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     

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。     

基于频率调谐的非侵入性神经调制手段在精神疾病中的应用

大脑中不同节律的神经振荡与认知、注意、记忆、情绪等功能,及多种神经精神疾病的临床症状密切相关.通过外部施加节律性刺激可以调制神经活动.大脑内特定频率的神经振荡被外界节律性刺激调制而产生相位锁定的现象称为神经振荡-外界节律同步化.这种同步化现象为非侵入性神经调制提供了新思路.目前,基于频率调谐的非侵入性神经调制方法已被应用于精神疾病干预,通过调控神经活动可缓解精神疾病患者的症状.对基于频率调谐的非侵入性神经调制方法及其临床应用进行总结将有助于促进其技术发展及进一步的应用推广.本文首先介绍了神经振荡-外界节律同步化的潜在机制,然后总结了当前基于频率调谐的非侵入性神经调制方法,接着梳理了其在精神疾病领域的应用,最后对其未来的发展方向进行了展望.基于频率调谐的非侵入性神经调制手段不仅有助于理解神经振荡与精神疾病的关系,发现精神疾病的神经标志物,而且为精神疾病的非侵入性神经调控提供了新的方法和思路.     

神经影像信息数据库构建与数据处理策略探讨

目的：为解决目前神经科学所面临的海量数据及不同格式神经信息数据资源的整合分析问题，促进对神经系统结构和功能的了解，拟构建神经影像信息数据库：方法：采用数据库相关新技术，构建一个有关神经影像的专题文献信息数据库，然后在此基础L进行文献挖掘，最终绘制m脑功能、结构和神经网络图谱：结果：论述了神经影像信息数据库的设计理念，探讨了神经影像数据的获取、表征、分析、整合、管理、可视化和数据共享等技术、方法，以及神经影像数据处理中存在的主要问题。结论：基于现有的浪潮天梭TS10000集群系统，通过采用数据处理的新技术和新方法能够达到构建神经影像信息数据库的目的．     

癫痫合并精神障碍神经影像学的研究进展

癫痫合并精神障碍是常见的精神疾病,但目前人们对其发病机制尚不十分明确,患者反复受到其困扰,生活质量受到严重影响。神经影像技术为研究脑部结构和功能等的改变提供一种独特的途径。以癫痫合并抑郁、癫痫合并焦虑、癫痫性精神分裂样精神病和癫痫合并注意力缺陷多动障碍为主,对目前基于神经影像学对这些精神障碍的研究结果进行综述,以期为癫痫合并精神障碍的发病机制和临床研究拓展思路。     

海马促肾上腺皮质激素释放因子与神经元树突发育

神经元树突发育受遗传和环境因素的共同影响.环境因素,如慢性应激(chronic stress)可以影响海马神经元树突的发育,改变正常的神经元突触环路联系,并导致成年时海马结构和功能的永久性损害.慢性应激也是许多神经精神疾病,如抑郁症、焦虑症、精神分裂症的一个重要发病原因.这些神经精神疾病的一个典型病理特征是海马神经元树突丢失,树突棘减少[1-2].越来越多的研究结果表明,这些神经精神疾病与边缘结构包括海马的异常发育关系密切[2-3].     

骶骨神经源性肿瘤临床病理分析

目的:探讨骶骨神经源性肿瘤的临床病理学特征、诊断及鉴别诊断.方法:收集21例发生在骶骨的神经源性肿瘤,通过光镜观察及免疫组织化学分析其临床、影像学、病理学特征、免疫表型、鉴别诊断及手术预后.结果:21例中女15例,男6例,平均年龄44.9岁.临床上以骶尾部疼痛为主,影像学上表现为骶骨或骶骨及骶前肿块.神经鞘瘤17例,其中经典型神经鞘瘤8例,富于细胞神经鞘瘤9例.神经纤维瘤3例,节细胞神经瘤1例.累及骶骨的肿块,多数有不同程度的骨质破坏.免疫表型:神经鞘瘤均弥漫强阳性表达S-100蛋白,不表达NF.神经纤维瘤和节细胞神经瘤表达NF.富于细胞神经鞘瘤有4例为复发病例,平均复发时间6.5年.经典型神经鞘瘤和神经纤维瘤各有1例为复发病例.结论:骶骨神经源性肿瘤是少见肿瘤,以良性多见.各病理类型及亚型在形态学和生长方式上有一定的差异,故诊断时应明确病理类型及亚型,以供临床随访、治疗.     

