关注并星标我们 前沿资讯不错过
01
文献导读
1
要点
本文探讨了高斯过程逻辑回归（GP-LR）模型在区分健康受试者与阿尔茨海默病（AD）及遗忘型轻度认知障碍（a-MCI）患者方面的有效性。研究基于静息态功能磁共振成像（rs-fMRI）数据，应用机器学习技术，旨在提高对这些神经退行性疾病的早期诊断能力。
2
主要研究方法
研究纳入77名受试者，包括AD患者、a-MCI患者和健康对照组。利用3T MRI扫描获取7分钟20秒的静息状态扫描数据。通过提取大脑各区域间的BOLD信号协方差，构建了功能连接特征向量。采用GP-LR模型，并与支持向量机（SVM）进行比较，通过留出测试集评估模型的分类准确性。
3
研究意义
准确区分AD和a-MCI患者对于早期干预和疾病管理至关重要。本研究提供了一种基于机器学习的方法，能够利用静息态fMRI数据进行高准确度的患者分层，这对于临床诊断和疾病研究具有重要的应用前景。
4
创新点
本研究的创新之处在于将贝叶斯高斯过程逻辑回归模型应用于功能连接模式的分类问题，与常用的SVM方法相比，GP-LR不仅提供分类结果，还能给出预测的信心度量，为临床决策提供了额外的信息。此外，该研究避免了计算成本高的交叉验证超参数网格搜索方法，展现了在神经影像数据处理中的优势。
02
文献精读
神经影像学研究致力于开发有效、可靠的临床工具，用于早期检测和诊断各种神经系统疾病，如痴呆、抑郁和注意力缺陷多动障碍。机器学习（ML）在这一领域展现出巨大潜力。ML算法能够利用多变量数据集进行模式识别，从而对神经影像数据进行分类和预测。本研究聚焦于利用静息态功能磁共振成像（rs-fMRI）数据，通过ML技术对健康对照组与a-MCI或AD患者进行分类。
研究共纳入77名受试者，包括27名AD患者、50名a-MCI患者和39名健康对照组（NC）。所有受试者均进行了3T MRI检查，获取了7分钟20秒的静息状态扫描。使用高斯过程逻辑回归（GP-LR）模型对功能连接模式进行分类，与支持向量机（SVM）进行比较。
在LOOCV NC与a-MCI分类实验中，所有训练模型中包含的GP特征的可视化，使用了包括D=10个特征的非PCA特征归一化，以及平方指数协方差函数GP-LR模型。该图使用Brain-NetViewer（Xia等人，2013年，http://www.nitrc.org/projects/bnv/）创建。节点大小与特定感兴趣区域（ROI）所涉及的显著连接数成比例，而边缘粗细与每个特征参数（ld）的逆长度尺度平均值的对数成比例。
本研究采用的高斯过程逻辑回归（GP-LR）模型是一种贝叶斯概率模型，可以解释为核SVM分类器的贝叶斯概率类似物。与SVM不同，GP-LR不仅返回二元类别标签预测，还提供了类别成员资格概率的有原则估计。这些概率估计可以作为模型对其预测的信心度量。
研究中的fMRI扫描使用Matlab和SPM8进行处理，包括平滑、头部运动校正、层依赖时间移位的补偿和标准化。数据通过回归去除运动向量、平均白质和脑脊液信号，并使用相位不敏感的带通滤波器进一步过滤。
研究结果表明，GP-LR模型在健康对照组与a-MCI患者的分类中达到了75%的准确率，在a-MCI与AD患者的分类中达到了97%的准确率。这些结果表明，GP-LR模型在执行患者分层方面是有效的。
讨论部分指出，本研究结果支持了GP-LR模型在区分健康受试者与a-MCI及AD患者方面的有效性。GP-LR作为一种贝叶斯概率模型，提供了预测的信心度量，这在临床环境中可能非常有用。此外，GP-LR避免了计算成本高昂的交叉验证超参数网格搜索方法。
声明：本公众号所刊载内容之知识产权为相关权利人专属所有或持有，本公众号经翻译与编辑的内容仅作为学术交流之用途。未经许可，禁止进行转载、摘编、复制及建立镜像等任何使用。
关于我们
超脑深科介绍
超脑深科是国内领先的脑医学技术创新团队，致力于打造最前沿的产学研一体化创新深脑科技平台。其中影像处理分析团队均来自于国内一线高校，具有高度交叉背景，涵盖生物医学工程、电子信息、临床医学等专业，均受过系统化的科研培训，具有扎实的科研背景。
如果今天的分享对您有所帮助，
欢迎您点击下方关注我们以获取最新资讯
▼ 公众号后台联系我们可获取PDF原文
更有神经磁共振影像交流群期待您的加入
