目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(...目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据。分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能。模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa值和AUC(area under the ROC curve)。结果ADASYN-RF的分类性能最优(Kappa值为0.938,AUC为0.980),ADASYN-SVM次之。利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实。结论ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优。展开更多
文摘目的利用自适应合成抽样(adaptive synthetic sampling,ADASYN)与类别逆比例加权法处理类别不平衡数据,结合分类器构建模型对阿尔茨海默病(alzheimer′s disease,AD)患者疾病进程进行分类预测。方法数据源自阿尔茨海默病神经影像学计划(Alzheimer′s disease neuroimaging initiative,ADNI),经随机森林填补缺失值,弹性网络筛选特征子集后,利用ADASYN与类别逆比例加权法处理类别不平衡数据。分别结合随机森林(random forest,RF)、支持向量机(support vector machine,SVM)构建四种模型:ADASYN-RF、ADASYN-SVM、加权随机森林(weighted random forest,WRF)、加权支持向量机(weighted support vector machine,WSVM),与RF、SVM比较分类性能。模型评价指标为宏观平均精确率(macro-average of precision,macro-P)、宏观平均召回率(macro-average of recall,macro-R)、宏观平均F1值(macro-average of F1-score,macro-F1)、准确率(accuracy,ACC)、Kappa值和AUC(area under the ROC curve)。结果ADASYN-RF的分类性能最优(Kappa值为0.938,AUC为0.980),ADASYN-SVM次之。利用ADASYN-RF预测得到的重要分类特征分别为CDRSB、LDELTOTAL、MMSE,在临床上均可得到证实。结论ADASYN与类别逆比例加权法都能辅助提升分类器性能,但ADASYN算法更优。
文摘目的探讨阿尔茨海默病(Alzheimer's disease,AD)患者大脑灰质体积、灰质皮层厚度及基于皮层厚度的结构协变网络(structural covariance network,SCN)的拓扑属性改变。材料与方法本研究共筛选了250例来自ADNI数据库的被试,包括AD组100人,健康对照(healthy controls,HCs)组150人。首先,利用基于体素的形态学分析方法(voxel-based morphometry,VBM)和基于表面的形态学分析方法(surface-based morphometry,SBM)分别计算每组被试的灰质体积和皮层厚度并比较其组间差异。其次,将有组间差异的脑区定义为感兴趣区(region of interest,ROI),提取每一个ROI的灰质体积和皮层厚度值,与认知量表进行偏相关分析。最后,构建基于皮层厚度的SCN并利用图论分析方法分析该网络的全局属性及局部属性的变化特征。结果第一,相较于HCs组,AD组的灰质体积和皮层厚度显著下降[体素和顶点水平总体误差(family-wise error,FWE)校正后P<0.001]。AD组灰质体积下降的脑区主要包括双侧海马、双侧眶额皮层、左侧岛叶、右侧枕下回、左侧楔前叶、左侧中央前回、左侧中央扣带回。AD组皮层厚度变薄的脑区主要包括双侧颞叶、双侧额叶、双侧顶叶、双侧扣带回、双侧梭状回、双侧岛回、双侧楔前叶等。第二,偏相关分析表明,AD组简易精神状态检查量表(Mini-Mental State Examination,MMSE)得分分别与右侧海马体积[rs=0.35,错误发现率(false discovery rate,FDR)校正后P<0.001]、左侧海马体积(r_(s)=0.38,FDR校正后P<0.001)、右侧梭状回皮层厚度(r_(s)=0.38,FDR校正后P<0.001)呈正相关;临床痴呆评定量表(Clinical Dementia Rating Sum of Boxes,CDR-SB)评分与左侧梭状回皮层厚度(r_(s)=-0.39,FDR校正后P<0.001)呈负相关。第三,脑网络分析表明,AD组SCN的全局效率(P<0.001)、局部效率(P=0.03)及小世界属性(P<0.001)高于HCs组,最短路径低于HCs组(P<0.001)。结论联合VBM、SBM的形态学分析及SCN的图论分析有助于全面理解AD患者脑网络的重组及其意义,进而为AD患者神经影像学改变提供新的见解和证据。
