CN108597615A - 一种轻度认知障碍患者痴呆转化的筛选参考方法 - Google Patents
一种轻度认知障碍患者痴呆转化的筛选参考方法 Download PDFInfo
- Publication number
- CN108597615A CN108597615A CN201810354312.0A CN201810354312A CN108597615A CN 108597615 A CN108597615 A CN 108597615A CN 201810354312 A CN201810354312 A CN 201810354312A CN 108597615 A CN108597615 A CN 108597615A
- Authority
- CN
- China
- Prior art keywords
- conversion
- probability
- event
- sequence
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
本发明公开了一种轻度认知障碍患者痴呆转化的筛选参考方法,从数据库中选取10个生物学标记指标,利用二分类k‑mean聚类算法、混合高斯模型拟合方法、基于事件概率模型、自我增长的贪心算法和贪心马尔科夫蒙特卡洛方法构建生物学标记指标缺失与不缺失情况下的痴呆转化的筛选参考方法。本筛选参考方法中的临床判断痴呆转化的临界等级为大于等于6级。本发明所述的方法具有正确率高、特异性高、灵敏度高、稳定性好、安全、无创、低成本、适合推广应用等优点,能够为遗忘型轻度认知障碍患者痴呆转化提供早期预测,并能够为临床选择潜在需治疗的患者和临床药物疗效评估提供筛选工具,具有非常好的临床转化应用价值。
Description
技术领域
本发明涉及痴呆转化早期预测、痴呆高危人群筛选技术领域,具体涉及一种轻度认知障碍患者痴呆转化的筛选参考方法。
背景技术
全球老龄化日趋显著,老年期痴呆已成为备受关注的全球公共卫生问题。据统计,目前全世界约有4700万老年期痴呆患者,阿尔茨海默病,即Alzheimer’s Disease,AD为老年期痴呆最常见的类型,到2050年老人中患AD率将高达1/85。迄今为止AD病因不明,机制仍不清,尚无法根治且预后不良,预测并及时干预是延缓或阻止AD进展的关键举措,国际达成共识:攻克AD重在预防。轻度认知障碍(mild cognitive impairment,MCI)已被公认为是认知功能正常和AD型痴呆之间的过渡阶段,其向AD进展的年转化率为10–15%。MCI可分为两类亚型:遗忘型,即amnestic mild cognitive impairment,简称为aMCI和非遗忘型,其中aMCI被认为是发展AD的主要亚型。因此,aMCI阶段被公认为可作为早期预测AD转化的关键时间窗和早期干预的关键治疗期。然而,aMCI人群已被证实是高异质性综合症,存在不同的临床结局,即仅少部分aMCI将进展为AD,大部分仍保持认知稳定或恢复认知功能正常。基于临床转化理念,如何精准地早期预测出进展性aMCI个体,尤其基于其诊断筛选潜在需治疗的aMCI患者并制定早期个体化精准干预策略临床意义重大,即如何确定干预目标人群是临床难题之一。因此,寻找并确定高特异性的、高敏感性的、能实时动态监测aMCI向AD转化进展的神经生物学标记,尤其是基于神经生物学标记构建一套新异的、安全的、无创的、低成本的、能精确地预测aMCI向AD转化的风险等级预测系统,即痴呆转化的筛选系统,已成为目前世界范围内痴呆转化、早期干预、痴呆转化早期筛选技术领域的重要科学问题。
发明内容
本发明的目的主要是为了解决上述技术问题,提供一种轻度认知障碍患者痴呆转化的筛选参考方法。
本发明的技术方案为:一种轻度认知障碍患者痴呆转化的筛选参考方法,包括
步骤1、获取ADNI数据集和NADS数据集;
步骤2、从步骤1中的两个数据集内采用10个生物学标记指标,所述生物学标记指标包括:3个大脑功能连接指标,2个大脑灰质指标、3个认知功能指标和2个脑脊液指标;
步骤3:利用二分类K-means聚类算法将步骤2中的数据分布呈两个单独的集群;
步骤4:利用高斯混合模型拟合方法将步骤3中的单独集群进行高斯拟合分布,分成生物学标记事件发生和不发生,即异常和正常;
步骤5:利用基于事件概率模型、自我增长的贪心算法和贪心马尔科夫蒙特卡洛方法,计算生物学标记事件发生的最优顺序Soptimal;
