基于纵向不完整数据联合深度集成回归预测阿尔茨海默病临床评分

作者：杨梦雅; 侯雯; 杨鹏; 邹文斌; 汪天富; 雷柏英^*

来源：中国生物医学工程学报, 2019, 38(02): 166-175.

DOI：10.3969/j.issn.0258-8021.2019.02.005

• 阿尔茨海默病
• 纵向评分预测
• 相关熵
• 联合学习
• 深度多项式网络

阿尔茨海默病(AD)是一种进行性神经系统退行疾病,具有不可逆性,需要医生密切监测患者的病情,并根据病情发展及时调整治疗计划。研究表明,临床评分是医生进行疾病评估的最有效依据,且磁共振成像(MRI)数据也非常适合用于预测阿尔茨海默病患者的临床评分。传统研究中,学者们大多是基于单一时间点的MRI数据进行临床评分预测。提出建立一个探索MRI数据与临床评分之间关系的模型,并使用纵向MRI数据预测未来时间点的临床评分。该模型包含3个部分:首先基于相关熵正则化联合学习进行特征选择;然后基于深度多项式网络进行特征编码;最后利用支持向量回归。回归过程在两种情形下进行,情形1是使用基线数据预测未来时间点的临床评分,情形2是结合被测时间点之前的所有数据预测该时间点的临床评分。与此同时,情形2还可填补缺失评分,解决了数据的不完整问题。在情形1中,通过所提出的模型对未来5个不同时间点的临床评分进行预测,获得的平均绝对误差值为2.01、2.06、2.06、2.27、2.00以及皮尔森相关系数值为0.70、0.69、0.56、0.65、0.67。在情形2中,所提出的模型在未来4个不同时间点获得的平均绝对误差值为0.14、0.10、0.09、0.08以及皮尔森相关系数值为0.72、0.75、0.78、0.74。通过以上实验证明,所提出的回归框架不仅可准确描述MRI数据与评分之间的关系,而且可以有效地预测纵向评分。

• 单位
  深圳大学; 生物医学工程学院; 深圳大学信息工程学院