论文部分内容阅读
目的:探讨轻度认知功能障碍(mild cognitive impairment,MCI)和阿尔茨海默病(Alzheimer’s disease,AD)脑核磁共振成像(Magnetic resonance imaging,MRI)的特征指标,并将MRI特征指标进入机器学习进行AD病程分类预测,从而选出分类预测的最佳模型,用于MCI、AD的辅助诊断。方法:1.随机选取阿尔茨海默病神经影像计划(Alzheimer’s Disease Neuroimaging Initiative,ADNI)数据库中编号为4018~5210的符合条件的研究对象543例,根据ADNI诊断标准对研究对象进行分组:认知功能正常(cognitive normal,CN)组139例,早期轻度认知功能障碍(early mild cognitive impairment,EMCI)组220例,晚期轻度认知功能障碍(late mild cognitive impairment,LMCI)组108例,AD组76例。收集研究对象的资料:姓名、性别、年龄、受教育程度、简易精神状态评价量表(Mini Mental State Examination,MMSE)和脑MRI资料。2.采用Philips 3.0T MRI扫描,调整MRI扫描参数,射频重复时间(TR)6.8ms,回波时间(TE)3.1ms,翻转角(FA)9°,视野大小(FOV):RL=204mm/AP=240mm/FH=256mm,层厚为1.2mm,层数170,体素:1mm x 1mm x 1.2mm。之后对MRI进行预处理:空间标准化、图像平滑和分割。最终获得272项MRI特征指标,49项皮层下体积(subcortical volumes,SV)、69项皮层体积(cortical volumes,CV)、70项表面积(surface areas,SA)、68项皮层厚度(cortical thicknesses,TA)和16项海马亚区体积(hippocampal subfields,HS)。3.272项MRI原始指标进行特征选择,具体方法是将所有指标首先进行正态性和方差齐性检验,对于满足条件的MRI指标进行单因素方差分析及LSD-t多重比较,不符合条件的指标则进行非参数检验及多个样本两两比较的Nememyi法检验,最终获得CN、EMCI、LMCI、AD组间两两比较均有显著性差异的MRI特征指标28项。然后将28项MRI指标与MMSE进行多元线性回归分析,自变量选择方法选用逐步回归法,α_入0.05及α_出0.10作为检验水准参数,获得5项指标。4.272项原始MRI指标、28项指标、5项指标、SV、CV、SA、TA、HS进入机器学习算法对AD不同疾病进程进行分类预测。本研究引入四种机器学习算法,随机森林(random forest,RF),决策树(decision tree,DT),支持向量机(Support Vector Machine,SVM),K近邻(k-Nearest Neighbor,KNN)。将不同的MRI指标放入四种机器学习算法中对CN-EMCI-LMCI-AD进行两两分类预测,通过十折交叉验证来测试算法的准确性,比较预测准确率、灵敏度、特异度、ROC曲线下的面积(Area Under ROC Curve,AUC),综合评价预测模型,选出疾病的最佳分类模型。结果:1.CN-AD分类准确率最高,其次为EMCI-AD,CN-LMCI,LMCI-AD,EMCI-LMCI,CN-EMCI分类准确率较低。RF、SVM、KNN、DT在CN-EMCI分类的最高预测准确率分别为77.78%、65.28%、59.72%、61.11%;在CN-LMCI分类的最高预测准确率为88.00%、75.60%、71.60%、70.80%;在CN-AD分类的最高预测准确率为96.45%、90.90%、89.55%、88.18%;在EMCI-LMCI分类的最高预测准确率为81.82%、71.21%、67.58%、64.58%;在EMCI-AD分类的最高预测准确率为90.00%、86.67%、84.33%、81.67%;在LMCI-AD分类的最高预测准确率为84.21%、72.78%、65.56%、68.89%。2.RF分类器分类效果最好,优于SVM、KNN、DT的分类结果。从CN-EMCI-LMCI-AD两两分类结果看出,RF分类准确率最高,其次为SVM。RF与SVM的AUC值比较,在CN-AD分类中,RF的AUC值为0.98,SVM为0.95;在LMCI-AD分类中,RF的AUC值为0.91,SVM为0.57;在CN-LMCI分类中,RF的AUC值为0.84,SVM为0.73;在EMCI-AD分类中,RF的AUC值为0.88,SVM为0.72;在EMCI-LMCI中,RF的AUC值为0.74,SVM为0.60。在CN-EMCI分类中,RF的AUC值为0.57,SVM为0.52。可见,RF作为分类器分类效果最好。3.28项MRI指标作为分类特征,分类效果最好。272项MRI指标、28项指标、5项指标、SV、CV、SA、TA、HS进入四种机器学习算法对CN-EMCI、CN-LMCI、CN-AD、EMCI-LMCI、EMCI-AD、LMCI-AD进行两两分类。CN-EMCI中,除了5项指标在DT的预测准确率最高,其余三种分类器的最高预测准确率均发生在28项指标。CN-LMCI中,5项指标在SVM、DT的预测准确率最高,28项指标在RF、KNN的预测准确率最高。CN-AD、EMCI-AD中四种分类器的最高预测准确率均发生在28项指标。EMCI-LMCI中,SA在SVM的预测准确率最高,5项指标在KNN的预测准确率最高。28项指标在RF、DT的预测准确率最高。LMCI-AD中,28项指标在SVM、RF准确率最高,5项指标在DT准确率最高,KNN的5项和28项指标预测结果一样。由于RF的预测准确率最高,并且RF在所有分类中基于28项指标的预测结果最好。因此,28项指标作为分类特征分类效果最好。结论:1.RF分类器对AD的不同疾病进程预测效果最好。2.28项MRI指标作为分类特征预测效果最好。3.RF分类器对CN-EMCI-LMCI-AD的两两分类预测结果都优于其他分类器,其中CN-AD的预测结果最好。RF分类器有效地提高了MCI/AD的自动诊断效率,可对AD早期不同阶段进行分类预测,用于辅助诊断AD。