步骤6:计算生物学标记缺失时,基于步骤5中的最优顺序Soptimal,期望事件顺序等级;
步骤7:基于上述Soptimal和构建痴呆转化的筛选系统,即痴呆等级转化计算公式;
步骤8:设定痴呆转化的临界等级为6级;
步骤9:录入个体患者或就诊患者的基本信息;
步骤10:收集个体患者或就诊患者的个体生物学标记;
步骤11:对个体生物学标记事件发生不发生的高斯分布进行识别;
步骤12:对个体生物学标记事件发生与不发生的概率进行计算;
步骤13:对个体生物学标记是否缺失进行判断;
步骤14:基于步骤13中的缺失判断结果计算个体痴呆转化等级,并与痴呆转化临界等级6级进行判断比较;
步骤15:基于步骤14的个体痴呆转化等级判断结果输出个体是否将转化痴呆的临床判断。
更进一步的,所述步骤5中的最优顺序的计算包括如下步骤:
步骤a:基于事件概率模型,得到所有受试者在顺序S下的测量值的计算公式:
其中,p(X|S)为所有受试者在顺序S下的概率测量值;J为受试者个数;N为生物学标记的个数;p(k)为发生在每个标记的概率,数值为p(Xj|S,k)为在给定的顺序S的情况下数据Xj的概率和受试者j的等级;p(xij|ES(i))为生物学事件ES(i)发生的xij的概率,为生物学事件ES(i)不发生的xij的概率;
步骤b:从10个生物学标记中任取2个进行排序,得到两组顺序,计算出具有最大p(X|S)值的作为初始根顺序S;
步骤c:从剩余事件中随机选择一个事件插入初始根顺序S中排序,产生一组新的子顺序S;
步骤d:利用步骤a中的的计算公式,选择具有最大的p(X|S)值的子顺序S,作为新年的初始根顺序S;
步骤e:重复步骤c和d,直至没有生物学标记事件剩下;
步骤f:选择具有最大的p(X|S)值的顺序作为最优顺序Soptimal。
更进一步的,所述步骤6中的,期望事件顺序等级通过公式以及生物学缺失条件p(Xj|S,k)=0,k=imissing、计算而得到,其中,imissing为生物学缺失标记的序号。
更进一步的,步骤7中所述的痴呆等级转化计算公式为:
每个个体痴呆转化等级定义为在最优顺序Soptimal中在哪个等级K有最大概率值;其中,为在最优顺序Soptimal下的事件发生的xij的概率,为在最优顺序Soptimal下的事件不发生的xij的概率的概率。
更进一步的,所述步骤a中所有受试者在顺序S下的测量值的计算公式的获得步骤如下:
首先:评估生物学事件Ei发生或不发生的xij的概率,即得到p(xij|ES(i))和
其次:假设受试者j在等级k,得到在给定的顺序S的情况下数据Xj的概率和受试者的等级可用以下公式
然后:通过在顺序S里跨所有可能等级的数据Xj的概率值的总和来获得Xj的概率,获得计算等式
最后:假设受试者间的关系是独立的,合并所有受试者的测量值,得到等式:
更进一步的,步骤2中所述的3个大脑功能连接指标,2个大脑灰质指标的获取步骤包括:
步骤1:静息态fMRI数据预处理,包含1)去除r-fMRI数据前5个时间点数据;2)时间校正;3)头动校正;4)线性回归去除6个头动参数、白质平均信号以及脑脊液平均信号效应;5)去除时间序列的线性趋势;6)空间标准化,转化原始空间到MNI标准空间,并进行重采样,使其到体素大小为4×4×4mm3;7)全脑负指数,global negative index,GNI,判断全脑全局信号是否回归;GNI:计算与全脑全局信号负相关的体素数目与全脑体素总数的比例;若GNI>3%提示该样本中全脑信号与噪声无关,不需回归去除;8)时间带宽滤波0.015Hz-0.1Hz;
步骤2:结构MRI数据预处理,包含1)将T1大脑结构图像分割为灰质、白质与脑脊液;2)用12仿射变换和16个非线性迭代将灰质体积数据标准化至MNI空间;3)灰质用0.8的阈值排除非灰质区;4)在SPM软件包中用三维插值法将所有原始灰质图像转化成4×4×4mm3体素大小。
步骤3:功能连接指标提取,包含1)整个大脑根据自动解剖标记模板获得90个皮层及皮层下脑区;提取这90个脑区每个脑区所有体素的血氧水平依赖时间序列,并求平均;2)每个脑区与其他脑区用Pearson’s互相关分析得其功能连接,每个感兴趣区得到89个互相关系数值;最后,每个ROI的所有89互相关系数值求和,且大脑半球求平均值,即得:海马功能连接,后扣带回功能连接和梭状回功能连接。
步骤4:灰质密度指标提取:首先对90个脑区中每个脑区的所有体素的灰质密度求和,然后对海马和梭状回两个脑区的大脑半球间求平均值,即得:海马灰质密度和梭状回灰质密度。
