监督学习模型在量化阿尔茨海默病患者痴呆阶段方面的应用

信息学在医学解锁6（2017）28设计可解释的校准量表以定量评估阿尔茨海默病受试者的痴呆阶段：一种机器学习方法C.R. Aditya a，c，p.，M.B. Sanjay Pandeb，ca印度卡纳塔克邦Mysuru VVIET CSE系b印度卡纳塔克邦邦帕特纳SITAR CSE部c印度卡纳塔克邦贝尔高姆Visvesvaraya技术大学A R T I C L E I N F O关键词：阿尔茨海默病患者的多因素降维知识发现相似性测度分析A B S T R A C T背景：机器学习和数据挖掘技术已成功应用于MRI图像检测阿尔茨海默病（AD）。但只有少数研究探索了从非图像数据中检测AD的可能性。这些研究应用了传统的数据可视化和分类算法。需要新的复杂的学习算法，用于通过探索AD受试者中特征之间的复杂相互作用来检测和量化AD的严重程度方法：在这项工作中，监督学习模型，有效地捕捉复杂的功能相互作用，在AD数据的样本空间，知识发现。所发现的知识被进一步用于量化测试对象与痴呆类的相似性结果：在阿尔茨海默病受试者的OASIS数据库上评估所提出的模型，验证了AD的既定风险因素和识别因子：年龄，社会经济状况，MMSE评分和全脑体积。测试受试者被归类为非痴呆（ND）或AD类别，具有非重叠和可测量的相似性指数：女性ND（CDR=0）[0.48- 2.90]、女性AD（CDR=0.5）[90.16-774.51]、女性 AD （ CDR=1 ） [1633.90-7182.23] 、 女 性 AD （ CDR=2 ） [55258.51-66382.44] 、 男 性 ND（ CDR=0 ） [0.69-3.66] 、 男 性 AD （ CDR=0.5 ） [99.18-647.51] 和 男 性 AD （ CDR=1 ） [3880.16-6519.40]。结论：本研究的结果清楚地表明，监督学习模型可以有效地用于在标准可测量量表上量化AD的严重程度该距离量表可用作临床痴呆评级的补充。1. 介绍阿尔茨海默病（Alzheimer's disease，AD）是最常见的痴呆性疾病，其涉及不可逆的脑变性，并逐渐以完全脑衰竭而结束。据阿尔茨海默病协会统计，AD占痴呆病例的60 -80%[1]。2006年，全世界有2660万人参加，世界卫生组织预计到2030年将翻一番，到2050年将翻三倍。据预测，到2050年，全球每85人中就有1人感染AD，至少43%的流行病例需要高水平的护理[2，3]。衰老和其他因素增加了神经元变性的可能性，可导致AD。随着世界进入老龄化社会，AD对家庭和社会造成的负担和影响将日益显著。研究表明，AD受多种因素影响，如年龄，教育和社会经济地位。在正常衰老过程中，全脑体积下降始于成年早期，并在晚期衰老中加速[4还注意到灰质的优先体积损失[9]和皮质的区域特异性变薄[10]。教育水平、性别、社会经济地位和心血管健康已被确定为老年人体积下降的影响因素，这表明亚临床健康状况有助于大脑结构的年龄相关变化[11临床诊断为AD的个体显示相对于年龄匹配的同龄人，所有脑体积显著减少，以及在海马结构等区域中有充分记录的区域体积损失[16已经创建了许多模型来分析和检测来自MRI图像的AD [21-23]。神经网络、支持向量机、决策树分类器等技术已成功应用于MRI图像，以找到导致AD的感兴趣区域。*通讯作者：VVIET，Mysuru，卡纳塔克邦，印度CSE部门电子邮件地址：aditya. gmail.com（C.R. Aditya）。http://dx.doi.org/10.1016/j.imu.2016.12.004接收日期：2016年9月9日;接收日期：2016年12月29日;接受日期：2016年12月30日2017年1月3日在线发布2352-9148/ © 2016由Elsevier Ltd.发布。这是CC BY-NC-ND许可下的开放获取文章（http：//creativecommons.org/licenses/BY-NC-ND/4.0/）。目录可在ScienceDirect医学信息学杂志主页：www.elsevier.com/locate/imuC.R. Aditya，工商管理硕士Pande信息学在医学解锁6（2017）2829[24但只有少数研究探索了使用机器学习方法从非图像数据中检测AD的可能性[27，28]。这些机器学习方法面临的挑战是，捕获数据集中特征之间的复杂交互以及处理高维数据的能力（如果需要）。