论文部分内容阅读
精神分裂症(Schizophrenia,SZ)是一种严重的精神疾病,临床症状主要包括幻觉、妄想、情感淡漠、注意力及工作记忆损害等。SZ的临床诊断缺乏客观生物标记物,容易造成误诊、漏诊。本文基于多模态磁共振影像(Magnetic resonance imaging,MRI)数据对SZ进行自动分类和个体化预测研究,系统比较了不同模式分类和模式回归算法,同时对分类和预测时权重最大的脑区进行分析及讨论。本文的主要研究内容如下:1)本研究采集了 61名首发精神分裂症(First Episode Schizophrenia,FESZ)患者、79名慢性精神分裂症(Chronic Schizophrenia,CSZ)患者和205名健康对照(Normal Controls,NC)的结构MRI、静息态功能MRI以及弥散张量成像(Diffusion Tensor Imaging),基于人类脑连接图谱(Human Brainnettome Atlas)计算246个脑区的灰质体积、白质体积、度中心度、低频振荡振幅和局部一致性等,并基于白质划分图谱(white matter parcellationmap)计算50个白质区域的分数各向异性、平均弥散率、轴向弥散率和径向弥散率等九种脑影像特征。采用以上九种多模态脑影像特征作为分类器的输入,基于嵌套交叉验证法评价k近邻法、线性支持向量机、逻辑斯谛回归、线性判别分析和随机森林等五种模式分类算法研究SZ患者组/NC组和FESZ患者组/CSZ患者组的分类效果。我们发现相比于仅仅使用单个模态的分类器,结合三个模态特征的分类器有效地提高了分类的准确率。而且发现线性支持向量机和随机森林这两个分类器的分类效果要优于其他的分类器,最高准确率为85%。进一步发现脑功能影像特征在区分NC和SZ患者时贡献较大,且脑结构影像特征对于区分FESZ患者和CSZ患者时贡献较大。2)采用和分类研究相同的特征,我们采用最小二乘回归、岭回归、LASSO回归、线性支持向量回归和弹性网正则化线性回归等五种模式回归算法对SZ患者的阳性与阴性症状量表(Positive and Negative syndrome scales,PANSS)评分进行个体化预测研究,结果表明基于弹性网正则化线性回归预测得到的评分和实际评分相关程度最高(r=0.43),线性支持向量回归和岭回归也都取得了显著的预测结果。对预测贡献最大的脑区主要集中在额叶和颞叶。本文基于多模态磁共振脑影像特征,对比了不同的模式分类和模式回归算法,实现了对SZ患者较高的分类准确率,同时对SZ患者PANSS总评分的预测具有显著性。研究结果对于构建SZ辅助诊断系统的算法选型提供一定的参考,为SZ患者在个体水平下疾病状态的评估提供一定的参考。