即:本发明采用10个生物标记检测指标,包括海马功能连接,后扣带回功能连接,梭状回功能连接,海马灰质密度,梭状回灰质密度,简易精神状态检查评分、阿尔茨海默病量表-认知子量表、听觉词语学习测验评分,Aβ和p-tau水平;所述生物学指标利用二分类聚类算法、混合高斯模型拟合方法、基于事件概率模型、自我增长的贪心算法和贪心马尔科夫蒙特卡洛方法构建生物学标记缺失与不缺失情况下的痴呆转化筛选系统;所述筛选系统临床判断痴呆转化的临界等级为大于等于6级。
有益效果:本发明提供一种轻度认知障碍患者痴呆转化的筛选参考方法,正确率高、特异性高、灵敏度高、稳定性好、安全、无创、低成本、适合推广应用等优点,能够为遗忘型轻度认知障碍患者痴呆转化提供早期预测,并能够为临床选择潜在需治疗的患者和临床药物疗效评估提供筛选参考工具。
附图说明
图1是本发明的结构示意图;
图2是本发明的功能连接指标的计算示意图;
图3是本发明的生物学事件Ei发生或不发生的xij的概率示意图;
图4是本发明的贪心算法的示意图;
图5是本发明的个体水平痴呆转化不同等级的概率示意图;
图6是本发明轻度认知障碍患者的痴呆转化筛选系统在3个数据库中筛选痴呆转化的MCI患者能力的受试者工作特征图。
具体实施方式
1实验材料
本发明所用实验材料,即构建痴呆转化预测系统的数据集为ADNI数据集和NADS数据集,ADNI为公开的AD神经影像学计划数据库,即为Alzheimer’s Disease NeuroimagingInitiative。NADS数据集为南京老年化痴呆研究,即为Nanjing Aging and DementiaStudy。所述NADS数据集保藏在发明人单位,所述NADS数据集经公众与发明人单位南京脑科医院联系与申请可必然获知。
2生物学标记事件选取
选取10个生物学标记指标为:海马功能连接,后扣带回功能连接,梭状回功能连接,海马灰质密度,梭状回灰质密度,Aβ,p-tau水平,简易精神状态检查评分、阿尔茨海默病量表-认知子量表和听觉词语学习测验评分。
功能连接和灰质密度生物学标记提取的获取步骤如下:
2.1静息态fMRI数据预处理
数据预处理采用SPM和MATLAB软件包进行常规的静息态fMRI(resting-statefMRI,r-fMRI)预处理步骤,包含:1)去除r-fMRI数据前5个时间点数据;2)时间校正;3)头动校正;4)线性回归去除6个头动参数、白质平均信号以及脑脊液平均信号效应;5)去除时间序列的线性趋势;6)空间标准化,转化原始空间到MNI标准空间,并进行重采样,使其到体素大小为4×4×4mm3;7)全脑负指数(global negative index,GNI)判断全脑全局信号是否回归:GNI:计算与全脑全局信号负相关的体素数目与全脑体素总数的比例。若GNI>3%提示该样本中全脑信号与噪声无关,不需回归去除。8)时间带宽滤波(0.015Hz-0.1Hz)。
2.2结构MRI数据预处理
用SPM软件进行3D-T1结构MRI数据预处理。1)将T1大脑结构图像分割为灰质、白质与脑脊液;2)用12仿射变换和16个非线性迭代将灰质体积数据标准化至MNI空间。3)灰质用0.8的阈值排除非灰质区。4)在SPM软件包中用三维插值法将所有原始灰质图像转化成4×4×4mm3体素大小。
2.3功能连接指标(FCI)提取
图2显示3个功能连接指标的计算流程示意图。1)整个大脑根据自动解剖标记(automated anatomiccal labeling,AAL)模板获得90个皮层及皮层下脑区。提取这90个脑区每个脑区所有体素的血氧水平依赖(Blood Oxygenation Level Dependent,BOLD)时间序列,并求平均。2)每个脑区与其他脑区用Pearson’s互相关分析得其功能连接。因此,每个感兴趣区(regions ofinterest,ROI)得到89个互相关系数(cross-correlationcoefficient,CC)值。最后,每个ROI的所有89个CC值求和,且大脑半球求平均值,即得:海马功能连接,后扣带回功能连接和梭状回功能连接。
2.4灰质密度指标(GMI)提取
每个受试者预处理后的灰质体积图像通过SPM软件计算基于90AAL模板的每个脑区的灰质指标GMI。简单地说,90个脑区中每个脑区的所有体素的灰质密度求和,然后海马和梭状回两个脑区的大脑半球间求平均值,即得:海马灰质密度和梭状回灰质密度。
3事件发生和不发生的分布模型计算