即使现有的方法（基于图像和非基于图像的方法）将测试对象分类为正常或异常类，它们也无法在标准尺度上量化异常程度。在诸如检测AD的医学数据分析中，重要的是制定标准的可测量量表来比较疾病的严重程度。要求在可测量的尺度上判断样品是否正常或异常。计算模型为复杂系统（如神经系统、神经紊乱等）建模提供了更好的手段。为了得到一个好的分析模型，我们需要设计知识库（KB），并确保数据样本分类的准确性。参考知识库的创建意味着将控制/训练集的巨大数据库合并为知识参数，这为以后的分析提供了有意义和有用的理解。在这项研究中，我们探索的可能性，分析AD主题的非图像数据使用监督学习方法，并量化其异常使用可测量的相似性指数。与现有模式相比，拟议模式所需的改进如下：1. 必须在可呈现的知识库中探索和捕获特征间的关系。2. 必须进行相似性分析，并通过适当的相似性指数来表示。3. 必须处理高维数据（如有）本研究论文的主题是设计一个计算模型，用于输入（测试主题）的批判性分析。在建议的计算模型中涉及两个阶段：（i）学习阶段（ii）识别阶段。学习阶段包括建立一个参考知识库使用已知的痴呆症和非痴呆症（ND）的主题。在识别阶段，将测试对象与参考知识库进行对比以决定标签（ND/AD），并且进一步决定受试者相对于AD类别的受试程度（a）。本研究交流按以下方式组织：第2节提供了计算模型和用于评估拟议模型的数据集的详细图片。第2.1节描述了用于验证模型的数据集。多因素分析[29]是一种用于KB创建和目标数据分析的强大计算模型，在第2.2节中进行了解释。第3节包括实验结果，第4节包括有用的讨论。第五是结论。2. 材料和方法2.1. 数据集根据从开放获取系列成像研究中获得的数据对所提出的模型进行评价[30]。该数据集由142名年龄在60-96岁的受试者的354个观察结果组成。对于某些患者，观察结果记录不止一次。该数据集包含所有右撇子的男性和女性受试者。这些数据还包括受试者的教育水平（EDUC）和社会经济地位（SES）。此外，数据集中还存在其他一些医学统计数据，包括受试者的颅内体积（eTIV）和脑体积（nWBV）。这两组受试者分别为痴呆和非痴呆，其中患者患有或不患有AD。在测试过程中出现AD的患者被分组转换。等于0.5、1和2分别对应于极轻度痴呆、轻度痴呆和中度痴呆。该医学测试具有赋予受试者作为阿尔茨海默病患者的权利的重要性。最低精神状态检查（MMSE）是一种问卷测试，有30个问题，涵盖算术，记忆和方向，以检查个人的认知情况。2.2. 多因素回归分析（MAA）如引言部分所指出的，现有模型需要改进的是有效地捕获数据中的特征间关系和处理高维数据（如果有的话）的能力。此外，知识库必须进一步用于量化测试对象与目标类的相似性。开发了非参数方法，如多因素降维（MDR）和组合划分方法[31-33]，以处理高维数据并揭示数据特征之间的复杂关系。MAA是一种基于MDR的模型，它以知识库的形式有效地捕获了特征间的关系，该知识库包含一个量化权重，可以进一步用于在可测量的尺度上量化测试对象。MAA使用MDR[34]的病例对照比比较概念将m*n特征空间减少到m*维空间。随着特征维数的降低，以多因子分解表（MAT）的形式生成了一个知识库，它捕获了复杂的特征间关系。通过将测试主题的特征值与MAT中的知识进行比较来执行测试主题与AD类的分类。2.2.1. MAT生成最初，根据值是否分别接近ND或AD受试者的平均值，将特征值转换为值“n”或“a”。在数据的改变的表示空间中，任何两个所选特征的值的可能组合是：– n−，a−n和a−。每个事件比较ND和AD受试者中的组合，并合并所选特征以形成新特征。在MAT中更新使用等式（1）计算的用于旧特征和多因子分解权重中的值的每个组合的新合并特征的值。重复该过程，直到m*n维数据集减少到m*维数据集。这样创建的MAT将包含一行用于特征值的每个组合，一列用于创建的每个新特征。因此，为m* n数据集生成的MAT将具有4行和n-1列。MAT的解释总结见表2。多因素权重（MAW），针对选定特征中的每个值组合进行更新，量化AD组中值组合的发生程度。MAW被设计为在0到1之间变化，其中1是值组合的最高量化因子。设ND发生率表示ND受试者中某个值组合的发生次数，AD发生率表示AD受试者中该值组合的发生次数那么MAW表现出以下性质：性质1：如果AD发生= 0且ND发生=m，则MAW=0。MAW的值为零表示值组合的发生对于ND受试者是唯一的，并且AD受试者不表现出该组合模式。性质2：如果AD发生=m并且ND发生= 0，则MAW=1。