亚洲男人AV天堂一区二区综合

  • <li id="m0ymi"><button id="m0ymi"></button></li>
  • <table id="m0ymi"></table>
  • 蘇州醫工所戴亞康團隊在腦疾病輔助診斷研究中取得進展

    【字體: 時間:2022年09月20日 來源:中國科學院蘇州生物醫學工程技術研究所

    編輯推薦:

      相關成果已發表在Biomedical Signal Processing and Control 期刊上(論文鏈接:https://doi.org/10.1016/j.bspc.2022.104047 ),主要工作由碩士研究生張瑜完成

      

      目前,機器學習方法已被用于腦疾病的輔助診斷,在幫助臨床醫生及時診斷和干預腦疾病方面,具有重要的臨床意義。然而,腦疾病臨床數據在樣本分布和特征表達方面存在問題,造成腦疾病自動診斷模型在實際應用時面臨著挑戰。主要包括兩方面一是樣本分布不平衡,主要指不同類別的樣本量差異很大,臨床數據集上,腦疾病患者組與正常對照組的樣本集在數量上有較大的差異,致使樣本集只包含少量的腦疾病患者影像數據,但有較多的正常對照影像數據(如圖1所示);二是存在特征表達能力弱,患者和正常組的功能連接特征的細微差異在原始特征空間中不能很好表示,致使樣本在原始特征空間中很難線性分開(如圖2所示)。上述兩方面問題會對模型魯棒性、泛化性造成影響,并且限制腦疾病輔助診斷精度的提高。因此,在實際應用時需要優化樣本分布和特征表示來幫助模型改善由于類不平衡造成對模型分類性能的影響,從而提高腦疾病輔助診斷的準確性、魯棒性。 

     1 自閉癥患者組和正常對照組的腦影像可視化圖,由圖可知存在樣本分布不平衡的問題 

       2 ABIDE數據集和PPMI數據集的樣本分布t-SNE可視化結果。左側(a)圖和(c)圖顯示優化樣本分布之前患者組樣本(橙色)和正常對照組樣本(藍色)的分布,兩組樣本分布重疊在一起,很難分開;右側(b)圖和(d)圖顯示優化特征表示之后兩組樣本的分布更容易區分開。 

      蘇州醫工所戴亞康課題組多年來在神經影像分析領域開展深入研究,在腦網絡分析方法、輔助診斷模型構建及臨床應用方面取得了一系列研究進展。針對上述問題,課題組彭博、劉燕副研究員等提出一種基于課程學習和特征表示增強的級聯分類模型用于腦疾病輔助診斷方法(SPL-EKM-cmcRVFL+),通過自步學習(self-paced learning)的模式根據樣本難易程度決定樣本的加權系數,從易到難地訓練分類模型,從而達到平衡學習的目的,同時通過核映射(EKM)的方式,對提取的功能連接特征進行增強,使樣本在特征空間中具有更好的分布,從而提升類不平衡分布下的腦疾病分類性能。 

      SPL-EKM-cmcRVFL+是一種基于級聯機器學習框架的腦疾病分類方法,方法框架如圖3所示。該框架可以概括為腦網絡構建、特征表達增強和級聯分類模型構建。腦網絡構建模塊是從結構磁共振(structural magnetic resonance imaging, sMRI)或功能磁共振(functional magnetic resonance imaging, fMRI)圖像中提取結構/功能連接特征,使用t檢驗和最大相關最小冗余方法進行多重特征選擇,從腦網絡中選擇與疾病相關的結構/功能連接特征。特征表達增強模塊是采用經驗核映射將原始特征映射到高維特征空間,以增強特征表示,從而使樣本在特征空間中具有更好的分布特性。級聯分類模型構建模塊是將增強的特征輸入多列隨機向量函數鏈接網絡(RVFL)分類器,其預測標簽(用作PI)與增強特征一并送入下一層多列RVFL分類器(RVFL+),形成級聯分類框架,通過自步學習(SPL)確定樣本權重和其對分類器的貢獻,形成最優的分類器模型。在訓練過程中,通過調整樣本分布,使用自定步長學習來提高模型的魯棒性、泛化性。在測試階段,將測試樣本輸入訓練得到的最優模型,可得到腦疾病輔助診斷的結果。相關成果已發表在Biomedical Signal Processing and Control期刊上(論文鏈接:https://doi.org/10.1016/j.bspc.2022.104047),主要工作由碩士研究生張瑜完成。 