假设混合高斯分布能拟合一个AD风险生物学事件发生和不发生高斯分布,进而能为疾病的异常(事件发生)和正常(事件不发生)进行分类。利用一个2分类高斯分布的混合模型来拟合CN和AD组的生物学标记事件数据。拟合高斯分布把数据分成两组,即异常(事件发生)和正常(事件不发生)。在利用高斯混合模型拟合之前,应用K-mean聚类算法来把整个分布分成两个单独的集群。
4基于事件概率模型的计算,利用基于事件概率模型、自我增长的贪心算法和贪心马尔科夫蒙特卡洛方法(Markov chain Monte Carlo,MCMC),计算生物学标记事件发生的最优顺序Soptimal。
4.1构建基于事件概率模型
利用基于事件概率模型,即Event-based probabilistic model,EBP模型。本发明构建EBP模型和训练Soptimal采用来自ADNI数据库中200例样本受试者(100名CN和100例AD)。
对于已知的一组通过N个生物学标记(x1,x2,..…,xN)测量所得的N个事件(E1,E2,……,EN),事件的时间顺序S={s(1),s(2),……,s(N)}通过已知整数1,2,3,..….,N的置换而计算得到。为每个受试者(j=1,……,J),数据集X被作为X={X1,X2,……,XJ}。尤其,XJ表示受试者j的数据集:Xj={x1j,x2j,……,xNj},其中xij为受试者j的第i个生物学标记。以数据驱动的方法决定最优时间顺序Soptimal,从而产生于数据集X最高的概率,即最优Soptimal的p(X|S)值通过所有可能性顺序中最大的概率计算而得到。
为了实现上述目的,首先:评估生物学事件Ei发生或不发生的xij的概率,如图3所示。并定义:p(xij|Ei)为事件Ei已经发生的概率;为事件Ei不发生的概率。
因为真正的生物学标记的顺序和受试者的等级未知。所以,其次:假设受试者j在等级k。即:受试者j的事件Es(1),Es(2),……,Es(k)已经发生,且事件Es(k+1),Es(k+2),……,Es(N)没有发生。在给定的顺序S的情况下数据Xj的概率和受试者的等级可用以下公式得
其中,为相关事件已经发生的测量的总的概率,为没有发生的相关事件的总的概率。
然后:通过在顺序S里跨所有可能等级的数据Xj的概率值的总和来获得Xj的概率,计算等式如下:
最后,在假设受试者间的关系是独立的前提下,合并所有受试者的测量值,获得等式:
理论上,上面的分析需要重复所有可能的顺序,以便获得Soptimal的顺序,从而获得p(X|S)的最大值。然而,如此的计算策略非常耗时。在本发明中,给定10生物学标记,11种可能等级(包含等级0)和100个受试者,则需要时间将是2.7942e+009。因此,本发明采用贪心算法和贪心马尔科夫蒙特卡洛方法来提高处理效率。
4.2利用自我增长的贪心算法和贪心马尔科夫蒙特卡洛(Markov chain MonteCarlo,MCMC)方法得到最优顺序Soptimal。
生物学标记事件发生的最优顺序采用自我增长的贪心算法计算。贪心马尔科夫蒙特卡洛方法在探索总体最优结果是有效的方法。1)本系统以一组初始根顺序开始,每个根顺序由10个生物学标记中的两个随机组成。2)S为每个初始根顺序,插入剩下的其他事件中的一个随机选择事件来产生子顺序S。3)选择具有最大的p(X|S)值的子顺序S,且替代初始顺序S。然后,本系统放入另外一个随机选择的事件进入这个顺序S中,且本系统继续重复第2步和第3步,直到没有生物学标记事件剩下为止。最后,本系统选择具有最大的p(X|S)值的顺序作为最终最优的顺序Soptimal。图4显示详细贪心算法流程图。
5缺失生物学标记时的期望事件顺序等级:
如缺失生物学标记指标,则基于上面的最优顺序Soptimal,本发明将进行重新计算期望事件顺序等级
在已知生物学标记Xj和最优顺序Soptimal情况下,受试者j在等级k的概率为:
其中,Xj={x1j,x2j,…,xNj},xij是受试者j的第i个生物学标记值。
标准化概率定义为:
Pnorm(Xj|S,k)=Aj*p(Xj|S,k) (5)
其中,标准化因子Aj由下面公式决定:
受试者j的期望等级Kj,expected定义为:
在缺失生物学标记imissing的情况下,和被设置成1。这就等于在不必校正存在的项目的情况下把这些缺失生物学标记移除等式(1)。与此同时,k=imissing,p(Xj|S,k)设置成为0。因此,等式(1)在缺失生物学标记的情况下的公式为:
p(Xj|S,k)=0,k=imissing (8)
