医学信息学解锁18（2020）100305使用结构MRI分析对认知正常、轻度认知障碍和阿尔茨海默副总裁Subramanyam Rallabandi，Ketki Tulpule，Mahanandeeshwar Gattu*，阿尔茨海默Excelra Knowledge Solutions Pvt.有限公司、天气-海得拉巴，印度A R T I C L EI N FO保留字：结构性萎缩皮质厚度轻度认知障碍阿尔茨海默A B S T R A C T背景和目的：由于认知评估的高度主观性和个体差异性，以及主要用于阿尔茨海默病分期的蛋白质生物标志物的评估，痴呆的早期检测具有挑战性。目前，虽然没有有效的治疗阿尔茨海默氏病，通过磁共振成像分析早期检测痴呆可能有助于制定预防措施，以减缓疾病进展。在本文中，我们开发了一种自动机器学习方法，用于对认知正常老化，早期轻度认知障碍，晚期轻度认知障碍和阿尔茨海默病个体进行分类。材料和方法：在这项研究中，共1167个人的认知正常的老化控制，早期轻度认知障碍，晚期轻度认知障碍，和可能的阿尔茨海默氏病患者的全脑磁共振成像扫描从阿尔茨海默氏病神经影像倡议数据库。我们使用Free-Surfer分析为每个个体测量了左右半球的区域皮质厚度（68个特征），并利用这68个特征进行模型构建。我们进一步测试了对个人的扫描，使用 各种机 器学习 方法将他们分为四组。结 果：我 们发 现， 皮 质厚 度特 征， 基 于非 线性 支 持向 量机 分类 器 与 径向 基函 数， 显 示出 最高 的 特异 性（0.77），灵敏度（0.75），F-评分（0.72），马修此外，我们还预测了使用支持向量回归算法对所有四组进行分类的特征。结论：基于径向基函数核函数的非线性支持向量机对痴呆的不同分期具有较好的分类效果。因此，机器学习方法可用于放射成像任务，如诊断、预后、风险评估和早期检测。1. 介绍在临床诊断中非常需要定量非侵入性成像生物标志物，而不是定性成像生物标志物，因为在阿尔茨海默病（AD）的临床症状变得明显之前，可以更早地观察到该疾病的神经病理学进展由于各种脑组织的信号强度的差异，AD病理学可使用磁共振成像（MRI）非侵入性地检测。使用手动容积法海马的测量仍然被认为是金标准[2]。虽然有几种手动分割方法，但它们在重测条件下的可靠性很差;因此，半自动和自动方法在现实环境中起着重要作用。 机器学习（ML）方法有助于高维数据分析以及自动分类，可以学习跨不同成像模式的结构变化的复杂模式。一般来说，分类算法包括特征提取、训练特征以进行分类以及构建预测模型，这些预测模型不仅可用作临床诊断系统，而且还可用作可靠的预后标记* 通讯作者。电子邮件地址：nandu. excelra.com（M.Gattu）。1阿尔茨海默病神经影像学倡议的成员https://doi.org/10.1016/j.imu.2020.100305接收日期：2019年12月4日;接收日期：2020年2月4日;接受日期：2020年2月20日在线预订2020年2月27日2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuV.P.S. Rallabandi等人医学信息学解锁18（2020）1003052���¼ ¼¼¼[3]的文件。此外，ML分类框架可以用于通过训练图像的多维特征来开发成像标记或指数。表1研究参与者的人口统计学信息。个体受试者或具有高灵敏度和特异性。因此，个体化或基于患者特异性特征的分类系统具有以下优点： 重要 重要性 电流 岁组控制（n1/4371次扫描）早期MCI（n1/4328次扫描）晚 期 MCI（n¼169 次 扫描）阿尔茨海默个性化医疗，因为他们除了考虑遗传或生活方式风险外，还利用复杂的计算过程[4]。一些监督和半监督MRI研究已经被支持，年龄（ 年 ）（平均标准差）75.68 �8.01 72.62� 7.33 72.99�（第7.67段）75.85 �7.94在以前的报告中提出将AD与认知正常老化个体（CN）分类[5此外，几项研究报告了使用半监督方法[9-一项研究表明，通过分析性别（男：女）MMSE(Mean�S. D.）CDR BoX es总和（范围）CDR全球评分时间：2019 - 05 - 15 00：00：0029.1� 0.9 28.4� 1.5 27.1�1.9 23.4 � 2.10至0.5 0.5至2.5 2.5至4.5 4.5至90.0- 0.0 0.5。