CN118072946B - 用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质 - Google Patents
用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN118072946B CN118072946B CN202410451276.5A CN202410451276A CN118072946B CN 118072946 B CN118072946 B CN 118072946B CN 202410451276 A CN202410451276 A CN 202410451276A CN 118072946 B CN118072946 B CN 118072946B
- Authority
- CN
- China
- Prior art keywords
- causal
- graph
- deposition
- edge
- parkinsonism
- 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.)
- Active
Links
- 230000008021 deposition Effects 0.000 title claims abstract description 75
- 208000027089 Parkinsonian disease Diseases 0.000 title claims abstract description 53
- 206010034010 Parkinsonism Diseases 0.000 title claims abstract description 53
- 230000001364 causal effect Effects 0.000 claims abstract description 251
- 210000004556 brain Anatomy 0.000 claims abstract description 95
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims abstract description 84
- 229910052742 iron Inorganic materials 0.000 claims abstract description 42
- 230000002490 cerebral effect Effects 0.000 claims abstract description 11
- 210000003523 substantia nigra Anatomy 0.000 claims description 11
- 210000004940 nucleus Anatomy 0.000 claims description 9
- 238000012217 deletion Methods 0.000 claims description 8
- 230000037430 deletion Effects 0.000 claims description 8
- 210000002637 putamen Anatomy 0.000 claims description 8
- 210000001103 thalamus Anatomy 0.000 claims description 8
- 238000003384 imaging method Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 208000019901 Anxiety disease Diseases 0.000 claims description 3
- 230000036506 anxiety Effects 0.000 claims description 3
- 230000006996 mental state Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 8
- 210000001905 globus pallidus Anatomy 0.000 description 7
- 230000003993 interaction Effects 0.000 description 7
- 208000018737 Parkinson disease Diseases 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000010845 search algorithm Methods 0.000 description 6
- 210000001159 caudate nucleus Anatomy 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 210000000463 red nucleus Anatomy 0.000 description 5
- 230000002093 peripheral effect Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- NVDPRSAJJGJPGK-UHFFFAOYSA-N 8-fluoro-2-(3-piperidin-1-ylpropyl)-1,3,4,5-tetrahydrobenzo[c][1,6]naphthyridin-6-one Chemical compound C1CC=2NC(=O)C3=CC(F)=CC=C3C=2CN1CCCN1CCCCC1 NVDPRSAJJGJPGK-UHFFFAOYSA-N 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229940068196 placebo Drugs 0.000 description 3
- 239000000902 placebo Substances 0.000 description 3
- 206010061818 Disease progression Diseases 0.000 description 2
- 238000013475 authorization Methods 0.000 description 2
- 230000005750 disease progression Effects 0.000 description 2
- 235000000396 iron Nutrition 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000008904 neural response Effects 0.000 description 2