最后,每个受试者期望的生物学标记事件的等级被计算为
6轻度认知障碍患者的痴呆转化等级系统
在Soptimal中本系统用事件发生的顺序为每个生物学标记事件编号。每个个体痴呆转化等级定义为在最优顺序Soptimal中在哪个等级K有最大概率值。个体的K值相对于一个痴呆转化等级,如图5所示。
具体痴呆转化等级计算公式如下:
其中,和参考等式(4),Soptimal为前面计算所得。
7选定痴呆转化的临界等级
ROC曲线用于评估痴呆转化的筛选系统的转化等级值鉴别MCI转化者和-MCI非转化者的能力。痴呆转化的筛选系统鉴别MCI转化者和-MCI非转化者的最优临界等级被提取,即6级,如图6所示。并产生最优敏感性、特异性、优势率、相对风险。
8轻度认知障碍患者痴呆转化的筛查系统的临床应用
轻度认知障碍患者痴呆转化的筛查系统在3个数据库中的应用结果显示,筛查系统在ADNI数据库中筛查aMCI患者痴呆转化的正确率为87.5%,敏感度为81%,特异性为90%,平衡正确率为85.5%。在NADS数据库1中的正确率为80.4%,敏感度为75%,特异性为82%,平衡正确率为78.5%。在NADS数据库2中的正确率为82%,敏感度为83%,特异性为78%,平衡正确率为80.5%,如图6所示。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (6)
1.一种轻度认知障碍患者痴呆转化的筛选参考方法,其特征在于:包括
步骤1:获取ADNI数据集和NADS数据集;
步骤2:从所述步骤1中的两个数据集内分别采用10个生物学标记指标,所述生物学标记指标包括:3个大脑功能连接指标,2个大脑灰质指标、3个认知功能指标和2个脑脊液指标;
步骤3:利用二分类K-means聚类算法将所述步骤2中的数据分布呈两个单独的集群;
步骤4:利用高斯混合模型拟合方法将步骤3中的两个单独的集群分别进行高斯拟合分布,分成为生物学标记事件发生和不发生,即异常和正常;
步骤5:利用基于事件概率模型、自我增长的贪心算法和贪心马尔科夫蒙特卡洛方法,计算生物学标记事件发生的最优顺序Soptimal;
步骤6:生物学标记缺失时,基于步骤5中的最优顺序Soptimal,计算期望事件顺序等级
步骤7:基于最优顺序Soptimal和期望事件顺序等级构建痴呆转化的筛选系统,即痴呆等级转化计算公式;
步骤8:所述筛选系统的临床判断痴呆转化的临界等级为6级;
步骤9:录入个体患者或就诊患者的基本信息;
步骤10:收集个体患者或就诊患者的个体生物学标记;
步骤11:对个体生物学标记事件发生不发生的高斯分布进行识别;
步骤12:对个体生物学标记事件发生与不发生的概率进行计算;
步骤13:对个体生物学标记是否缺失进行判断;
步骤14:基于所述步骤13中的缺失判断结果计算个体痴呆转化等级,并与痴呆转化临界等级6级进行判断比较;
步骤15:基于所述步骤14的个体痴呆转化等级判断结果输出个体是否将转化痴呆的临床判断。
2.根据权利要求1所述的一种轻度认知障碍患者痴呆转化的筛选参考方法,其特征在于:所述步骤5中的最优顺序Soptimal的计算包括如下步骤:
步骤a:基于事件概率模型,得到所有受试者在顺序S下的测量值的计算公式:
其中,p(X|S)为所有受试者在顺序S下的概率测量值;J为受试者个数;N为生物学标记的个数;p(k)为发生在每个生物学标记的概率,数值为p(Xj|S,k)为在给定的顺序S的情况下数据Xj的概率;p(xij|ES(i))为生物学事件ES(i)发生的xij的概率,为生物学事件ES(i)不发生的xij的概率;
步骤b:从所述步骤2中的10个生物学标记中任取2个进行排序,得到两组顺序,计算出具有最大p(X|S)值的作为初始根顺序S;
步骤c:从剩余事件中随机选择一个事件插入初始根顺序S中排序,产生一组新的子顺序S;
步骤d:利用步骤a中的的计算公式,选择具有最大的p(X|S)值的子顺序S,作为新年的初始根顺序S;
步骤e:重复步骤c和d,直至没有生物学标记事件剩下;
步骤f:选择具有最大的p(X|S)值的顺序作为最优顺序Soptimal。
3.根据权利要求1中所述的一种轻度认知障碍患者痴呆转化的筛选参考方法,其特征在于:所述步骤6中的,期望事件顺序等级通过公式以及生物学缺失条p(Xj|S,k)=0,k=imissing、计算而得到,其中,imissing为生物学缺失标记的序号。
4.根据权利要求1所述的一种轻度认知障碍患者痴呆转化的筛选参考方法,其特征在于:所述步骤7中痴呆等级转化计算公式为:
