基于机器学习的阿尔茨海默病病程分类

作者：范炤^*; 李彩

来源：中国医学影像学杂志, 2019, 27(10): 792-800.

• 认知障碍
• 阿尔茨海默病
• 磁共振成像
• 机器学习
• 预测

目的利用支持向量机(SVM)和随机森林(RF)构建模型,对正常认知(NC)组、早期轻度认知障碍(EMCI)组、晚期轻度认知障碍(LMCI)组和阿尔茨海默病(AD)组进行分类研究,比较模型分类的准确率。资料与方法选取ANDI数据库中543例研究对象,按照数据库对发病进程的分类,分为NC组139例、EMCI组220例、LMCI组108例和AD组76例。272项结构性MRI(sMRI)经特征提取出28项sMRI数据后进入SVM、RF分类训练器,用10-折交叉验证训练模型获得分类准确率,用受检者工作特征(ROC)曲线评价两种分类模型的分类效能。结果 RF和SVM分类器在NC组与AD组、EMCI组与AD组和NC组与LMCI组均有较高的预测准确率,其中对NC组与AD组准确率最高(RF为96.45%,SVM为90.90%)。基于28项sMRI特征的RF分类器在NC与EMCI、NC与LMCI、NC与AD两两分类的敏感度、特异度和ROC曲线下面积均高于SVM。结论基于28项s MRI的RF模型可为AD的分类诊断提供指导。

• 单位
  山西医科大学; 基础医学院