- 230000035790 physiological processes and functions Effects 0.000 description 2
- 238000004904 shortening Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000031018 biological processes and functions Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000925 erythroid effect Effects 0.000 description 1
- 238000002599 functional magnetic resonance imaging Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000015122 neurodegenerative disease Diseases 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000027756 respiratory electron transport chain Effects 0.000 description 1
- 230000000284 resting effect Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 239000011573 trace mineral Substances 0.000 description 1
- 235000013619 trace mineral Nutrition 0.000 description 1
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
- G16H50/20—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
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4082—Diagnosing or monitoring movement diseases, e.g. Parkinson, Huntington or Tourette
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Pathology (AREA)
- Neurology (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Computing Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Neurosurgery (AREA)
- Primary Health Care (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Developmental Disabilities (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
Abstract
本申请公开了一种用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质。所述装置包括：处理器以及存储器，所述装置实现以下操作：获取帕金森病患者和正常被试的与评估帕金森脑铁沉积顺序有关的目标数据；基于所述目标数据构建表征所述临床指标和所述目标脑区之间的因果关系的因果关系图；基于所述因果关系图中的关系链路确定脑铁在所述目标脑区的沉积顺序；以及根据脑铁在所述目标脑区的沉积顺序评估帕金森不同时期的脑铁沉积位置。利用本申请的方案，可以覆盖大脑各个区域，从而更全面地评估帕金森不同时期的脑铁沉积位置，以便于缩短对帕金森病的发现时间。
Description
技术领域
本申请一般涉及帕金森脑铁沉积技术领域。更具体地，本申请涉及一种用于评估帕金森脑铁沉积位置的装置、电子设备和计算机可读存储介质。
背景技术
帕金森病患者的脑铁沉积是该退行性疾病的重要特征之一。铁是一种必须的微量元素，对氧气运输、电子传递等生物学过程至关重要，其累积和异常分布与帕金森病的发展有关。在帕金森病中，铁主要累积在黑质等脑区，通过定量磁化率成像（QuantitativeSusceptibility Mapping，“QSM”）可以量化大脑中的铁沉积数值，有助于诊断和了解帕金森病的进展。然而，由于该病早期的症状缺乏特异性很难及时发现治疗，而帕金森病不同脑区域铁沉积的时间具有特异性。由此，寻找合适的方法判断不同脑区铁沉积顺序对实现帕金森患者及时发现干预治疗具有重大意义。目前，已有通过动态因果模型（Dynamic CausalModelling，“DCM”）或者格兰杰因果分析（Granger Causality Analysis，“GCA”）来研究帕金森患者大脑铁沉积与疾病进展之间的关系。然而，现有的方法主要针对时间序列数据，对静息态功能磁共振成像（r-fMRI）数据的有效连接进行建模，推断特定任务或刺激下的大脑连接动态变化，以着重于理解和量化生理过程和神经反应，从而揭示了帕金森患者大脑铁沉积与疾病进展之间的关系。这需要复杂的生物物理模型，且需要对大脑区域间的相互作用关系进行假设，使得帕金森脑铁沉积顺序分析过程较为繁琐、复杂，分析效率低。
有鉴于此，亟需提供一种用于评估帕金森脑铁沉积位置的方案，直接基于目标数据分析临床指标和目标脑区之间的因果关系构建因果关系图，并由因果关系图中的关系链路可以直接确定脑铁在所述目标脑区的沉积顺序（例如从丘脑开始，接着是壳核、尾状核、红核、黑质，苍白球，而无需经过构建复杂生物物理模型、假定大脑区域的相互作用后再通过例如统计等分析评估，极大地简化了评估操作，提高了评估效率。进一步地，通过帕金森病脑铁沉积评估帕金森不同时期的脑铁沉积的不同位置，有利于缩短对帕金森病的发现时间，判断帕金森病的严重程度，以便进行有效干预。
发明内容
为了至少解决如上所提到的一个或多个技术问题，本申请在多个方面中提出了用于评估帕金森脑铁沉积位置的方案。
在第一方面中，本申请提供一种用于评估帕金森脑铁沉积位置的装置，包括：处理器；以及存储器，其上存储有用于评估帕金森脑铁沉积位置的计算机指令，当所述计算机指令由处理器执行时，使得所述装置实现以下操作：获取帕金森病患者和正常被试的与评估帕金森脑铁沉积顺序有关的目标数据，其中所述目标数据包括多个指标，并且所述多个指标包括临床指标和目标脑区的定量磁化率成像指标；基于所述目标数据构建表征所述临床指标和所述目标脑区之间的因果关系的因果关系图；基于所述因果关系图中的关系链路确定脑铁在所述目标脑区的沉积顺序，以评估帕金森脑铁沉积顺序；以及根据脑铁在所述目标脑区的沉积顺序评估帕金森不同时期的脑铁沉积位置。