神经母细胞瘤骨髓转移23例临床病理分析

目的 探讨神经母细胞瘤骨髓转移的临床病理特征.方法 对23例神经母细胞瘤骨髓转移的临床病理资料进行分析,并做光镜观察及免疫组化染色.结果 神经母细胞瘤骨髓转移表现为微小浸润、中度浸润和弥漫浸润三种形式,主要根据骨髓造m组织与肿瘤成分的比例和分布而定,其中微小浸润常需行CgA/NSE免疫组化染色辅助诊断.结论 神经母细胞瘤骨髓转移的诊断需结合临床、光镜及免疫组化,以提高检出率并鉴别于横纹肌肉瘤、骨Ewing肉瘤、淋巴母细胞淋巴瘤/白血病.     

NF-κB在学习记忆以及神经变性性疾病中的分子作用机制

NF-κB通过调节多种基因的转录广泛参与神经系统的生理和病理过程.研究表明,NF-κB在神经保护和促进神经变性两方面都具有重要作用.文章以NF-κB在神经系统中的分子作用机制为切入点,着重阐述NF-κB参与学习记忆过程的分子途径,及其在神经病理过程中作用机制的最新研究.     

眶内眼神经的断层解剖学研究及其临床意义

目的：为影像检查和眶内手术提供断层解剖学资料。方法：应用50侧成人头颅湿标本制成0．5mm的火棉胶连续切片，对额神经、鼻睫神经、泪腺神经的位置、走行和毗邻进行观测。结果：眼神经的分支额神经、鼻睫神经和泪腺神经均经眶上裂人眶。额神经发出滑车上神经和眶上神经内外支，鼻睫神经与眼动脉伴行，泪腺神经在外直肌上方前行。结论：火棉胶连续切片能够准确显示眶内眼神经的分支、走行，对影像诊断和避免手术损伤均有重要参考价值。     

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。     

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.     

人工智能在泌尿疾病诊断中的应用现状与趋势

近年来,随着数据储存、图像处理、模式识别和机器学习等技术的进步,人工智能在泌尿疾病的诊疗方面得到了广泛的应用。基于影像学和组织病理学等海量的生物医学大数据,人工智能技术可以让医务工作者对泌尿系肿瘤、泌尿系结石、泌尿系感染、泌尿功能异常和勃起功能障碍等几类泌尿疾病的诊断更为精准,让治疗更加个性化。然而,目前人工智能诊疗大多处于研究阶段,在实际的应用中尚存在一些问题。本文以辅助诊断为线索,对人工智能方法在前列腺癌、膀胱癌、肾癌、尿路结石、尿频、勃起功能障碍等常见泌尿疾病的应用和研究情况予以综述,并进一步探讨其存在的问题和未来发展方向。     

功能性磁共振成像在轻度认知障碍检测诊断的研究综述

现代社会中,阿尔茨海默病已经成为严重影响和限制个人日常生活甚至危及患者生命安全的一种疾病.轻度认知障碍作为阿尔茨海默病的前一个阶段,对其精确诊断有助于干预或降低患者转化为阿尔茨海默病的几率.目前,功能磁共振成像技术已经广泛应用于轻度认知障碍的检测诊断研究中.从特征提取、特征选择、数据降维和分类识别等方面,对fMRI在M...     