个体痴呆转化等级定义为:最优顺序Soptimal下,等级K有最大概率值;其中,为在最优顺序Soptimal下的事件发生的xij的概率,为在最优顺序Soptimal下的事件不发生的xij的概率。
5.根据权利要求2所述的一种轻度认知障碍患者痴呆转化的筛选参考方法,其特征在于:所述步骤a中获得所有受试者在顺序S下的测量值p(X|S)的计算公式的具体步骤如下:
首先:评估生物学事件Ei发生或不发生的xij的概率,即得到p(xij|ES(i))和
其次:假设受试者j在等级k,通过下述公式计算得到在给定的顺序S的情况下数据Xj的概率;
然后:通过在顺序S里汇总所有可能等级的数据Xj的概率值的总和来获得Xj的概率,获得计算等式
最后:合并所有受试者的测量值,得到等式:
6.根据权利要求1所述的一种轻度认知障碍患者痴呆转化的筛选参考方法:步骤2中所述的3个大脑功能连接指标和2个大脑灰质指标的获取步骤包括:
步骤1:静息态fMRI数据预处理,包含:1)去除r-fMRI数据前5个时间点数据;2)时间校正;3)头动校正;4)线性回归去除6个头动参数、白质平均信号以及脑脊液平均信号效应;5)去除时间序列的线性趋势;6)空间标准化,转化原始空间到MNI标准空间,并进行重采样,使其到体素大小为4×4×4mm3;7)全脑负指数(global negative index,GNI),判断全脑全局信号是否回归;计算与全脑全局信号负相关的体素数目与全脑体素总数的比例;若GNI>3%提示该样本中全脑信号与噪声无关,不需回归去除;8)时间带宽滤波0.015Hz-0.1Hz;
步骤2:结构MRI数据预处理,包含:1)将T1大脑结构图像分割为灰质、白质与脑脊液;2)用12仿射变换和16个非线性迭代将灰质体积数据标准化至MNI空间;3)灰质用0.8的阈值排除非灰质区;4)在SPM软件包中用三维插值法将所有原始灰质图像转化成4×4×4mm3体素大小;
步骤3:功能连接指标提取,包含:1)整个大脑根据自动解剖标记模板获得90个皮层及皮层下脑区;提取这90个脑区每个脑区所有体素的血氧水平依赖时间序列,并求平均;2)每个脑区与其他脑区用Pearson’s互相关分析得其功能连接,每个感兴趣区得到89个互相关系数值;最后,每个ROI的所有89互相关系数值求和,且大脑半球求平均值,即得:海马功能连接,后扣带回功能连接和梭状回功能连接;
步骤4:灰质密度指标提取:首先对90个脑区中每个脑区的所有体素的灰质密度求和,然后对海马和梭状回两个脑区的大脑半球间求平均值,即得:海马灰质密度和梭状回灰质密度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810354312.0A CN108597615A (zh) | 2018-04-19 | 2018-04-19 | 一种轻度认知障碍患者痴呆转化的筛选参考方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810354312.0A CN108597615A (zh) | 2018-04-19 | 2018-04-19 | 一种轻度认知障碍患者痴呆转化的筛选参考方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108597615A true CN108597615A (zh) | 2018-09-28 |
Family
ID=63614028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810354312.0A Pending CN108597615A (zh) | 2018-04-19 | 2018-04-19 | 一种轻度认知障碍患者痴呆转化的筛选参考方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108597615A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359685A (zh) * | 2018-10-17 | 2019-02-19 | 西安邮电大学 | 基于特征选择的多模态数据分类方法 |
CN110136840A (zh) * | 2019-05-17 | 2019-08-16 | 山东管理学院 | 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质 |