粤ICP备05011502号-1全脑灰质和颞叶区[17]。同一项研究报告，仅用两个解剖区域（即杏仁核和海马）区分pMCI与CN的准确率为91.74%，分类pMCI与sMCI的准确率为88.99%[17]。另一方面，最近的一份报告显示，使用集成支持向量机分类器，仅使用两个特征，即左右海马下托，分类准确率高达59.1%[18]。此外，一项基于表面的形态测量学研究将AD与CN分类，灵敏度为87.1%，特异性为93.3%[19]。近年来，神经影像学计算机辅助诊断系统在AD前驱期（如早期MCI（eMCI）和晚期MCI（lMCI））分类中的应用，吸引了人们对MRI在早期临床诊断中的潜在应用的然而，现有研究有几个注意事项，例如样本量小和各种MRI扫描仪之间图像采集参数的可变性出于不同的AD/MCI/CN分类研究的动机，我们通过CN、eMCI、lMCI和AD组的自动分割技术我们还强调了使用支持向量回归算法分类CN与AD和eMCI与lMCI的特征，并报告了特异性，灵敏度和分类准确率。2. 材料和方法2.1. 研究参与者在这项研究中，我们使用了阿尔茨海默ADNI从美国的多个地点招募了个体，并整理了1167例年龄在55岁至90岁之间的成年人的扫描，包括认知正常的老年人、早期或晚期MCI患者和早期AD患者。本研究中使用的受试者的人口统计学详情见表1。2.2. MRI获取在1.5TSiemen’s机上，采用MP-MRI序列，T1加权成像，重复时间（TR）2730 ms，回波时间（TE）3.43ms，反转时间（TI）1000ms，翻转角（FA）7 °，矢状面128层，矢状面256 ~ 256矩阵，体积约1.33mm ~ 1 mm成像方案的完整细节，测试评分，包括认知量表（即MMSE：简易精神状态评估，范围0可在门户网站（http://adni.loni.usc.edu/）上查阅。2.3. 图像分析我们最初使用可在https：//fsl上获得的开源FMRIB软件库（FSL）从颅骨剥离中提取脑组织。 ac.uk/fsl/fslwiki/ 使用脑提取工具BET[20]。然后，我们使用FSL-FAST 4（FMRIB的自动分割工具）将大脑的3D图像分割成不同的此外，我们对空间强度变化进行了校正，也称为偏置场（或射频不均匀性）。底层方法是基于隐马尔可夫随机场（HMRF）模型和相关的EX的期望最大化算法。整个过程是迭代的、完全自动化的，并且还可以产生偏置场校正的输入图像和概率和/或部分体积组织分割。与其他对噪声敏感的基于有限混合模型的方法相比，该方法是可靠的和鲁棒的。图中给出了整个架构。1 .一、2.4. 特征提取为 了 从 分 割 的 灰 质 组 织 中 提 取 特 征 ， 我 们 使 用 FreeSurfer（https://surfer.nmr.mgh.harvard.edu/）计算几个解剖区域的局部皮质厚度（CT）[21]。在这里，我们使用Killiany/Desikan包裹图谱[22]并测量皮质厚度（mm）。选择区域皮质厚度的基本原理是基于生物学实验研究，这些研究证明了痴呆和AD进展时某些皮质和皮质下区域的神经元丢失，从而影响区域皮质厚度[23]。皮质厚度计算为白质表面（白色-灰色界面）和软脑膜表面（灰色-CSF界面）之间的距离。然后，我们为每个半球生成由recon-all命令和/或mris_anatomical_stats创建的皮质统计数据文件（例如，左半球的lh.aparc.stats）转换到表格中，其中每行是主题，每列是一个parcellation。lh.aparc.stats文件中的第一行对应于左半球中上述分割区域名称的列表，其中每个文件的第一列是subject_id。以类似的方式，我们生成了对应于右半球的rh.aparc.stats文件。接下来，我们合并了左右半球的CT特征 对于每个受试者，删除第一个列名（subject_id），添加列（Class），并将标签分配为CN、eMCI、lMCI和AD，认知正常、早期MCI、晚期MCI和AD患者，根据他们的认知评分和临床评分。此文件另存为。csv文件，以进一步用作训练和测试数据集。由于4组的局部皮质厚度测量是连续的，因此我们将其在0和1之间进行标准化。V.P.S. Rallabandi等人医学信息学解锁18（2020）1003053¼¼2.5. 机器学习图1.一、拟议办法示意图在表2中给出。基于SVM的回归算法预测了22个CT特征，我们从所有四组人群的这些区域中提取了68个CT特征。这68个特征使用几种ML算法进行训练，例如朴素贝叶斯，k-最近邻，随机森林和使用Auto-WEKA 2.6工具的具有径向基函数（RBF）内核的非线性支持向量机（SVM），该工具提供了分类和回归算法的组合算法选择和超参数优化[24]。此外，我们在未经训练的数据集上进行测试以预测该组，并基于认知评分和临床量表验证分类准确性。我们使用以下公式计算特异性、灵敏度、准确度、F1测量值、Matthew相 关 系 数 （ MCC ） 和Kappa统计量：特异性<$TN /（TN<$ FP）;灵敏度（或召回率）<$TP/（TP <$FN）准确度：<$4（TP<$ TN）/（TP<$TN <$ FP<$FN）F1-测量值：<$42*TP/（2*TP<$FP<$ FN）MCC¼（（Tp*TN-Fp*FN）/（（TPFP）*（TPFN）*（TN FP）*（TNFN）1/2）卡帕统计量（Total_accuracy - Random_accuracy）/（1-Random_accuracy）其中Total_accuracy 1/4（TP<$ TN）/（TN<$ TP< $FN<$FP）和Random_accuracy2/4（（FP<$TN）*（TN<$FN）<$（FN <$TP）*（FP<$TP））/（TN（英文）其中TN、TP、FN和FP分别表示真阴性、真阳性、假阴性和假阳性。通过在y轴上绘制精确度的不同阈值（0-1）并在x轴上绘制召回率来测量受试者操作特征（ROC）曲线下面积（AUC）。3. 结果我们计算了左右半球所有四组的68个区域的CT，如颞上沟、鼻内、楔、额极、尾侧前扣带回、尾侧中额、前顶叶、梭状、前颞叶、肌扣带回峡、枕外侧、中央前、中央旁、中颞叶、枕叶、舌、楔前叶、海马旁、外侧眶额、内侧眶额，后扣带回、喙前扣带回、中央后、额上、缘上、颞极、顶上、额中喙、颞上和颞横结构，左右半球如尾侧前扣带回、内嗅区、颞下沟、颞中沟、海马旁沟、楔前叶、后扣带回、颞上沟、颞极沟、左额上沟、左颞上沟等对AD组的分类作用与NC及其他痴呆组比较。此外，该算法预测了32个CT特征，用于将左半球和右半球的lMCI与AD进行分类，例如颞上沟、尾侧前扣带回、内嗅、额极、梭状、颞下、颞下、颞中、三角部、楔前叶、额上、颞极，包括左侧枕部、左侧海马旁、右侧顶叶、右侧距嵴周围、右侧后扣带回、右侧额中喙、右侧颞上和右侧缘上区域。此外，预测了左右半球17个CT特征可用于将eMCI与NC分类，如颞下、前扣带回尾侧、外侧眶额、楔前叶、颞极、额上叶、左楔叶、右内眦、右梭状、右海马旁和右中央后叶。此外，ML预测了左半球和右半球eMCI和lMCI的22个CT特征，例如梭形、内侧、楔前叶、海马旁、颞中、盖旁、眶额外侧、中央旁、右尾前扣带回、右尾中额、右额极、右上顶叶、右颞叶极和左舌。上述估计的特征最初使用具有优化参数的几种ML算法进行训练，然后在包含四组受试者的未经训练的数据上进行测试。我们发现使用RBF核的基于SVM的分类器的性能最好，在三分之二的训练数据和三分之一的测试数据以及10倍交叉验证（CV）中的准确率最高。表3比较了使用各种分类方法的10倍CV的特异性、灵敏度、准确度、F1测量值、MCC和Kappa统计量。我们发现使用RBF核的非线性SVM是超参数C100000和伽马的最佳分类器0.01对于临床量表、CDR总体评分的10倍交叉验证。我们还注意到在所有四组中，该方法的特异性（0.77）、敏感性（0.75）、F评分（0.72）、Matthew相关系数（0.71）、Kappa统计量（0.69）、ROC AUC（0.76）和总体10倍平均准确度（75%）最高。4. 讨论最近的研究报告了使用多变量数据分析对痴呆阶段如MCI和AD进行分类，以及使用ML方法预测痴呆阶段。临床诊断的主要目标是根据疾病的阶段自动分类或预测成像表型（特征或模式）全脑分析V.P.S. Rallabandi等人表4医学信息学解锁18（2020）1003054所有四组的皮质厚度区域名称NC（平均值）NC（S.D.）eMCI（平均值）eMCI（S.D.）lMCI（平均值）lMCI（S.D.）AD（平均值）AD（S.D.）左颞上沟2.3772090.665282.3748480.138252.3749080.145152.3256930.14391尾前扣带lh2.7247820.136952.6747050.141832.0676680.404092.4497670.28043lh_尾中额2.3754520.147462.3506970.177932.3774010.150912.3474760.25925lh楔1.8744850.141261.7738830.144971.6156540.127451.5527060.30057lh内嗅的3.5529270.275183.4844060.200573.3008000.301103.0474450.29315左额极2.4748990.146982.4838440.193712.4972350.278492.4512160.28274lh纺锤形2.7743440.144282.7254310.146032.5568180.286682.4500050.29116lh_顶侧2.2769310.149092.2304200.180022.2744760.147412.2511030.28733左颞叶2.6753270.136772.6009160.120852.5754120.137882.5016270.28659lh_r3.2246710.142793.1515630.275693.0746830.149472.9216030.41288lh扣带峡2.3237670.136802.3245350.140692.3239820.144672.3033030.28692左侧枕外侧的2.1755910.141592.1472820.281832.1980810.288662.1512660.27768左眶额侧2.5747890.144992.5243450.148992.5525180.279692.5509380.27362左舌侧1.9753160.144422.0244010.146331.9517290.261051.9475540.26079lh眶额内侧2.4514210.297852.4466430.285052.3762880.147132.3512420.29265左中颞叶2.7246220.139832.6968100.280782.5512530.277992.4509310.27749lh_旁中心的2.1490210.279622.1967110.302562.1239800.142842.1514090.29308lh海马旁2.9248240.142262.9010250.300512.7488260.304192.6481660.28831左睾肌2.3461430.274682.3388040.224932.3733260.142362.3517700.29658lh旁腺2.5528810.273382.5499250.279762.5534310.273022.5524040.29429左三角肌2.2495380.281452.2252180.145432.2948390.703462.2508410.28937lh钙周碱1.6490600.293421.6486270.291821.6568740.270851.6510340.29021lh中央后2.0468490.293712.0491510.290182.0524800.287852.0490060.29287lh后扣带回2.4489400.292562.3802390.174492.3526110.280952.3552890.26664lh中心前的2.3482900.288632.3233110.138072.3486030.287842.3479780.29635lh楔前叶2.1751550.148372.0251600.146781.9524800.265901.8496940.28576lh_喙前扣带2.7003400.286412.7251320.143622.7522660.288092.7459860.28930左额中喙2.2262120.146202.2239910.147082.2511730.289282.2462790.28398lh上额2.5468900.289802.4748020.142512.3516460.306532.2516840.29504lh上顶骨2.1745660.144312.1743320.143572.1509290.267382.1542550.28530lh上颞2.7845040.208272.7846130.199312.6517980.277752.6484310.27439lh缘上的2.3857030.208842.3251790.137132.3548320.283662.3482710.29088左颞极3.9315610.168423.8354720.121433.7501610.289173.6484740.28492lh横颞2.2539180.287222.2505650.287942.2505560.291852.2478890.28849右颞上沟2.5242910.141212.5248490.149242.4976350.299432.5484620.29886rh_尾前扣带的2.6751850.146902.5958150.289052.5251040.141882.4488930.29285右尾中额2.2737310.140662.2948510.285092.2508830.274182.2527010.27452右楔叶1.8252990.140451.8251110.151901.8266400.147031.8480550.27429右内嗅的3.3035510.277653.2515620.302513.1040900.584732.9199430.41124右额极2.4750500.143472.5004110.295152.4578390.269292.4965940.28729rh纺锤形2.6242610.141932.5490630.281852.4989640.303972.4011090.30246rh_额顶骨2.3501100.178922.3752580.142322.3987600.305712.3487940.29950右颞叶2.7433830.228012.7242360.142052.6487300.283392.5721720.43231相对湿度3.0496310.295963.0255610.142393.0519270.290282.9991150.28279右峡扣带肌2.3287880.176572.3245290.143922.3523430.280032.3517310.27302右侧枕外侧的2.1305670.1739672.1495990.2961962.1518240.295402.1455970.28685右眶额侧2.6317640.177702.6247640.145542.6528090.274012.6516630.27948rh_舌1.9299510.176301.9250060.151831.9366490.230061.9447970.25388右眶额内侧2.5474140.286292.5246990.147382.5534180.289542.5482710.29242右中颞叶2.7272100.178372.7030060.295812.6134790.201772.5483920.28428rh_旁中心的2.2989090.283212.3243580.144272.2726810.134812.2511050.28721rh海马旁2.6893120.225892.5485270.290972.4521220.286492.4516850.29482旁盖肌2.3334950.205872.3281350.179982.3470070.286352.3497320.29255旁腺rh2.5459180.218442.5752540.132742.5541570.279782.5530450.28057侧角rh2.3398620.224412.3738920.145862.3975460.277392.3464810.27358rh钙周碱1.6762550.147081.6503230.308561.6967290.289611.6495790.28608右后中枢2.1510120.287902.1247520.143982.1749320.147592.1486530.28970后扣带回rh2.2541840.276892.1989160.285122.0504650.280002.0000760.28168rh中心前的2.3501530.281632.3867760.194512.3508950.292402.3524880.28865右楔前叶2.2752490.146342.1761420.138392.0504030.295301.9406920.22906rh_喙前扣带回2.8535240.288832.8973210.294092.8523460.276412.8490650.28970右前中额的2.1747360.142942.1747660.144442.1992240.278822.1484150.29503右额上2.5311510.180892.5189360.113372.5004110.287902.5497670.28289上顶骨2.0833330.408232.1516500.292722.0752380.144102.0538530.28296右上颞2.7408060.235412.6245890.146092.5529700.286582.0449570.28561rh缘上的2.4539470.280042.4493000.290642.4987040.280472.4494530.28373右颞极3.6793700.408973.5001460.303523.3510910.306723.2491790.28662右横颞2.2507480.267202.2509080.282362.2529780.280602.2523150.29668多变量分析研究报告了与AD相关的海马、壳核、丘脑、杏仁核、苍白球内嗅和扣带皮层的显著变化[25]。一项仅使用杏仁核和海马两种解剖结构对老年健康老年人早期MCI进行分类的研究，大脑半球显示出最高的准确度，高达0.9 [25]。内侧颞叶结构（如海马和内嗅皮层）的表面形态测量在预测临床诊断为MCI的患者向AD的转化方面可能优于体积评估[26，27]。最近的MRI研究已报告分类MCI和AD患者V.P.S. Rallabandi等人医学信息学解锁18（2020）1003055表3比较不同ML方法的各种指标特异性灵敏度F1得分总体精度MCCROC AUC卡帕统计量ML方法0.770.750.720.750.710.760.69非线性支持向量机（RBF核）0.690.670.640.680.620.6760.61朴素贝叶斯0.720.710.670.70.640.6970.63K-最近邻0.740.730.690.730.660.7120.65随机森林0.680.720.660.70.630.6970.63决策树0.750.730.70.740.680.7320.67线性SVM[28]以及预测可能从MCI转化为AD的患者[29，30]。然而，早期MCI和健康老化对照之间的差异不是很明显。对健康对照、MCI和AD进行分类的纵向研究包括使用海马表面体积和全脑分析从一个阶段转换到另一个阶段，报告的准确度高达0.87 [31]，另一项研究报告了海马局部表面标志物的重要性[32]。内嗅变化与记忆表现变化之间的关系表明，AD易感区域的非AD机制可能仍然是认知减少的原因[33]。其他研究报告称，包括海马在内的几个皮质和皮质下区域显示出更高的预测率[8]，而采用基于变形的算法进行全脑灰质分析的报告显示出最佳预测结果[17]。已经开发了基于MRI特征的MCI向AD缓慢和快速进展的各种预测模型，例如多核学习模型[34]、卷积神经网络和SVM方法[35有趣的是，我们的预测结果和准确性与最近的一项独立研究一致，该研究报告了使用ML算法（如RF和SVM分类器）对神经病理性AD进行基于MRI的分类，准确率为77%，对应于解剖结构。结构如梭形、内嗅、岛状皮质、前扣带回喙侧和尾侧，以及胼胝体前部皮质下区域，包括苍白球和下壳核的腔隙性变化[38]。我们的模型的大多数预测特征在与MCI或AD相关的先前研究内嗅皮质厚度、喙部和尾部区域的前扣带皮质厚度被证明是最佳预测因子，并且两者都被认为是AD的早期标志物[39]。此外，最近的一项尸检前MRI研究发现，基于尸检AD神经病理学评估，内嗅皮质厚度测量与神经纤维缠结密切相关[40]。此前，一项全脑MRI分析研究显示，使用SVM分类器对AD和对照受试者进行分类的总体准确率为94.5%[41]。一种新的两阶段建模方法在同时从多个评估领域（如认知、功能、流体生物标志物、脑成像和个体诊断）对MCI、AD和对照进行分类时，总体预测准确度约为80%[42]。所提出的成像生物标志物显示出较高的假阳性率用于分类晚期MCI和AD，这意味着使用FSL和Freesurfer自动化方法反映病理特征的挑战。然而，没有可靠的生物标志物用于以良好的准确性分类最近的一项研究报告，如果选择包括认知和MRI变量的APOE 4，则认知正常和MCI的分类准确性提高（AUC为0.78）[43]。使用非线性径向基核函数的10倍嵌套交叉验证的预测性能提高了我们算法的预测能力。然而，在独立和更大的数据集样本中进行验证是必要的，以证明模型的性能超出我们的数据集。此外，最近的一项研究报告称，基于MRI特征使用SVM和RF算法预测AD与尸检证实的AD神经病理学变化密切相关[38]。此外，我们的结果和分类精度与非线性SVM模型与这些结果相吻合。我们研究的另一个重要优势是使用多中心数据分析在多个研究中心的各种MRI扫描仪上收集的1000多个单独MRI扫描。最近的一项多中心MRI研究（其中使用特征的空间位置及其在患者大脑周围的分布作为输入）证明了该方法的鲁棒性，尽管使用了来自两个不同成像数据集的数据，但使用SVM方法自动分类AD的准确度约为77%[ 44 ]。此外，最近的另一份报告显示，通过应用高维ML方法，使用解剖学指标AD模式相似性评分在多个数据集上估计AD风险因素的可行性[45]。在现有的研究中，由于缺乏与MRI表型相关的神经病理学，因此它们在基于ML的临床诊断中的应用，这是诊断决策支持系统的金标准。另一方面，预测疾病进展或从一个阶段到另一个阶段的转换需要纵向数据分析。所提出的方法在临床环境中的主要优点是，在疾病阶段分类中具有高准确度以及特异性的模型是有帮助的，而不是使用繁琐的更高维图像处理方法。在AD的分期中，疾病特征可能因病例而异，如轻度、中度和重度，以反映与临床症状相关的神经病理学变化。迄今为止，没有AD的早期成像生物标志物与强神经病理学相关。因此，在临床上变得明显之前，在前驱期早期检测解剖学变化可能有助于预防措施和设计有效的治疗方法来阻止疾病进展。5. 结论总之，我们开发了一个模型，用于早期预测和分类MCI和AD，以及区分早期和晚期MCI个体。在我们测试的所有算法中，使用径向基函数核的非线性SVM分类器显示出最高的特异性、灵敏度、F分数、MCC和kappa统计量、ROC AUC，包括10倍交叉验证的75%的总体准确度。该模型的性能可能不适用于临床诊断，但代表了MCI和AD分类的决定性一步。因此，成像和机器学习的进步使它们在诊断、预后、风险评估和早期检测等放射成像任务中具有潜在的伦理声明数据和材料的可用性：支持本研究结果的数据可在网上获得，并适当引用。我们只参与数据分析和方法学，而不参与任何临床试验。资金数据分析由EX celra Knowledge Solutions Pvt资助。Ltd，Hyderabad.V.P.S. Rallabandi等人医学信息学解锁18（2020）1003056竞合利益提交人声明，他们没有利益冲突。致谢本文准备中使用的数据来自阿尔茨海默病神经影像学倡议（ADNI）数据库（adni.loni.[10] Filipovych R，Davatzikos C.医学图像的半监督模式分类：应用于轻度认知障碍（MCI）。神经影像2011;55（3）：1109-19。[11] [10]杨文辉，杨文辉.通过半监督降维进行疾病分类和预测。IEEE生物医学成像国际研讨会：从纳米到宏观。IEEE; 2011年。 p. 1086- 90[12] Yang S-T，Lee J-D，Chang T-C，Huang C-H，Wang J-J，et al.SOM和PSO-SVM在阿尔茨海默病和轻度认知障碍鉴别中的应用Comput. 数学法M. 2013年。https://doi.org/10.1155/2013/253670网站。文章usc.edu）。 因此，ADNI内部的调查人员为以下方面做出了贡献：编号253670。[13] 陈B，刘M，沈D，李Z，张D.对于老年痴呆症’s diseaseADNI的设计和实施和/或提供数据，但未参与本报告的分析或撰写ADNI校长倡议多领域迁移学习用于阿尔茨海默病的早期诊断神经信息学2017;15（2）：115-32。https://doi.org/10.1007/s12021-调查员是迈克尔·W。Weiner，MD（Michael. ucsf.edu）。一016-9318-5。[14] Moradi E，Pepe A，Gaser C，Huttunen H，TohkaJ.老年痴呆症’sADNI研究者的完整列表可以在www.example.com上找到https://adni.loni。 usc.edu/wp-content/uploads/how_to_apply/ADNI_Manuscript_Citations.pdf。该项目的数据收集和共享由阿尔茨海默病神经成像倡议（ADNI（美国国立卫生研究院赠款U 01 AG 024904）和国防部ADNI（国防部奖励号W81 XWH-12-2-0012）资助。ADNI由国家老龄化研究所，国家生物医学成像和生物工程研究所资助，并通过以下机构的慷慨捐助：AbbVie，阿尔茨海默氏症协会;阿尔茨海默氏症药物发现基金会; Araclon Biotech; BioClinica，Inc.;百时美施贵宝公司; CereSpir， Inc.; Cogstate; 卫材 Inc.; 伊兰制药，Inc.; Eli Lilly and Company; EuroImmun; F.霍夫曼-拉罗什有限公司和神经影像学计划。MCI受试者中基于MRI的早期阿尔茨海默病转换预测的机器学习框架神经影像2015;104：398-412。[15] 王萍，陈凯，姚丽，胡波，吴X，张杰，叶青，郭X.阿尔茨海默病神经影像学研究项目。基于偏最小二乘的轻度认知障碍多模态分类。J. 阿尔采默斯群岛2016;54（1）：359-71。[16] Sørensen L，Igel C，Pai A，Balas I，Anker C，Lillholm M，Nielsen M. 阿尔茨海默病神经成像倡议和澳大利亚成像生物标志物和生活方式衰老旗舰研究。使用结构MRI皮质厚度、海马形状、海马纹理和容量测定鉴别轻度认知功能障碍和阿尔茨海默病神经影像临床2017;13：470-82。[17] Long X，Chen L，Jiang C，Zhang L，阿尔茨海默病神经影像学倡议。基于MRI变形量化的阿尔茨海默病预测和分类。PloS One 2017;12（3）：e0173372。网址：//doi.其附属公司Genentech，Inc.; Fujirebio; GE Healthcare; IXICOorg/10.1371/journal.pone.0173372。[18] Sørensen L，Nielsen M.对于老年痴呆症的疾 病 神 经 影 像 学 倡 议 。有 限 公 司 的 ;JanssenAlzheimerImmunotherapyResearchDevelopment ， LLC.;&JohnsonJohnsonPharmaceuticalResearchDevelopment LLC.;&&Lumosity; Lundbeck; Merck Co. ， &Inc.; MesoScale Diagnostics ，LLC.; NeuroRX Research; NeuroTrack Technologies;Novartis Pharma- ceuticals Corporation; Pfizer Inc.; Piramal Imaging;施维雅;武田制药公司;和Transition Therapeutics。加拿大卫生研究院正在提供资金，以支持加拿大的ADNI临床研究中心。国家卫生研究所基金会（www.example.com）为私营部门的捐助提供了便利www.fnih.org。受资助组织是北加州研究和教育学院，这项研究由南加州大学阿尔茨海默氏症研究所协调。ADNI数据由南加州大学神经影像实验室发布。附录A. 补充数据本文的补充数据可在https：//doi网站上找到。org/10.1016/j.imu.2020.100305。引用[1] Braak H，Braak E.不同年龄组中阿尔茨海默病相关病变分期的频率。神经生物学老化1997;18：351-7.[2] Westman E，Simmons A，Zhang Y，MuehlboeckJ，et al.阿尔茨海默病、轻度认知障碍和健康对照的MRI数据的多变量分析。神经影像2011;54（2）：1178-87。[3] Shen D，Wu G，Suk H-I.医学图像分析中的深度学习。Annu Rev BiomedEng2017;19：221-48.[4] [10] Habes M，Toledo JB，Resnick SM，Dosh