一种基于胶囊网络外膜蛋白拓扑结构预测方法

目的 采用计算手段探索在当前外膜蛋白小样本的条件下提升外膜蛋白拓扑结构预测精度的深度学习方法。方法 首先,选取和构建适用于预测外膜蛋白拓扑结构的数据集;其次,经特征筛选和对比实验确定模型的最优输入;再次,构建和优化基于胶囊网络的拓扑结构预测模型TopOMP-capsnet;最后,通过对比同类方法评估和验证模型性能。结果和结论 拓扑结构预测模型TopOMP-capsnet与同类方法相比,性能有所提升,证明深度学习技术能够在有限样本条件下识别相应序列模式,有助于外膜蛋白结构和功能的大规模分类及筛选。创新之处 拓扑结构预测模型TopOMP-capsnet的三态预测准确率（Q3）达到87.7%,优于传统机器学习方法。     

基于大数据技术的糖尿病临床决策支持系统分析与展望

糖尿病是一种慢性非传染性疾病,目前只能通过长期用药和自我管理来缓解病情,无法根治.临床决策支持系统能够模拟糖尿病医疗专家诊断疾病的思维过程,向医生提供常规诊疗方案,推荐最优方案.现有的临床决策支持系统大多基于临床指南、规则、案例推理以及本体.大数据技术可获取和处理多元异构的各类数据,提供更科学的个性化诊疗方案.近年来已有基于决策树、神经网络、模糊逻辑、支持向量机、APRIORI关联规则与多维分析和时序挖掘等多种大数据处理方法应用于糖尿病的临床诊断,但其尚处于起步阶段.对基于大数据技术的糖尿病临床决策支持系统的框架进行了分析,并展望了未来的诊疗方式.     

Artificial intelligence in clinical multiparameter flow cytometry and mass cytometry–key tools and progress

There are many research studies and emerging tools using artificial intelligence (AI) and machine learning to augment flow and mass cytometry workflows. Emerging AI tools can quickly identify common cell populations with continuous improvement of accuracy, uncover patterns in high-dimensional cytometric data that are undetectable by human analysis, facilitate the discovery of cell subpopulations, perform semi-automated immune cell profiling, and demonstrate potential to automate aspects of clinical multiparameter flow cytometric (MFC) diagnostic workflow. Utilizing AI in the analysis of cytometry samples can reduce subjective variability and assist in breakthroughs in understanding diseases.Here we review the diverse types of AI that are being applied to clinical cytometry data and how AI is driving advances in data analysis to improve diagnostic sensitivity and accuracy. We review supervised and unsupervised clustering algorithms for cell population identification, various dimensionality reduction techniques, and their utilities in visualization and machine learning pipelines, and supervised learning approaches for classifying entire cytometry samples.Understanding the AI landscape will enable pathologists to better utilize open source and commercially available tools, plan exploratory research projects to characterize diseases, and work with machine learning and data scientists to implement clinical data analysis pipelines.     

基于KPCA算法的阿尔茨海默症辅助诊断

阿尔茨海默症（AD）是一种起病隐匿、进行性发展的神经系统退行性疾病,利用磁共振成像和计算机技术对AD患者的辅助诊断是目前不断探索的新课题。本研究先对磁共振图像进行预处理和相关性分析,然后利用核主成分分析法（KPCA）对脑灰质图像进行特征提取,结合Adaboost算法进行分类,并与主成分分析法（PCA）进行对比试验。通过对AD神经影像学计划数据库中的116名AD患者、116名轻度认知障碍患者,以及117名正常对照的脑部功能磁共振成像进行的研究表明,利用机器学习能够很有效地辅助诊断AD脑部疾病,KPCA算法对图像进行特征提取比PCA 算法更加充分完备,分类结果更加精确,能够获得更好的AD辅助诊断结果。     

基于心电图的心肌梗死识别分类研究

心肌梗死（MI）是一种严重的心脏病,症状前的健康检查可以发现早期的MI。心电图（ECG）是一种常用的无创健康检查诊断工具。一些使用ECG预测MI的研究存在基于私人数据集、样本量小、分析方法简单等不足。为了解决这些问题,本研究提出在英国最大的开放采集生物信息资源平台UK Biobank上进行MI的首次基准预测实验,涵盖基于临床特征的机器学习方法和基于ECG信号的深度学习方法。结果显示,基于临床特征的AUC为0.690,深度学习使用原始ECG信号的AUC为0.728,提升近4%。证明深度学习基于原始ECG信号能学习到比临床特征更多的信息。另外,对XGBoost和ResNet方法的结果进行了初步的可解释性分析,发现ST波与MI的关联更密切。