如果值组合的出现程度是唯一的，并且在AD受试者的最大值处，则MAW必须等于1。特性3：如果AD发生> = ND发生，则0.595%准确度）不出所料，知识库的见解与以前的研究中描述的在多因素分析中，通过将特征值与训练对象的平均值进行比较，在每个维度上评估测试对象的分析。通过考虑特征间的关系，计算出的多因子分解权重表示特征共同对主题类的影响程度。所获得的结果表明，可以在标准可测量量表上量化AD的严重程度。但是，量化的距离必须使用适当的权重进行缩放，相对于受试者的CDR，以在可测量的量化距离尺度上区分ND和AD受试者。将提出的MAA模型的有效性与分类树分析[27]和一般分布区分析[28]进行了比较。用于比较模型的参数是高维数据处理能力，探索数据特征之间的复杂相互作用和量化AD的严重程度。表13总结了每个模型的效率，很明显，与其他两个模型相比，我们的模型的效率较高5. 结论将诊断为阿尔茨海默病（AD）的测试对象分类为非痴呆（ND）或痴呆类是一个复杂的问题。在本文中，探索性的数据分析方法，提出了一个AD主题进行了验证性分析。明确的需要是认知一个参考知识库（KB），它可以在识别阶段使用，用于准确区分测试受试者是ND或AD。所提出的计算模型探讨了受试者的训练集，并以KB的形式捕获特征交互细节和每个特征在导致AD中的影响。本计算模型能够将测试受试者与KB匹配，从而理解受试者相对于AD类别的接近度/远度。总的来说，通过在KB中组合从特征交互细节导出的个体权重来完成测试对象的分类。与文献中现有的模型相比，该模型在高维数据处理能力、探索数据特征之间的复杂交互以及量化AD严重程度方面具有较高的精度。对于测试受试者到ND或AD类别的分类，计算的距离值可以在可解释的量表上读取，以识别疾病进展的严重程度。该距离量表可用作临床痴呆评级的补充。从提出的模型获得的用于定量评估测试受试者的校正距离为：女性ND（CDR=0）[0.48-2.90]、女性AD（CDR=0.5）[90.16-774.51]、女性AD（CDR=1）[1633.90 - 7182.23]、女性AD（CDR=2）[55258.51-66382.44] 、 男 性 ND （ CDR=0 ） [0.69-3.66] 、 男 性 AD（CDR=0.5）[99.18-647.51]和男性AD（CDR=1）[3880.16-6519.40]。我们已经提出了一种可能的方法来设计一个距离尺度量化AD从非图像数据，使用机器学习的方法。所提出的模型适用于数字输入值。研究人员可以进一步使用基于MRI图像的方法作为所提出模型的预处理步骤。图像中的有用信息可以以数值的形式提取，并用作我们提出的模型的输入，以获得更好的结果。未来，专家们全球各地的研究人员都可以将所提出的模型应用于标准化的AD数据，并设计出AD迁移距离的校准尺度确认作者要感谢博士B S Mahanand（部门。印度卡纳塔克邦Mysuru JSS科技大学信息科学与工程系教授），以表彰他在分析实验工作方面的专业知识和干练的指导。附录A. 补充数据与本文相关的补充数据可以在http://dx.doi.org/10.1016/j.imu.2016.12.004的在线版本中找到。引用[1] Alz.org，阿尔茨海默氏症和痴呆症。在线网址：http://www.alz.org/alzheimers_disease_what_is_alzheimers.asp [2016 -02 - 16][2] Brookmeyer R，Johnson E，Ziegler-Grahamm K，Arrighi HM. 01-02-01：预测阿尔茨海默病的全球患病率和负担。阿尔茨海默病2007;3（3）：S168。[3] Alzheimer.ca，世界卫生组织报告，在线网址：http：//www.alzheimer.ca/en/Get-involved/Raise-your-voice/WHO-report-dementia-2012[2013年1月24日][4] DeCarli C，Massaro J，Harvey D，Hald J，Tullberg M，Au R，Beiser A，D'Agostino R，Wolf PA.心脏病研究中脑形态学和梗死的测量：确定什么是正常的。Neurobiol Aging 2005;26（4）：491-510.[5] 杨志华，李志华.老龄化和AD患者脑容量横断面和纵向下降的标准估计。神经病学2005;64（6）：1032-9。[6] Sowell ER，Thompson PM，Leonard CM，Welcome SE，Kan E，Toga AW. 