项指标训练集样本预测结果为100%,测试集样本预测准确率为61.31%。400例样本训练集,276项指标的训练集预测准确率为88.50%,测试集样本预测准确率为50.34%;54项指标训练集样本预测结果为100%,测试集样本预测准确率为99.30%。488例项样本训练集,276项指标的训练集预测准确率为78.07%,测试集样本预测准确率为54.54%;54项指标训练集样本预测结果为100%,测试集样本预测准确率为100%。结论:本研究提取的MRI数据结合构建的SVM模型获得较为精确的分类预测结果。方差分析提取指标的分类预测准确率最好。根据预测结果可以确定与疾病相关的数据特征,为临床和基础研究、探讨病因和病理改变提供依据。增加纵向样本还可实现MCI向AD转化率的预测。