基于MRI的輕度認知障礙疾病發(fā)展過程的分類預測研究.pdf

1、輕度認知障礙(Mild Cognitive Impairment，MCI)疾病是介于健康老齡化和癡呆之間的中間階段，具有高轉變?yōu)槔夏臧V呆(Alzheimer’s disease，AD)的風險，并缺乏科學臨床診斷方法。近年來，磁共振成像的不斷發(fā)展為檢測MCI患者大腦形態(tài)異常和功能改變提供了必要基礎。但臨床表征輕微、復雜致病因素和病情反復等導致MCI疾病的早期診斷和分類困難。為更好的探索不同疾病程度和網絡特征對MCI分類的影響，本文從以下兩

2、個方面對MCI疾病發(fā)展過程進行分類研究：
　　(1)結合大腦形態(tài)學特征與皮層厚度網絡參數對MCI是否轉變?yōu)?AD患者進行分類。首先，根據MCI轉變者(MCIc)轉變?yōu)锳D患者時間的不同，將其細分為四個組：距離轉變6個月(MCIc_m6)、12個月(MCIc_m12)、18個月(MCIc_m18)和混合轉變時間(MCIc_mixed)。隨后提取包括皮層厚度、皮層體積、皮層表面積等大腦形態(tài)學特征，并利用皮層厚度差異構建個體網絡，提取結

3、構網絡特征。最后分別采用重復平穩(wěn)選擇的稀疏線性回歸算法(重復SS_LR)和最小冗余最大相關(mRMR)算法進行特征選擇，并利用基于嵌套式交叉驗證的SVM分類器對不同病程樣本進行分類。
　　(2)結合不同頻段的功能網絡特征對早期 MCI(early MCI，EMCI)和晚期MCI(late MCI，LMCI)進行分類。首先對樣本靜息狀態(tài)功能磁共振數據(rs-fMRI)進行濾波，分為三個頻段(full-band、slow-4和slow

4、-5)，完成數據預處理。提取每個腦區(qū)的時間序列，并構建功能腦網絡。隨后利用圖論分析兩個樣本和三個頻段之間功能網絡拓撲結構差異，并提取有效的分類特征。最后采用SS_LR和mRMR算法完成特征選擇，并利用嵌套式交叉驗證SVM分類器實現分類。
　　MCIc和MCI未轉變者(MCInc)分類結果顯示，短程病變預測享有更好的分類結果，長程病變預測效果不佳；在混合病變時間和短程病變預測中重復SS_LR比mRMR分類效果好。分析所選擇特征發(fā)現，

5、重復 SS_LR方法所選腦區(qū)比 mRMR方法更集中，并且皮層形態(tài)學和結構網絡特征少有重疊。由此可見，細分MCI疾病轉變時間可以有效提高分類性能，皮層形態(tài)學和結構網絡特征為MCI疾病發(fā)展過程預測提供互補信息，提高分類精度。
　　EMCI和LMCI分類結果顯示，單一頻段功能網絡特征享有較低分類性能，整合三個頻段功能網絡特征進行分類，分類性能顯著提高；此外SS_LR比mRMR分類結果更好更穩(wěn)定。在所選特征中，slow-4頻段的特征占據主