正常儿童大脑皮质厚度与脑生长的纵向映射。神经科学杂志2004;24（38）：8223-31.[7] 杜斯顿adhd的生物学基础综述：我们从影像学研究中学到了什么？ Ment RetardDev Disabil Res Rev 2003;9（3）：184-95。[8] 布拉特DD，比格勒ED，盖尔SD，约翰逊SC，安德森CV，伯内特BM，帕克N，库尔特S，霍恩SD。脑mr定量容积分析：跨越50年生命的规范数据库。美国神经放射学杂志1995;16（2）：241-51。[9] Raz N，Williamson A，Gunning-Dixon F，Head D，Acker JD.成年人在获得知觉运动技能方面的神经解剖学和认知相关性。Microsc Res Tech2000;51（1）：85-93.[10] Salat DH，Buckner RL，Snyder AZ，Greve DN，Desikan RS，Busa E，MorrisJC，DaleAM，Fischl B.大脑皮层变薄。脑皮质2004;14（7）：721-30.[11] Fotenos AF，Mintun MA，Snyder AZ，Morris JC，Buckner RL.老龄化中的脑容量下降：社会经济地位、临床前阿尔茨海默病和储备之间关系的证据。《神经病学文献》 2008;65（1）：113-20。[12] Raz N，Rodrigue KM，Acker JD.高血压与大脑：前额叶区域和执行功能的脆弱性。Behav Neurosci2003;117（6）：1169.[13] Koga H，Yuzuriha T，Yao H，Endo K，Hiejima S，Takashima Y，Sadanaga F，Matsumoto T，Uchino A，Ogomori K，et al. Quantitative mrifindings andcognitiveimpairment among community dwelling elderly subjects. J Neurol，NeurosurgPsychiatry 2002;72（6）：737-41.[14] Co Zeley CE，Saxton J，Ratzeley G，Bryan R，Lucke J.教育与正常老化中大脑大小的关系对储备假说的影响。神经病学1999;53（1），[189-189]。[15] CoBerrey CE，Lucke JF，Saxton JA，Ratenegy G，Unitas LJ，Billig B，BryanRN. 脑老化中的性别差异：定量磁共振成像研究。《神经病学文献》1998;55（2）：169-79。[16] Jack CR，Petersen RC，Xu YC，Waring SC，O'Brien PC，Tangalos EG，SmithGE，Ivnik RJ，Kokmen E.正常老年人和极轻度阿尔茨海默病的mri表现为内侧颞叶萎缩。神经病学1997;49（3）：786-94。[17] Raz N，Gunning FM，Head D，Dupuis JH，McQuain J，Briggs SD，Loken WJ，Thornton AE，Acker JD.在活体中观察到的人类大脑皮层的选择性老化：前额叶灰质的分化脆弱性。大脑皮层1997;7（3）：268-82.C.R. Aditya，工商管理硕士Pande信息学在医学解锁6（2017）2835[18] Killiany RJ，Moss MB，Albert MS，Sandor T，Tieman J，Jolesz F.颞叶区域磁共振成像可鉴别早期阿尔茨海默病患者。《神经病学文献》1993;50（9）：949-54。[19] Jack CR，Petersen RC，O'Brien PC，Tangalos EG.磁共振海马体积测量在阿尔茨海默病诊断中的应用。神经病学1992;42（1），[183-183]。[20] Scheltens P，Leys D，Barkhof F，Huglo D，Weinstein H，Vermersch P，Kuiper M，Steinling M，Wolters EC，Valk J.“可能”阿尔茨海默病和正常衰老中的内侧颞叶萎缩：诊断价值和神经心理学相关因素。J Neurol NeurosurgPsychiatry1992;55（10）：967-72.[21] Mahanand B，Suresh S，Sundarar