      3 基于課程學習和特征表示增強的腦疾病分類方法框圖 

      在自閉癥譜系障礙數據集(ABIDE)和帕金森病數據集(PPMI)上,與現有相比,所提出方法具有優異的分類性能,表明增強的特征表達和優化的樣本分布有助于提高腦部疾病輔助診斷效果。與經典的機器學習方法(ELM、SVMRVFL)相比,該方法在ASD分類中的分類精度分別提高了6.31%-8.36%,AUC提高了0.18-0.35%。對于PD數據集,分類精度得到了更顯著的提高,提高了9.05-12.44%。與單獨使用RVFL分類器相比,所提出的方法在ASDPD分類任務中也具有較好表現。結果表明,所提出的方法可以降低聚類分布對特征表示的影響以及樣本分布對模型魯棒性的影響。該方法在臨床帕金森病輔助診斷中也表現出優異的性能,相關成果已發表在Neuroscience Letters期刊上(論文鏈接:https://doi.org/10.1016/j.neulet.2021.136312)。 

     

     1 SPL-EKM-cmcRVFL+方法在ABIDEPPMI數據集上的對比試驗結果 

      4 兩個數據集上的ROC曲線的可視化結果。(a)所提出的方法在ABIDE數據集上分類任務中的AUC最高(AUC = 0.882);(b)所提出的方法在PPMI數據集上分類任務中的AUC最高(AUC = 0.8422)。 

      5 所提出的方法在兩個數據集上的混淆矩陣可視化結果。(a)在ABIDE數據集上,真陽性率為83.44%,真陰性率為95.56%;b)在PPMI 數據集,真陽性率為80.09%,真陰性率為90.26%。 

      同時,科研人員還將該方法應用在臨床實際中高血壓腦損傷的輔助診斷中。該臨床研究得到了蘇州科技城醫院影像科朱建兵主任和神經內科蔡增林主任的支持,2017年-2021年共收集了700余例不同程度高血壓患者的磁共振影像數據,高血壓診斷標準符合2017 American College of Cardiology/ American Heart Association 2017 ACC/AHA),該新指南建議將血壓分為四類:正常(Grade 1)、升高(Grade 2)、高血壓1級(Grade 3)和2級(Grade 4)。研究結果表明,特征表達增強的機器學習模型在高血壓腦損傷的輔助診斷中也能取得較好的分類結果?梢,該方法在腦疾病輔助診斷臨床應用中的潛在價值,或可幫助判定高血壓等代謝性疾病對腦神經損傷的程度。相關成果已發表在BioMedical Engineering OnLine期刊上(論文鏈接:https://doi.org/10.1186/s12938-019-0740-4)。 

      2 特征表達增強的機器學習模型在不同程度高血壓腦損傷輔助診斷中的分類性能 

      6 不同程度高血壓腦損傷組之間,最具辨別力的腦網絡特征可視化結果。其中,紅色線條表示同側腦功能的關聯程度,灰色線表示對側腦功能的關聯程度,線條的粗細反映其在模型訓練中被選擇的頻次,例如,越粗的線表示被選擇的頻率越高。 

      綜上所述,所提出的基于樣本優化和特征表示增強的腦疾病分類方法,可以解決現有機器學習分類模型中存在的類不平衡問題導致模型的分類性能難以提高的問題。與現有方法相比,在不同腦疾病分類任務中的分類性能均得到顯著提升。在臨床實際中,該方法可應用于如高血壓腦損傷等多種腦神經系統疾。ㄈ纾鹤蚤]癥譜系障礙、帕金森病、認知功能障礙等)的輔助診斷。 

    相關新聞
    生物通微信公眾號
    微信
    新浪微博
    • 搜索
    • 國際
    • 國內
    • 人物
    • 產業
    • 熱點
    • 科普
    • 急聘職位
    • 高薪職位

    知名企業招聘

    熱點排行

      今日動態 | 生物通商城 | 人才市場 | 核心刊物 | 特價專欄 | 儀器云展臺 | 免費試用 | 今日視角 | 新技術專欄 | 技術講座 | 技術期刊 | 會展中心 | 中國科學人 | 正牌代理商

      版權所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      聯系信箱:

      粵ICP備09063491號

      亚洲男人AV天堂一区二区综合
    • <li id="m0ymi"><button id="m0ymi"></button></li>
    • <table id="m0ymi"></table>