WO2023216293A1 (zh) * | 2022-05-11 | 2023-11-16 | 杭州青果医疗科技有限责任公司 | 预测痴呆症或轻度认知障碍的系统和方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102741858A (zh) * | 2009-10-28 | 2012-10-17 | 数字标记公司 | 基于传感器的移动搜索、相关方法和系统 |
CN105726026A (zh) * | 2016-01-28 | 2016-07-06 | 电子科技大学 | 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法 |
US20170209443A1 (en) * | 2016-01-21 | 2017-07-27 | Iowa State University Research Foundation, Inc. | Anti-inflammatory effect of orally active fyn kinase inhibitor sara-catinib (azd 0530) against parkinson's disease and other related neurodegenarative diseases |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
-
2018
- 2018-04-19 CN CN201810354312.0A patent/CN108597615A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102741858A (zh) * | 2009-10-28 | 2012-10-17 | 数字标记公司 | 基于传感器的移动搜索、相关方法和系统 |
US20170209443A1 (en) * | 2016-01-21 | 2017-07-27 | Iowa State University Research Foundation, Inc. | Anti-inflammatory effect of orally active fyn kinase inhibitor sara-catinib (azd 0530) against parkinson's disease and other related neurodegenarative diseases |
CN105726026A (zh) * | 2016-01-28 | 2016-07-06 | 电子科技大学 | 基于脑网络与脑结构信息的轻度认知障碍疾病分类方法 |
CN107392907A (zh) * | 2017-09-01 | 2017-11-24 | 上海理工大学 | 基于静息态功能性磁共振成像的海马旁回功能分区方法 |
Non-Patent Citations (1)
Title |
---|
陈玖: "基于神经影像特征的遗忘型轻度认知损害患者痴呆转化模型构建与临床应用研究", 《中国博士学位论文全文数据库》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359685A (zh) * | 2018-10-17 | 2019-02-19 | 西安邮电大学 | 基于特征选择的多模态数据分类方法 |
CN110136840A (zh) * | 2019-05-17 | 2019-08-16 | 山东管理学院 | 一种基于自加权分级生物特征的医学图像分类方法、装置和计算机可读存储介质 |
WO2023216293A1 (zh) * | 2022-05-11 | 2023-11-16 | 杭州青果医疗科技有限责任公司 | 预测痴呆症或轻度认知障碍的系统和方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Castellazzi et al. | A machine learning approach for the differential diagnosis of Alzheimer and vascular dementia fed by MRI selected features | |
