基于机器学习的神经精神疾病辅助诊断研究进展

【摘要】神经影像技术被广泛应用于研究大脑结构和功能异常与神经精神疾病之间的相关性。与传统的统计学分析方法不同,机器学习模型能对神经影像学数据进行个体化预测,发掘潜在的生物学标记物。神经精神疾病辅助诊断包含数据预处理和机器学习算法。数据预处理是一种人为的特征工程,为机器学习算法提供量化特征;机器学习算法包含特征降维、模型训练和模型评估。鲁棒的机器学习算法可以实现对不同数据集的准确预测,并提供对预测结果贡献大的特征,作为潜在的生物学标记物。本文综述了近年来基于机器学习的神经精神疾病辅助诊断研究进展,从数据预处理、机器学习算法和生物学标记物3个角度进行介绍,并展望未来的研究方向。 【关键词】神经精神疾病;神经影像;机器学习;辅助诊断     

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。     

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...     

脑电超慢涨落图技术的基本原理及在精神疾病中的应用

脑电超悦涨落图技术(Encephalofluctuograph Technology,ET)是一项由我国首创的世界先进的脑功能研究新技术.它根据神经化学襄荡、传导与脑电超怪成分之间的对应关系,无创、定贡检侧人在生理和病理状态下脑内神经递质的活动和脑功能状态.可为神经精神疾病的临床诊断提供客砚证据,对临床治疗起到指导作用...     

基于人工智能技术的抑郁症研究进展

人工智能已尝试应用于临床医学各领域。作为最常见的精神疾病之一,抑郁症近来成为研究热点。本文综述人工智能相关技术在抑郁症中的应用,包括基于人工智能的声学特征、脑电和生理生化信息及脑影像学分析等抑郁症识别和辅助诊断方法,及其在抑郁症预警和干预方面的应用,并讨论其优势、不足与展望。     

多尺度熵算法研究进展及其在神经信号分析中的应用

脑神经电生理信号的内在特征变化能够反映脑功能的正常与否,因此有效的特征提取分析方法有利于脑功能异常的早期诊断与相关疾病的治疗。近年来的研究表明,神经电信号具有非线性和多尺度的特性。基于此,科研人员近来发展了适用于多尺度非线性信号分析的多尺度熵(MSE)算法,并在神经信息科学领域得到了广泛应用。本文对MSE算法的原理和特性进行了介绍,并进一步介绍了几种在实际应用中针对MSE算法的一些不足而提出的相关改进算法。然后,对MSE及其改进算法在疾病诊断、脑功能分析以及脑-机接口等方面的应用进行了综述。最后,对上述各算法在神经信号分析中面临的挑战及其可能的发展方向进行了探讨。     

新仪器介绍

神经生理信息工作站航天技术与临床应用的成功结合通过记录人大脑的脑电信息,应用有关脑电分析的新理论、新技术,特别是应用系统理论、信息理论的新方法,对脑电信息进行多参数、多层次的分析、处理,诊断大脑的器质性和功能性疾病,评价大脑的功能状态,预测未来的发展趋势。该仪器属于脑功能诊断与研究的最新产品。     

静息态脑功能网络分析的假设驱动和数据驱动方法综述

基于功能磁共振成像的研究已发现在脑区之间存在低频波动一致的脑功能网络.脑功能网络有助于认识脑功能和诊断神经精神疾病,而脑功能网络分析方法在其中具有重要地位.本文首先综述了假设驱动和数据驱动进行脑功能网络分析的两类方法,接着对常用的基于感兴趣区、基于体素、基于独立成分分析、基于主成分分析和基于聚类方法的原理、优缺点做了详细介绍,并着重阐述了最近提出的组信息指导的独立成分分析方法,及基于半监督学习技术的感兴趣区选择方法,最后对改进方向进行了展望.     