在一个实施例中，其中所述临床指标至少包括年龄、贝克焦虑量表、贝克抑郁自评量表或简易精神状态量表中的一种或者多种，所述目标脑区至少包括左右脑尾状核、壳核、丘脑、苍白球、黑质和红核。
在另一个实施例中，其中当所述计算机指令由处理器执行时，使得所述装置进一步实现以下操作：对所述目标数据执行填充操作和/或归一化操作，以对所述目标数据执行预处理操作。
在又一个实施例中，其中当所述计算机指令由处理器执行时，使得所述装置进一步实现以下操作，以构建表征所述临床指标和所述目标脑区之间的因果关系的因果关系图：以所述目标数据为节点，构建所述节点之间的因果关系边；以及根据构建相应因果关系边后的因果图结构的贝叶斯信息准则评分获得表征所述临床指标和所述目标脑区之间的因果关系的所述因果关系图。
在又一个实施例中，其中当所述计算机指令由处理器执行时，使得所述装置进一步实现以下操作，以构建所述节点之间的因果关系边：基于所述节点初始化无边图；在所述无边图中进行前向搜索添加相应因果关系边，获得初始因果图；以及对所述初始因果图进行后向搜索删除相应因果关系边，以构建所述节点之间的因果关系边。
在又一个实施例中，其中当所述计算机指令由处理器执行时，使得所述装置进一步实现以下操作，以获得表征所述临床指标和所述目标脑区之间的因果关系的所述因果关系图：判断构建相应因果关系边后的因果图结构的贝叶斯信息准则评分是否满足评分值最小；以及根据判断结果获得表征所述临床指标和所述目标脑区之间的因果关系的所述因果关系图。
在又一个实施例中，其中当所述计算机指令由处理器执行时，使得所述装置进一步实现以下操作，以获得表征所述临床指标和所述目标脑区之间的因果关系的所述因果关系图：响应于在所述无边图中进行前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分未满足评分值最小，继续进行前向搜索添加相应因果关系边，直至前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小为止；响应于在所述无边图中进行前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，基于所述节点和添加的相应因果关系边形成所述初始因果图，并且对所述初始因果图进行后向搜索删除相应因果关系边；响应于对所述初始因果图进行后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，基于所述节点与剩余相应因果关系边获得表征所述临床指标和所述目标脑区之间的因果关系的所述因果关系图；响应于对所述初始因果图进行后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，继续进行后向搜索删除相应因果关系边，直至后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小为止。
在又一个实施例中，其中所述因果关系图中的关系链路由所述因果关系图中的节点和节点之间的因果关系边以及所述因果关系图中因果关系边的指向确定。
在第二方面中，本申请提供一种电子设备，包括前述第一方面中所述的装置。
在第三方面中，本申请提供一种计算机可读存储介质，其上存储有用于评估帕金森脑铁沉积位置的计算机程序指令，该计算机程序指令被一个或多个处理器执行时，使得实现前述第一方面中所述的装置所实现的操作。
通过如上所提供的用于评估帕金森脑铁沉积位置的方案，本申请实施例通过获取帕金森病患者和正常被试的与评估帕金森脑铁沉积顺序有关的目标数据，直接基于目标数据分析临床指标和目标脑区之间的因果关系来构建因果关系图，并且能够由因果关系图中的关系链路直接确定脑铁在所述目标脑区的沉积顺序，进而评估帕金森不同时期的脑铁沉积位置。基于此，本申请实施例通过图结构评估方式，分析目标数据之间的因果关系，以拟合获得最优的因果关系图，避免了基于复杂的生物物理模型、对大脑区域间交互方式进行假设因果关系图中的关系链路可以直接确定脑铁在所述目标脑区的沉积顺序，极大地简化了评估操作，提高了评估效率。另外，本申请实施例能够在变量特征较多的情况下可以发现多变量之间潜在的因果关系构建更复杂的因果结构，尤其在涉及更多变量的情况下，为探寻更复杂的因果关系提供了更简化的方法，且评估结果较为准确、全面。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，并且相同或对应的标号表示相同或对应的部分，其中：
图1A是示出根据本申请实施例的用于评估帕金森脑铁沉积位置的装置的示例性结构框图；
图1B是示出根据本申请实施例的用于评估帕金森脑铁沉积位置的装置所实现的操作的示例性流程框图；
图2是示出根据本申请实施例的构建因果关系图的示例性示意图；
图3是示出根据本申请实施例的构建因果关系图的整体的示例性流程框图；
图4是示出根据本申请实施例的最终的因果关系图的示例性示意图；
图5是示出根据本申请实施例的因果效应值及反驳测试检验值的示例性示意图；
图6是示出根据本申请实施例的电子设备。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应当理解，本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本申请。如在本申请说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本申请说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当... 时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
下面结合附图来详细描述本申请的具体实施方式。
图1A是示出根据本申请实施例的用于评估帕金森脑铁沉积位置的装置100的示例性结构框图。如图1A中所示，该装置100可以包括处理器110和存储器120。其中，前述处理器110可以包括例如通用处理器(“CPU”)或专用图形处理器(“GPU”)，前述存储器120中存储有可在所述处理器上执行的程序指令。在一些实施例中，前述存储器120可以包括但不仅限于阻变式存储器RRAM（Resistive Random Access Memory）、动态随机存取存储器DRAM（Dynamic Random Access Memory）、静态随机存取存储器SRAM（Static Random-AccessMemory）、增强动态随机存取存储器EDRAM（Enhanced Dynamic Random Access Memory）。
进一步地，上述存储器120可以存储有评估帕金森脑铁沉积位置的程序指令，当前述程序指令由处理器110执行时，使得装置100实现以下操作：获取帕金森病患者和正常被试的与评估帕金森脑铁沉积顺序有关的目标数据，其中目标数据包括多个指标，并且多个指标包括临床指标和目标脑区的定量磁化率成像指标；基于目标数据构建表征临床指标和目标脑区之间的因果关系的因果关系图；基于因果关系图中的关系链路确定脑铁在目标脑区的沉积顺序，以评估帕金森脑铁沉积顺序；以及根据脑铁在目标脑区的沉积顺序评估帕金森不同时期的脑铁沉积位置。下面将结合图1B详细描述本申请实施例的装置100所实现的操作。
图1B是示出根据本申请实施例的用于评估帕金森脑铁沉积位置的装置所实现的操作100的示例性流程框图。如图1B中所示，在步骤S101处，获取帕金森病患者和正常被试的与评估帕金森脑铁沉积顺序有关的目标数据。在一个实施例中，该目标数据包括多个指标，并且多个指标包括临床指标和目标脑区的定量磁化率成像（“QSM”）指标。在一些实施例中，前述临床指标可以包括但不仅限于是年龄、贝克焦虑量表（“BAI”）、贝克抑郁自评量表（“BDI”）或简易精神状态量表（“MMSE”）等评分信息。前述目标脑区可以例如是左右脑尾状核、壳核、丘脑、苍白球、黑质和红核，其分别对应记为CN-L、CN-R、PUT-L、PUT-R、TH-L、TH-R、GP-L、GP-R、SN-L、SN-R、RN-L和RN-R，其中L表示左脑区、R表示右脑区。即，本申请实施例的目标数据可以包括例如帕金森病患者和正常被试的年龄、BAI、BDI、MMSE等评分信息和目标脑区（例如CN-L、CN-R、PUT-L、PUT-R、TH-L、TH-R、GP-L、GP-R、SN-L、SN-R、RN-L和RN-R）的QSM值。
基于上述目标数据，在步骤S102处，基于目标数据构建表征临床指标和目标脑区之间的因果关系的因果关系图。在一个实施例中，在基于目标数据构建表征临床指标和目标脑区之间的因果关系的因果关系图之前，可以对目标数据执行填充操作和/或归一化操作，以对目标数据执行预处理操作。具体来说，对目标数据中的缺失数据进行填充。作为示例，可以采用数据均值填充缺失数据。例如，假设被试中缺失了部分右脑尾状核（“CN-R”）的QSM值，采用所有被试的CN-R处的QSM值的均值填充缺失部分。对于缺失数据较多，可以直接删除缺失数据较多的样本数据。对于归一化操作而言，将目标数据中的每个指标缩放到0~1之间，以为后续构建因果关系图作准备。
在一个实施例中，在基于目标数据构建表征临床指标和目标脑区之间的因果关系的因果关系图中，可以通过以目标数据为节点，构建所述节点之间的因果关系边，进而根据构建相应因果关系边后的因果图结构的贝叶斯信息准则评分获得表征临床指标和目标脑区之间的因果关系的因果关系图。在一个实现场景中，可以采用例如双阶段贪心搜索算法来构建节点之间的因果关系边。具体地，首先可以基于节点初始化无边图，接着在无边图中进行前向搜索添加相应因果关系边，获得初始因果图，再对初始因果图进行后向搜索删除相应因果关系边，以构建节点之间的因果关系边。也就是说，本申请实施例通过以目标数据中的每个指标作为节点，先初始化一个无边图（即仅包含节点），接着在第一阶段（前向搜索阶段）通过贪心搜索算法在无边图中添加边获得初始因果图，并在第二阶段（后向搜索阶段）通过贪心搜索算法在初始因果图中删除边，以构建节点之间的因果关系边。
进一步地，通过例如构建相应因果关系边后的因果图结构的贝叶斯信息准则评分获得因果关系图。在一个实施例中，通过判断构建相应因果关系边后的因果图结构的贝叶斯信息准则评分是否满足评分值最小，进而根据判断结果获得表征临床指标和目标脑区之间的因果关系的因果关系图。
更为具体地，在一个实施场景中，响应于在无边图中进行前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分未满足评分值最小，继续进行前向搜索添加相应因果关系边，直至前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小为止；响应于在无边图中进行前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，基于节点和添加的相应因果关系边形成初始因果图，并且对初始因果图进行后向搜索删除相应因果关系边。响应于对初始因果图进行后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，基于节点与剩余相应因果关系边构建表征临床指标和目标脑区之间的因果关系的因果关系图；响应于对初始因果图进行后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，继续进行后向搜索删除相应因果关系边，直至后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小为止。
即，通过双阶段贪心搜索算法添加、删除节点之间的因果关系边，进而根据添加、删除边后的因果图结构的贝叶斯信息准则评分来评估构建因果关系图。首先，在前向搜索阶段中，将目标数据的每个指标作为一个特征节点，从仅包含节点的无边图开始，逐步增加因果关系边来增加因果图的复杂度。在每一步中尝试所有可能添加边的操作并计算添加后的贝叶斯信息准则评分变化，然后选择使得评分最小化的添加边操作来更新图结构，直至满足评分值最小，将满足评分值最小时的节点及因果关系边作为初始因果图。接着，在后向搜索阶段中，为了降低因果图的复杂度，以避免过拟合。该阶段从前向搜索中获得的初始因果图中删除可以改善评分的边，直到满足新的评分最小值，将满足评分值最小时的节点及因果关系边作为最终的因果关系图。
在获得上述因果关系图后，在步骤S103处，基于因果关系图中的关系链路确定脑铁在目标脑区的沉积顺序，以评估帕金森脑铁沉积顺序。在一个实施例中，前述因果关系图中的关系链路由因果关系图中的节点和节点之间的因果关系边以及因果关系图中因果关系边的指向确定。可以理解，构建的因果关系图中的部分节点对应目标脑区，目标脑区之间的因果关系的指向表明了顺序，由此根据因果关系图可以直接获得在多个目标脑区的沉积顺序（例如图4所示）。
最后，在步骤S104处，根据脑铁在目标脑区的沉积顺序评估帕金森不同时期的脑铁沉积位置。具体地，根据脑铁在目标脑区的沉积顺序，可以获得帕金森患者脑铁沉积从丘脑（“TH”）开始，接着是壳核（“PUT”）、尾状核（“CN”）、红核（“RN”）、黑质（“SN”），最后是苍白球（“GP”）。即，对于帕金森早期，患者脑铁沉积在丘脑；帕金森中期，患者脑铁依次沉积在壳核、尾状核、红核、黑质，而帕金森晚期，患者脑铁沉积在苍白球。基于此，可以理解帕金森患者脑铁沉积的机制，及早地发现疾病，并及时进行诊断和干预。
结合上述描述可知，本申请实施例通过基于帕金森病患者和正常被试的与评估帕金森脑铁沉积顺序有关的目标数据构建表征目标数据之间的因果关系的因果关系图，以评估帕金森脑铁沉积顺序。优选地，本申请实施例通过基于双阶段贪心搜索算法对被试的临床指标和大脑目标脑区的QSM值进行因果发现并构建因果关系图，进而根据因果关系图发现帕金森患者的脑铁沉积在大脑各区域中的先后顺序，以进一步了解帕金森患者脑铁沉积的机制，缩短对帕金森病的发现时间。
相较于传统的侧重于理解和量化生理过程和神经反应的评估方式，本申请实施例通过直接分析目标数据之间的因果关系来判断不同脑区铁沉积的顺序，通过因果学习算法（例如上述双阶段贪心搜索算法）从临床指标和脑区的QSM值之间发现因果关系，以拟合获得最优的因果关系图，从而能够覆盖大脑各个区域，以便更全面地评估帕金森脑铁沉积顺序，缩短对帕金森病的发现时间。此外，本申请实施例不需要基于复杂的生物物理模型或对大脑区域间交互方式进行假设，极大地简化了评估操作，提高了评估效率。同时，在变量特征较多的情况下可以发现多变量之间潜在的因果关系构建更复杂的因果结构，尤其在涉及更多变量的情况下，为探寻更复杂的因果关系提供了更简化的方便，且评估结果较为准确、全面。
图2是示出根据本申请实施例的构建因果关系图的示例性示意图。如图2中所示，在前向搜索阶段中，通过以目标数据201为节点，初始化一个无边图202。其中，目标数据可以例如是年龄、BAI、BDI、MMSE等评分信息和目标脑区（例如CN-L、CN-R、PUT-L、PUT-R、TH-L、TH-R、GP-L、GP-R、SN-L、SN-R、RN-L和RN-R）的QSM值。接着，对于无边图202中每一对非相邻节点（i，j），通过双层循环遍历所有可能的因果关系边i->j，寻找不在当前图中且满足贝叶斯信息准则中定义的j的父结点最大数量的节点对，计算是节点j的邻居节点而不与节点i相邻的节点集合，并将其记为T，Ts是T的所有子集。遍历每个子集Ts，判断添加因果关系i->j及子集中节点作为条件的情况下是否可以降低评分。通过记录导致降低评分的因果关系边和相应的子集，更新直到添加的因果关系边无法降低评分时为止。即，添加的相应因果关系边满足评分值最小，获得初始因果图203。
图中进一步显示，在后向搜索阶段中，将初始因果图203中同时与i和j相邻的节点为H，Hs是H的所有子集。与上述前向搜索类似地，遍历所有子集，执行删除因果关系边的操作，并且计算评分变化观察图结构中对数据的拟合程度，直到删除相应因果关系边后的因果图结构满足评分值最小，获得最终的因果关系图204。
图3是示出根据本申请实施例的构建因果关系图的整体的示例性流程框图。如图3中所示，在步骤S301处，获取目标数据。接着，在步骤S302处，对目标数据执行预处理操作。例如，对目标数据执行填充操作和/或归一化操作，以对目标数据执行预处理操作。基于预处理后的数据，采用例如双阶段贪心搜索来构建节点之间的因果关系边。首先，基于节点初始化无边图，并且在步骤S303处，在无边图中进行前向搜索添加相应因果关系边。接着，在步骤S304处，判断前向搜索添加相应因果关系边后是否满足评分值最小。当在无边图中进行前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分未满足评分值最小，返回步骤S303，继续进行前向搜索添加相应因果关系边，直至前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小为止，获得初始因果图。
当在无边图中进行前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，在步骤S305处，对初始因果图进行后向搜索删除相应因果关系边，并且在步骤S306处，判断后向搜索添加相应因果关系边后是否满足评分值最小。当对初始因果图进行后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足未评分值最小，继续进行后向搜索删除相应因果关系边，直至后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小为止。当对初始因果图进行后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，在步骤S307处，返回最终的因果关系图。
图4是示出根据本申请实施例的最终的因果关系图的示例性示意图。如图4中所示为本申请实施例获得的最终的因果关系图。由图中可以看出，帕金森患者脑铁沉积从丘脑（“TH”）开始，其中-R，-L分别表示右脑和左脑。接着是壳核（“PUT”）、尾状核（“CN”）、红核（“RN”）、黑质（“SN”），最后是苍白球（“GP”）。其中，最终的因果关系图的结果显示尾状核（“CN”）和红核（“RN”）的沉积出现在疾病的时期没有太大差别，黑质（“SN”）和苍白球（“GP”）发现出现在帕金森的晚期。基于本申请实施例的因果关系图，可以直接获得大脑铁在多个脑区的沉积顺序，为帕金森病识别提供了新思路并缩短发现时间。
在一个实施场景中，为了验证上述沉积顺序的准确性，本申请实施例还提出从因果关系图中选取干预项和目标项进行因果效应评估，以评估干预项对目标项的影响程度，并进行反驳测试。可以理解，干预项对应因果关系中的因，目标项对应因果关系中的果。以上述图4为例，以BAI作为干预项，MMSE可以是目标项；以PUT-R作为干预项，PUT-L、CN-L和RN-R可以是目标项。在一些实施例中，对每一对干预项和目标项，可以使用例如线性回归方法，根据后门准则来估计在整个目标数据上的平均处理效应（Average Treatment Effect，“ATE”），以获得在控制了潜在混杂因素后，干预项对目标项的平均影响程度。例如图4中因果关系边上的数值即为ATE值，数值越大，表示干预项对目标项的影响程度越大。
在一个实施场景中，在进行反驳测试检验因果关系的正确性中，可以通过添加随机混杂因子反驳测试和安慰剂干预反驳测试。可以理解，添加随机混杂因子是指添加一个随机变量作为混杂因子后估计因果效应是否会改变，例如添加“受教育程度”作为随机变量混杂因子后观察因果关系图中的因果效应是否会改变。在该场景下，若因果关系正确，则添加随机混杂因子后，新的ATE值与原ATE值相比不会发生太大变化。安慰剂干预是指将真实干预变量替换为独立随机变量后因果效应是否会改变，例如将“BAI”这个干预变量替换为“受教育程度”这个独立随机变量后观察对“MMSE”这个目标变量的因果效应的变化。在该场景下，若因果关系正确，因果效应值应该接近0。
图5是示出根据本申请实施例的因果效应值及反驳测试检验值的示例性示意图。如图5中所示，通过添加随机混杂因子反驳测试后，其新的ATE值与原ATE值相比无太大变化。例如age->MMSE，原来的ATE值为0.0938，新的ATE值为0.0933；th-L->PUT-R，原来的ATE值为1.6453，新的ATE值为1.6439。通过安慰剂干预反驳测试后，新的ATE值接近0。由此，利用本申请实施例构建的因果关系图准确，其对应的大脑铁在多个脑区的沉积顺序（即从TH开始，依次是PUT、CN、RN、SN、GP）是准确的。此外，现有的脑铁沉积的研究仅集中在红核、黑质和苍白球，而本申请包括大脑各个区域（尾状核、壳核、丘脑、苍白球、黑质和红核），由此本申请实施例能够覆盖大脑各个区域，以便更全面地评估帕金森脑铁沉积顺序，缩短对帕金森病的发现时间。
图6是示出根据本申请实施例的电子设备600的示例性结构框图。可以理解的是，该电子设备600可以包括本申请实施例的装置，并且实现本申请方案的电子设备可以是单一的设备（例如计算设备）或包括各种外围设备的多功能设备。
如图6中所示，本申请的电子设备还可以包括中央处理器或中央处理单元（“CPU”）611，其可以是通用CPU、专用CPU或者其他信息处理以及程序运行的执行单元。进一步，电子设备600还可以包括大容量存储器612和只读存储器（“ROM”）613，其中大容量存储器612可以配置用于存储各类数据，包括各种与目标数据、因果关系图、算法数据、中间结果和运行电子设备600所需要的各种程序。ROM 613可以配置成存储对于电子设备600的加电自检、系统中各功能模块的初始化、系统的基本输入/输出的驱动程序及引导操作系统所需的数据和指令。
可选地，电子设备600还可以包括其他的硬件平台或组件，例如示出的张量处理单元（“TPU”）614、图形处理单元（“GPU”）615、现场可编程门阵列（“FPGA”）616和机器学习单元（“MLU”）617。可以理解的是，尽管在电子设备600中示出了多种硬件平台或组件，但这里仅仅是示例性的而非限制性的，本领域技术人员可以根据实际需要增加或移除相应的硬件。例如，电子设备600可以仅包括CPU、相关存储设备和接口设备来实现本申请的用于评估帕金森脑铁沉积位置的方法。
在一些实施例中，为了便于数据与外部网络的传递和交互，本申请的电子设备600还包括通信接口618，从而可以通过该通信接口618连接到局域网/无线局域网（“LAN/WLAN”）605，进而可以通过该LAN/WLAN连接到本地服务器606或连接到因特网（“Internet”）607。替代地或附加地，本申请的电子设备600还可以通过通信接口618基于无线通信技术直接连接到因特网或蜂窝网络，例如基于第3代（“3G”）、第4代（“4G”）或第5代（“5G”）的无线通信技术。在一些应用场景中，本申请的电子设备600还可以根据需要访问外部网络的服务器608和数据库609，以便获得各种已知的算法、数据和模块，并且可以远程地存储各种数据，例如用于呈现例如目标数据、因果关系图等的各类数据或指令。
电子设备600的外围设备可以包括显示装置602、输入装置603和数据传输接口604。在一个实施例中，显示装置602可以例如包括一个或多个扬声器和/或一个或多个视觉显示器，其配置用于对本申请的评估帕金森脑铁沉积顺序进行语音提示和/或图像视频显示。输入装置603可以包括例如键盘、鼠标、麦克风、姿势捕捉相机等其他输入按钮或控件，其配置用于接收音频数据的输入和/或用户指令。数据传输接口604可以包括例如串行接口、并行接口或通用串行总线接口（“USB”）、小型计算机系统接口（“SCSI”）、串行ATA、火线（“FireWire”）、PCI Express和高清多媒体接口（“HDMI”）等，其配置用于与其他设备或系统的数据传输和交互。根据本申请的方案，该数据传输接口604可以接收来自于医学数据库收集的目标数据，并且向电子设备600传送包括目标数据或各种其他类型的数据或结果。
本申请的电子设备600的上述CPU 611、大容量存储器612、ROM 613、TPU 614、GPU615、FPGA 616、MLU 617和通信接口618可以通过总线619相互连接，并且通过该总线与外围设备实现数据交互。在一个实施例中，通过该总线619，CPU 611可以控制电子设备600中的其他硬件组件及其外围设备。
以上结合图6描述了可以用于执行本申请的用于评估帕金森脑铁沉积位置的电子设备。需要理解的是这里的设备结构或架构仅仅是示例性的，本申请的实现方式和实现实体并不受其限制，而是可以在不偏离本申请的精神下做出改变。
根据上述结合附图的描述，本领域技术人员也可以理解本申请的实施例还可以通过软件程序来实现。由此本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有用于评估帕金森脑铁沉积位置的计算机可读指令，该计算机可读指令被一个或多个处理器执行时，可以用于实现本申请结合附图1B所描述的用于评估帕金森脑铁沉积位置的装置所实现的操作。
应当注意，尽管在附图中以特定顺序描述了本申请方法的操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，流程图中描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
应当理解，当本申请的权利要求、当说明书及附图中使用到术语“第一”、“第二”、“第三”和“第四”等时，其仅用于区别不同对象，而不是用于描述特定顺序。本申请的说明书和权利要求书中使用的术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的，而并不意在限定本申请。如在本申请说明书和权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。还应当进一步理解，在本申请说明书和权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
虽然本申请的实施方式如上，但所述内容只是为便于理解本申请而采用的实施例，并非用以限定本申请的范围和应用场景。任何本申请所述技术领域内的技术人员，在不脱离本申请所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本申请的专利保护范围，仍须以所附的权利要求书所界定的范围为准。
另外，本申请中对各种数据的采集和获取，符合相关法律规定，经过数据提供方的授权。任何组织或者个人需要获取外部数据的，应当依法取得授权并确保数据安全，不得非法收集、使用、加工、传输未经授权或未经保护的数据，不得非法买卖、提供或者公开未经授权或未经保护的数据。
Claims (6)
1.一种用于评估帕金森脑铁沉积位置的装置，其特征在于，包括：
处理器；以及
存储器，其上存储有用于评估帕金森脑铁沉积位置的计算机指令，当所述计算机指令由处理器执行时，使得所述装置实现以下操作：
获取帕金森病患者和正常被试的与评估帕金森脑铁沉积顺序有关的目标数据，其中所述目标数据包括多个指标，并且所述多个指标包括临床指标和目标脑区的定量磁化率成像指标；
基于所述目标数据构建表征所述临床指标和所述目标脑区之间的因果关系的因果关系图；
基于所述因果关系图中的关系链路确定脑铁在所述目标脑区的沉积顺序；以及
根据脑铁在所述目标脑区的沉积顺序评估帕金森不同时期的脑铁沉积位置，
其中所述装置进一步实现以下操作，以构建表征所述临床指标和所述目标脑区之间的因果关系的因果关系图：
以所述目标数据为节点，并基于所述节点初始化无边图；
在所述无边图中进行前向搜索添加相应因果关系边，直至在所述无边图中进行前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，以基于所述节点和添加的相应因果关系边形成初始因果图；
对所述初始因果图进行后向搜索删除相应因果关系边，直至对所述初始因果图进行后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小，基于所述节点与剩余相应因果关系边获得表征所述临床指标和所述目标脑区之间的因果关系的所述因果关系图；
其中所述因果关系图中的关系链路由所述因果关系图中的节点和节点之间的因果关系边以及所述因果关系图中因果关系边的指向确定。
2.根据权利要求1所述的装置，其特征在于，其中所述临床指标至少包括年龄、贝克焦虑量表、贝克抑郁自评量表或简易精神状态量表中的一种或者多种，所述目标脑区至少包括左右脑尾状核、壳核、丘脑、苍白球、黑质和红核。
3.根据权利要求1所述的装置，其特征在于，其中当所述计算机指令由处理器执行时，使得所述装置进一步实现以下操作：
对所述目标数据执行填充操作和/或归一化操作，以对所述目标数据执行预处理操作。
4.根据权利要求1所述的装置，其特征在于，其中当所述计算机指令由处理器执行时，使得所述装置进一步实现以下操作：
响应于在所述无边图中进行前向搜索添加相应因果关系边后的因果图结构的贝叶斯信息准则评分未满足评分值最小，继续进行前向搜索添加相应因果关系边，直至前向搜索添加相应因果关系边后的因果关系图的贝叶斯信息准则评分满足评分值最小为止；
响应于对所述初始因果图进行后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分未满足评分值最小，继续进行后向搜索删除相应因果关系边，直至后向搜索删除相应因果关系边后的因果图结构的贝叶斯信息准则评分满足评分值最小为止。
5.一种电子设备，其特征在于，包括根据权利要求1-4任意一项所述的装置。
6.一种计算机可读存储介质，其特征在于，其上存储有用于评估帕金森脑铁沉积位置的计算机程序指令，该计算机程序指令被一个或多个处理器执行时，使得实现根据权利要求1-4任意一项所述的装置所实现的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410451276.5A CN118072946B (zh) | 2024-04-16 | 2024-04-16 | 用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410451276.5A CN118072946B (zh) | 2024-04-16 | 2024-04-16 | 用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118072946A CN118072946A (zh) | 2024-05-24 |
| CN118072946B true CN118072946B (zh) | 2024-07-30 |
Family
ID=91100632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410451276.5A Active CN118072946B (zh) | 2024-04-16 | 2024-04-16 | 用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118072946B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111933273A (zh) * | 2020-03-03 | 2020-11-13 | 和人人工知能科技有限公司 | 基于人工智能的帕金森病诊断装置及方法 |
| CN116165587A (zh) * | 2022-12-12 | 2023-05-26 | 成都中医药大学 | 一种基于深度学习的定量磁敏感成像方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2003025122A2 (en) * | 2001-08-13 | 2003-03-27 | University Of Kentucky Research Foundation | Gene expression profile biomarkers and therapeutic targets for brain aging and age-related cognitive impairment |
| JP2010182287A (ja) * | 2008-07-17 | 2010-08-19 | Steven C Kays | 適応型インテリジェント・デザイン |
| CN114999657A (zh) * | 2022-08-03 | 2022-09-02 | 首都医科大学附属北京友谊医院 | 评估帕金森病患者的神经纤维束与步态障碍的相关性的方法和相关产品 |
| CN116206765B (zh) * | 2023-05-04 | 2024-05-24 | 首都医科大学附属北京友谊医院 | 一种用于评估帕金森病的风险等级的装置和存储介质 |
-
2024
- 2024-04-16 CN CN202410451276.5A patent/CN118072946B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111933273A (zh) * | 2020-03-03 | 2020-11-13 | 和人人工知能科技有限公司 | 基于人工智能的帕金森病诊断装置及方法 |
| CN116165587A (zh) * | 2022-12-12 | 2023-05-26 | 成都中医药大学 | 一种基于深度学习的定量磁敏感成像方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118072946A (zh) | 2024-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Scheinost et al. | Ten simple rules for predictive modeling of individual differences in neuroimaging | |
| Shen et al. | A macaque connectome for large-scale network simulations in TheVirtualBrain | |
| Akarca et al. | A generative network model of neurodevelopmental diversity in structural brain organization | |
| Al-Adhaileh | Diagnosis and classification of Alzheimer's disease by using a convolution neural network algorithm | |
| Richie-Halford et al. | Multidimensional analysis and detection of informative features in human brain white matter | |
| US11967413B2 (en) | Data aggregation, integration and analysis system and related devices and methods | |
| Feng et al. | A review of methods for classification and recognition of ASD using fMRI data | |
| CN114628034A (zh) | 阿尔兹海默症评估方法、系统、设备及存储介质 | |
| Sheng et al. | Higher-dimensional neural representations predict better episodic memory | |
| CN114005514B (zh) | 医学影像诊断方法、系统及装置 | |
| Daniel et al. | A deep multi-label segmentation network for eosinophilic esophagitis whole slide biopsy diagnostics | |
| CN118072946B (zh) | 用于评估帕金森脑铁沉积位置的装置、电子设备和存储介质 | |
| CN116344042B (zh) | 基于多模态分析的认知储备干预提升方法及系统 | |
| Mabrouk et al. | A novel approach to perform linear discriminant analyses for a 4-way alzheimer’s disease diagnosis based on an integration of pearson’s correlation coefficients and empirical cumulative distribution function | |
| RS et al. | Intelligence model for Alzheimer’s disease detection with optimal trained deep hybrid model | |
| CN116524284A (zh) | 核磁共振图像分析方法、系统、装置及存储介质 | |
| Moon et al. | Feature attention graph neural network for estimating brain age and identifying important neural connections in mouse models of genetic risk for Alzheimer’s disease | |
| KR102516868B1 (ko) | 파킨슨 병 검출을 위한 3d 컨볼루셔널 뉴럴 네트워크 | |
| Lee et al. | Bayesian joint inference for multiple directed acyclic graphs | |
| CN114266738A (zh) | 轻度脑损伤磁共振影像数据的纵向分析方法及系统 | |
| Soutinho et al. | Methods for checking the Markov condition in multi-state survival data | |
| Halpern et al. | Identifying causal subsequent memory effects | |
| Lee et al. | A predictor-informed multi-subject bayesian approach for dynamic functional connectivity | |
| Yang et al. | Joint PVL detection and manual ability classification using semi-supervised multi-task learning | |
| Shen et al. | A computational approach to estimate postmortem interval using postmortem computed tomography of multiple tissues based on animal experiments |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CB03 | Change of inventor or designer information | ||
| CB03 | Change of inventor or designer information |
Inventor after: Wei Wei Inventor after: Wei Xuan Inventor after: Shi Mingjun Inventor after: Wang Zheng Inventor after: Chen Qian Inventor before: Wei Wei Inventor before: Yang Xu Inventor before: Wei Xuan Inventor before: Jia Hanzhu Inventor before: Shi Mingjun Inventor before: Wang Zheng Inventor before: Chen Qian |