LaFreniere et al. | Using machine learning to predict hypertension from a clinical dataset | |
Ahmed et al. | Single volume image generator and deep learning-based ASD classification | |
CN110840468B (zh) | 自闭症风险评估方法及装置、终端设备、存储介质 | |
Qiao et al. | Multivariate deep learning classification of Alzheimer’s disease based on hierarchical partner matching independent component analysis | |
KR20090028807A (ko) | 시간적 측정치를 이용하는 뇌 패턴의 분석 | |
CN114999629B (zh) | 一种基于多特征融合的ad早期预测方法、系统、装置 | |
CN108492877B (zh) | 一种基于ds证据理论的心血管病辅助预测方法 | |
WO2011094752A2 (en) | Methods and systems for regional synchronous neural interactions analysis | |
CN108597615A (zh) | 一种轻度认知障碍患者痴呆转化的筛选参考方法 | |
CN109480864A (zh) | 一种基于神经认知功能与机器学习的精神分裂症自动评估系统 | |
Jiang et al. | CNNG: a convolutional neural networks with gated recurrent units for autism spectrum disorder classification | |
CN113796873B (zh) | 穿戴式动态心电信号分类方法及系统 | |
Jain et al. | A deep learning-based feature extraction model for classification brain tumor | |
CN113520319A (zh) | 一种基于逻辑回归的癫痫事件风险管理方法和系统 | |
Qu et al. | A graph convolutional network based on univariate neurodegeneration biomarker for alzheimer’s disease diagnosis | |
CN107967943B (zh) | 一种基于功能核磁共振图像的儿童多动症分析系统 | |
Hemalatha et al. | Analysis of alzheimer disease prediction using machine learning techniques | |
Paul et al. | Hybrid shallow and deep learned feature mixture model for arrhythmia classification | |
Ambastha | Neuroanatomical characterization of Alzheimer’s disease using deep learning | |
Supriyanti et al. | Simple Classification of the Alzheimer’s Severity in Supporting Strengthening the Diagnosis of Patients based on ROC Diagram | |
CN114305387A (zh) | 基于磁共振成像的脑小血管病变图像分类方法、设备及介质 | |
Shen et al. | Clinical Characteristics and Gene Mutation Analysis of Poststroke Epilepsy | |
CN112862342A (zh) | 基于人工智能的影像质量关键要素评价的智能判别方法 | |
CN111383760A (zh) | 一种神经系统疾病的医疗智能诊断系统建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |