神经精神疾病自动分类与预测研究进展

神经精神疾病的神经病理机制仍有许多未知,客观临床诊断标准也十分欠缺,其诊断与预后面临巨大挑战。随着神经影像技术的快速发展,神经影像数据被广泛应用于神经精神疾病神经病理机制的探索和潜在生物标志物的发掘。相比于实现群体水平分析的传统单变量分析方法,机器学习模型基于神经影像数据,实现神经精神疾病的个体化、智能化预测。综述近年来基于机器学习的神经精神疾病自动分类与预测研究进展,从机器学习基本原理和精神分裂症、抑郁症、阿尔兹海默症与帕金森病等4种典型神经精神疾病的最新研究成果等方面进行了总结和分析。目前,疾病自动分类与预测研究还存在着样本量小、可重复性低等局限性,未来可以通过多站点数据协同分析来提高研究的样本量。此外,深度学习和跨疾病诊断与预测也是未来研究的重要方向。     

回归算法在神经精神疾病辅助诊断中的应用

大脑是人体神经中枢和高级神经活动的结构基础。回归算法可预测连续变量,有利于揭示神经精神疾病的神经病理机制,能够更精准地实现神经精神疾病的辅助诊断和预后预测。随着神经影像技术的发展,将回归算法应用于神经精神疾病临床评分及脑龄预测的研究日益增加。本文综述了回归算法在神经精神疾病辅助诊断中的研究进展,总结和分析了阿尔兹海默病、精神分裂症、帕金森病和脑龄等领域的最新研究结果,并指出当前研究存在样本量较少和重复性较差的不足,最后对多站点协同分析方案的可行性和深度学习方法的应用前景进行展望。     

正则化多任务学习在精神分裂症核磁共振成像图像分类中的应用

为实现对精神疾病的计算机辅助诊断与预后,利用机器学习与图像处理技术分析多地区精神疾病的核磁共振成像数据,已成为该领域的必然趋势。本文首先提出切片提取的核磁共振成像图像预处理方法,然后提取图像的纹理特征,最后提出一种lp范数正则化的多任务学习支持向量机精神分裂症分类方法,同时学习3个数据中心精神分裂症图像的共享特征和各自独有的特征,用于分类精神分裂症患者和正常人。实验结果表明,该方法取得了优秀的诊断精度,可为精神分裂症患者的临床诊断与治疗提供生物学依据。     

基于脑电的精神疾病自动分类研究进展

临床上精神疾病的诊断大多依赖于精神科医生的主观评价，缺少客观有效的生物学指标。脑电信号分析与机器学习方法相结合，在精神疾病辅助诊断领域的应用发展迅速，采用传统机器学习算法和深度学习算法，对脑电信号特征进行学习，从而实现精神疾病的分类研究。文章介绍了脑电信号的基本概念、处理流程及其常用特征，笔者总结了脑电信号在抑郁症、双相情感障碍、精神分裂症等精神疾病自动分类的研究进展，最后展望了机器学习方法在该领域的发展趋势。采用传统的机器学习方法仍然是用于自动分类主流的工具。但深度学习内部复杂的体系结构及训练过程阻碍了对其内部的理解，难以解释其在医学领域的作用，因此深度学习也是脑电研究发展方向之一。此外，单独对脑电图进行分析难以囊括患者所有的特征，需与其他模态的生理参数结合进行多生理参数融合分析，使得疾病诊断更加智能化。     

基于极限学习机的左束支传导阻滞辅助诊断研究

左束支传导阻滞(LBBB)作为临床常见的一种心律失常,是左心室收缩功能减低、患者死亡率增加的标志;利用机器学习算法对其进行辅助诊断,将对LBBB早发现、早治疗起到积极的推动作用。然而,由于目前常用的支持向量机(SVM)等传统的机器学习算法容易产生局部最优解,准确度有待提高,因此提出一种基于极限学习机(ELM)的LBBB辅助诊断算法。首先,利用小波进行心电信号预处理,包括基线漂移、肌电噪声及工频干扰的去除;接着,确定QRS波群与T波位置;然后,根据临床上LBBB患者比正常人的QRS波群持续时间延长等特点,建立融合时域、形态与能量3类特征的特征模型;最后,利用该模型提取的特征集合,提出基于ELM的LBBB辅助诊断算法。此外,在MIT_BIH数据库中的5 000份ECG数据上进行实验验证,结果表明所提出的预处理与波形提取算法能有效去除噪声并提取QRS-T特征波;在LBBB的判别上,相比SVM算法、ELM算法的训练时间缩短了88.5%;同时,在准确率、灵敏度、特异度、LBBB检出率和正常人检出率的指标上,分别提升2.4%、5.4%、1.2%、3.6%和2%。因此,基于ELM的LBBB辅助诊断算法具有明显优势。     

基于3D ResUnet网络的肺结节分割

目的:将深度残差结构和U-Net网络结合形成新的网络ResUnet,并利用ResUnet深度学习网络结构对胸部CT影像进行图像分割以提取肺结节区域。方法:使用的CT影像数据来源于LUNA16数据集,首先对CT图像预处理提取出肺实质,然后对其截取立体图像块并进行数据增强来扩充样本数,形成相应的肺结节掩膜图像,最后将生成的样本输入到ResUnet模型中进行训练。结果:本研究模型最终的精度和召回率分别为35.02%和97.68%。结论:该模型能自动学习肺结节特征,为后续的肺癌自动诊断提供可靠基础,减少临床诊断的成本并节省医生诊断的时间。 【关键词】肺结节;分割;深度残差结构;召回率;ResUnet     

基于广义卷积神经网络的阿尔茨海默病多模态磁共振图像分类方法研究

阿尔茨海默病（AD）是一种进行性、不可逆的神经系统退行性疾病,基于磁共振成像（MRI）的神经影像学检查是进行AD筛查与诊断最直观、可靠的方法之一。临床上头颅MRI检测会产生多模态影像数据,为解决多模态MRI处理与信息融合的问题,本文提出基于广义卷积神经网络（gCNN）的结构MRI和功能MRI特征提取与融合方法。该方法针对结构MRI提出基于混合注意力机制的三维残差U型网络（3D HA-ResUNet）进行特征表示与分类;针对功能MRI提出U型图卷积神经网络（U-GCN）进行脑功能网络的节点特征表示与分类。在两类影像特征融合的基础上,基于离散二进制粒子群优化算法筛选最优特征子集,并使用机器学习分类器输出预测结果。来自AD神经影像学计划（ADNI）开源数据库的多模态数据集验证结果表明,本文所提出的模型在各自数据域内都有优秀的表现,而gCNN框架结合了两类模型的优势,进一步提高使用单一模态MRI的方法性能,将分类准确率和敏感性分别提升了5.56%和11.11%。综上,本文所提出的基于gCNN的多模态MRI分类方法可以为AD的辅助诊断提供技术基础。     

多序列MR影像组学融合模型预测胶质瘤分级的价值

目的:探讨多序列MR影像组学特征及融合模型预测胶质瘤分级的价值。方法:回顾性分析2016年1月~2021年6月间梅州市人民医院经病理证实且行MR检查的胶质瘤病人资料。将多序列MR DICOM格式的原始图像导入ITK-SNAP软件进行VOI勾画，采用GE A.K分析软件进行影像组学特征提取，用ANOVA+Mann-Whiney、Spearman相关分析和LASSO模型进行特征筛选。选择Logistic回归（LR）算法构建单序列模型，选择LR、线性判别分析（LDA）、支持向量机（SVM）3种机器学习算法构建融合序列模型。通过受试者操作特征曲线评估不同模型的预测效能，并计算其曲线下面积（AUC）。结果:共有150例患者纳入本研究，其中低级别胶质瘤（LGG）41例，高级别胶质瘤（HGG）组109例。LGG组与HGG组病人间的性别、年龄差异无统计学意义（P>0.05）。共获得5个最优特征集，其中T1WI特征集包含15个特征，T2WI特征集包含31个特征，Flair特征集包含25个特征，DWI特征集包含12个特征，T1C包含4个特征，融合序列集包含44个特征。基于T1WI、T2WI、Flair、DWI及T1C各序列MR影像组学预测模型在训练集和测试集中的AUC分别为0.719 0、0.651 4，0.769 5、0.711 4，0.7410、0.610 2，0.721 9、0.747 0，0.815 7、0.754 5。基于LR、LDA、SVM算法的融合模型在训练集和测试集中的AUC分别为0.952 4、0.767 0，0.894 8、0.688 1，0.928 6、0.704 5。结论:基于多序列MRI影像组学特征的单序列模型中，T1C单序列预测模型对胶质瘤分级诊断效能最高；相较于单序列预测模型，多序列融合预测模型具有更高的诊断效能，且基于LR算法构建的融合模型较LDA算法及SVM算法构建的融合模型显示出更高的预测效能。     

非小细胞肺癌影像学特征与基因表达间相关性的探索性研究

影像基因组学通过挖掘肿瘤的影像和基因组学间的关联性,将两者的优势互补,以此指导不同患者个体化治疗方案的制定、预后评估、疗效检测等。针对非小细胞肺癌(NSCLC),建立其CT影像定量特征与基因表达之间的映射。首先,将对应的CT影像中肿瘤区域进行分割和特征提取,选用66种三维定量特征作为肿瘤区域影像特征集;然后,利用基因组学数据分析流程,在原始基因数据经过预处理、聚类后,获取其第一主成分作为具有相似表达谱基因聚类结果的代表;最后,运用基因芯片显著性分析算法探寻两者之间的相关性,并进行基因集的富集分析和预测模型的建立。对癌症图像归档数据库(TCIA)中的26例NSCLC影像数据和基因表达综合数据库(GEO)中相对应的基因数据进行分析,共得到126组成对的显著关联(q<0.05)。将所得结果中的29组元基因建立预测模型,并通过TCIA中更新的211组数据,对其中10组预测准确率大于70%且预测的元基因有生物学意义的预测模型进行验证,最终预测准确率为35.48%～80.85%,10个预测模型中有6个的准确率在70%以上。实验结果表明,特定的影像特征或其组合可以作为基因表达的影像标记物。     

机器学习在抑郁症辅助诊断中的应用进展

随着抑郁症诊疗技术的发展，各种抑郁症相关的临床数据量急速扩增，机器学习技术恰好适用于大数量、多维度、多模态的数据，通过机器学习技术自动学习抑郁症诊疗数据中的特征，利用数据特征对抑郁症进行疾病诊断、疗效预测，达到抑郁症辅助诊断的目的。本文从机器学习在不同种类临床数据上应用的角度对文献进行了系统性分析，总结了机器学习在抑郁症辅助诊断领域的通用研究流程及常用研究方法，并展望未来的研究方向以及面临的挑战。     

Improving the classification of neuropsychiatric conditions using gene ontology terms as features

Although neuropsychiatric disorders have an established genetic background, their molecular foundations remain elusive. This has prompted many investigators to search for explanatory biomarkers that can predict clinical outcomes. One approach uses machine learning to classify patients based on blood mRNA expression. However, these endeavors typically fail to achieve the high level of performance, stability, and generalizability required for clinical translation. Moreover, these classifiers can lack interpretability because not all genes have relevance to researchers. For this study, we hypothesized that annotation‐based classifiers can improve classification performance, stability, generalizability, and interpretability. To this end, we evaluated the models of four classification algorithms on six neuropsychiatric data sets using four annotation databases. Our results suggest that the Gene Ontology Biological Process database can transform gene expression into an annotation‐based feature space that is accurate and stable. We also show how annotation features can improve the interpretability of classifiers: as annotations are used to assign biological importance to genes, the biological importance of annotation‐based features are the features themselves. In evaluating the annotation features, we find that top ranked annotations tend contain top ranked genes, suggesting that the most predictive annotations are a superset of the most predictive genes. Based on this, and the fact that annotations are used routinely to assign biological importance to genetic data, we recommend transforming gene‐level expression into annotation‐level expression prior to the classification of neuropsychiatric conditions.     

A review of intelligent systems for heart sound signal analysis

Intelligent computer-aided diagnosis (CAD) systems can enhance the diagnostic capabilities of physicians and reduce the time required for accurate diagnosis. CAD systems could provide physicians with a suggestion about the diagnostic of heart diseases. The objective of this paper is to review the recent published preprocessing, feature extraction and classification techniques and their state of the art of phonocardiogram (PCG) signal analysis. Published literature reviewed in this paper shows the potential of machine learning techniques as a design tool in PCG CAD systems and reveals that the CAD systems for PCG signal analysis are still an open problem. Related studies are compared to their datasets, feature extraction techniques and the classifiers they used. Current achievements and limitations in developing CAD systems for PCG signal analysis using machine learning techniques are presented and discussed. In the light of this review, a number of future research directions for PCG signal analysis are provided.     

基于机器学习的阿尔兹海默症分类预测

目的:应用机器学习方法,将脑结构磁共振（sMRI）、年龄、性别、受教育年限和MMSE量表评分作为特征,对阿尔兹海默症进行分类预测。方法:特征选择后,用L1正则Logistic回归、L1正则支持向量机、梯度提升树分别对脑sMRI数据进行分类预测,选出最优模型后引入年龄、性别、受教育年限和MMSE量表评分特征优化模型,用10-折交叉验证评价模型性能。结果:L1正则Logistic回归分类效果最好,加入年龄、性别、受教育年限和MMSE评分后预测准确率提高0.89%~11.42%。结论:L1正则化Logistic回归模型的sMRI+年龄+性别+受教育年限+MMSE评分特征集对阿尔兹海默症有更好的分类效果,可作为辅助诊断阿尔兹海默症的依据。     

Guilt-by-association feature selection: identifying biomarkers from proteomic profiles

In recent years, proteomic profiling by mass spectrometry has opened up a new realm of methods for identifying potential biomarkers. Mass spectrometry data, like other proteomic and genomic data, are challenging to analyze because of their high dimensionality and the availability of few samples. Hence, feature selection is extremely important because it directly provides a list of potential biomarkers by choosing a subset of effective features that separate diseased samples from healthy ones. The rule of thumb for feature selection is that features must be discriminant and independent for the best separation of the two groups. However, in general, existing feature selection algorithms only take into account the discrimination ability of features. In this paper, we present a novel method for feature selection, guilt-by-association feature selection (GBA-FS). The algorithm makes it possible to select features that are independent as well as discriminant. After measuring similarities between features, the algorithm groups together similar features using a clustering algorithm, and selects the best representative feature from each group. As a result, it produces a list of discriminant and independent features. The efficacy of GBA-FS was extensively tested on two real-world SELDI TOF data sets. The experimental results demonstrate that GBA-FS assists in selecting more independent features as compared to a common filter type feature selection method, the t test. The results also show that GBA-FS can be used to deconvolve multiply charged states of the same protein molecules. As GBA-FS successfully identifies feature groups with similar mass values, it can also be employed as an alternative to peak detection for preprocessing the mass spectrometry data.     

基于极限梯度提升和深度神经网络共同决策的心音分类方法

心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了5个大类的特征,前4类特征采用递归特征消除法进行特征选择,作为XGBoost分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于PhysioNet网站在2016年发起的PhysioNet心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及F得分,结果分别为93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。     

基于磁共振图像的帕金森病计算机辅助诊断研究进展

近年来,由于帕金森病(PD)的临床复杂性与多模态磁共振(MR)图像的高维性,如何有效挖掘图像中特异性标记PD的影像生物标志物、建立高效的PD计算机辅助诊断(CAD)模型是研究中极具挑战性的问题。综述目前国内外研究进展,进一步分析MR多模态特征提取、特征选择、分类器模型等传统机器学习方法建立CAD模型的关键技术,并简要概述基于深度学习方法在早期PD分类诊断中的应用。指出基于多模态MR图像,采用机器学习或深度学习方法构建CAD模型,能够客观、准确地识别PD患者,对提高早期PD诊断的准确性具有很大价值和应用前景。今后研究应更深入挖掘多模态MR图像中的潜在标记PD的影像生物指标,开发更高阶的CAD模型,以辅助早期PD的临床智能诊断。     

基于机器学习的肝癌无创检测

目的根据肝癌临床诊断的需求,建立肝癌诊断预测模型,以达到无创检测肝癌的目的。方法利用德国企业产ILD3000型电子鼻设备采集正常受试者和肝癌患者的呼气数据,对呼气所得时间序列数据进行特征提取,包括序列数据的最大值、最小值、均值、标准差、序列数据总和等统计学特征。结合特征降维算法和机器学习分类模型对呼气特征数据进行正常受试者和原发性肝癌患者的二分类实验。结果通过模型选择和参数调整,在线性核函数支持向量机上对呼气数据取得92.3%的最优二分类结果。结论以正常受试者和肝癌患者的呼气数据为样本,利用机器学习建模的方法可以对肝癌做出诊断预测,且在此数据上,线性核函数支持向量机算法具有最好的分类效果。