医学图像计算机辅助诊断数据平台研究

缺乏统一的数据存储模型及相关研究工具,是制约计算机辅助诊断研究中数据、算法等研究成果共享的最主要因素。针对计算机辅助诊断协同研究中的这一问题,提出并构建了用于医学图像计算机辅助诊断协同研究的数据平台。首先对计算机辅助诊断协同研究中的影像数据、过程数据以及“金标准”数据需求进行了分析,提出了统一的数据模型用于数据存储和表示,采用Oracle数据库实现;分析了病例获取、“金标准”标注、分割、特征提取以及算法评估等研究阶段的业务需求,设计并完成了相应的研究工具;最后基于DCMTK采用VC++编程实现了数据平台。数据平台应用于肺癌和脑胶质瘤辅助诊断研究,较好地解决了医学图像计算机辅助诊断研究过程中的数据存储、病例获取、标注、研究结果存储及评估问题,达到了共享研究成果的目的,对提高计算机辅助诊断研究有很好的促进作用。     

脑功能信号的Granger因果性分析方法

脑是如何选择和调整分布于全脑的神经活动以实现其功能的?为解决这个问题,近年来人们将推测变量间信息因果流向的Granger因果分析引入脑功能研究.首先介绍了Granger因果分析的基本原理及其在处理脑功能信号时的拓展算法——结构向量自回归模型(SVAR)；综述了在对脑功能信号进行Granger因果分析时的技术问题；最后,...     

创伤后应激障碍脑功能磁共振成像研究进展

创伤后应激障碍(PTSD)是对个体、家人乃至社会造成很大困扰的一类精神疾病,目前还没有统一的预防和治疗方案。随着医学影像的发展,很多神经影像技术(如功能磁共振成像)被广泛用于创伤后应激障碍发病机制的全面研究。脑功能磁共振成像不仅能观察脑形态的改变,还有助于观察脑功能区性能以及神经回路的改变,对神经精神疾病的发病机制研究具有重要作用。本文主要针对基于BOLD信号的任务态功能磁共振成像和静息态功能磁共振成像在PTSD方面的研究进行综述,并提出了今后可能的研究方向。     

精神分裂症生物学病理机制的近红外光谱成像研究(综述)

精神分裂症是一种常见的精神疾病,目前尚缺乏客观的、协助诊断的物理检查指标或工具。近红外光谱成像技术(Near-infrared spectroscopy,NIRS)作为一种新的脑成像技术,已有研究者将其用于精神分裂症患者中进行了大量的研究,旨在探索精神分裂症的生物学病理机制,希望NIRS可以成为一种生物标记来辅助精神分裂症的诊断。本文主要讨论其在精神分裂症研究中的现况,以探究NIRS成为精神分裂症辅助诊断和疗效评估新工具的可能性及应用前景。     

基于Relief算法的心血管疾病辅助诊断研究

本文研究了Relief特征选择方法在光电容积脉搏波(PPG)中的应用,分析寻找区分心血管疾病的指标,提出了一种辅助心血管疾病诊断的方法。通过收集40位志愿者的生理病理信息,并实时采集血压与指尖PPG波形数据,形成样本数据集。基于PPG波形,定义并提取了52个特征参数,通过特征选择Relief算法筛选出10个核心特征参数,形成最优特征子集,并分析它们对心血管疾病的影响。最后使用分类算法建模,对心血管疾病做出了辅助诊断,k邻近算法(k NN)模型对心血管疾病的预测正确率达到66.67%,支持向量机(SVM)模型对心血管疾病的预测正确率达到83.33%。结果表明:(1)年龄对心血管疾病辅助诊断最为重要;(2)最优特征子集元素特征为心血管健康状况评价与预测提供了重要依据。本研究表明,经Relief算法选择得到的最优特征子集为心血管疾病辅助诊断提供了更高的准确性。     

功能磁共振脑连接度中心性对精神分裂症症状的预测评估

精神分裂症是一种严重影响患者身心健康的精神类疾病,绝大部分患者需要终身服药以控制症状,因此药物疗效的评估预测对于患者治疗方法的选择十分重要。采用功能磁共振的脑连接度中心度(DC)指标,分析临床常用抗精神病药物利培酮和氯氮平对大脑功能的影响,并尝试建立预测评估两种药物疗效的方法。基于44例精神分裂症患者(20例利培酮治疗组、24例氯氮平治疗组)和30例健康志愿者的脑静息态功能磁共振成像数据,首先采用方差分析得到患者组与正常组间的差异脑区,然后根据这些脑区的DC值,用多变量支持向量回归算法构建回归模型,探讨用DC值评测患者症状的可行性。结果发现,两个患者组的丘脑、脑岛及初级感知运动相关皮层的功能连接特征存在显著的异常(P< 0.05),且可以有效地预测氯氮平组患者的阴性症状(r=0.448, P<0.05),但未能较好地预测利培酮患者的症状。在统计对比分析的基础上,利用回归模型,标识出抗精神疾病药物作用的部分重要脑区,因而有助于将来患者治疗的药物选择。     

脑类器官体外培养的研究进展

体外培养的脑类器官是由人类多能干细胞通过添加神经发育相关因子而分化产生的,具有与人脑相似的细胞组成和解剖结构,已经成为研究大脑发育进程、神经和精神疾病、药物筛选等的良好模型。但是由于长期培养带来的类器官中心的细胞缺乏存活所必需的氧气和营养导致中心坏死的问题也限制了脑类器官的应用。本文归纳了关于改善脑类器官核心缺氧和营养供应不足等问题的方案。     

基于多尺度詹森香农分叉的抑郁症脑磁图研究

为探讨脑磁图在抑郁症诊断及治疗中的作用,本研究首先使用詹森香农分叉算法和多尺度詹森香农分叉算法在负性、正性和中性情绪刺激下,对抑郁症组和健康对照组的脑磁图信号进行分析,并采用SPSS软件对实验结果进行独立样本t检验,计算三种情绪刺激下区分度最好的通道和多尺度因子;最后,采用误差棒图分析三种情绪刺激下,抑郁症组和健康对照组的脑磁图信号。结果表明,詹森香农分叉算法和多尺度詹森香农分叉算法均可区分抑郁症组和健康对照组的脑磁图信号,两者脑磁图信号存在一定差异。在三种情绪刺激下,抑郁症组在大多数通道的统计复杂度比健康对照组高,且在中性情绪刺激下,区分度最高。该算法可为抑郁症的辅助诊断和治疗提供帮助。     

脑老化中脑年龄预测模型研究综述

大脑会随年龄增长而逐渐发生萎缩与机能衰退,并且这种变化的速度和轨迹在脑区间和个体间存在明显差异。由于神经影像可以反映大脑的健康状态,因此常用于大脑年龄的预测研究。本文对基于神经影像的脑年龄预测模型研究进行了系统的梳理和回顾,根据影像的模态和特征类型对这些研究进行综述,剖析了其优缺点。结果显示,基于神经影像的预测框架具备个体对象脑年龄预测的潜力。最后,本文讨论了脑年龄预测中存在的问题,并对未来的研究方向进行了展望。     

脑电波分析在精神病诊断中的应用

在生存竞争日益激烈的今天,精神疾病越来越受到人们的关注。而对它的诊断却一直未能达到完全客观准确。本文讨论了脑电技术中包括EEG、EP和BEAM在内的几种主要技术,在精神病诊断中的研究情况和应用现状。并对脑电在精神病诊断方面的应用前景做了展望。     

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。     

基于图论的复杂脑网络分析

近年来基于图论的复杂网络分析极大地推进了人类对于脑网络组织模式的认识。本文首先介绍了基于图论的复杂脑网络分析中常用的几个度量,包括节点属性度量和网络属性度量。然后简要介绍了基于这些度量进行复杂脑网络分析的一些研究结果,其中包括针对正常人脑以及神经精神疾病病人脑。最后讨论了复杂脑网络分析领域待解决的问题。