基于特征选择下机器学习对阿尔茨海默病的分类

目的利用机器学习通过分析结构性磁共振成像(sMRI)数据和人口统计学资料,实现对阿尔茨海默病(AD)病程的分类与识别。资料与方法选取阿尔茨海默病影像学倡议数据库中编号4018-5120的543例研究对象[认知功能正常者(NC)139位、早期轻度认知障碍(EMCI)220例、晚期轻度认知障碍(LMCI)108例、AD患者76例]。对272项sMRI数据和4项人口统计学指标数据,结合随机森林(RF)的特征重要性排序和基于分类精度的序列前向选择方法(CA-SFS)进行特征选择,甄选出最优特征个数,将其代入4种机器学习方法[正则化的逻辑回归(L1-LR)、支持向量机(SVM)、BP神经网络(BPNN)、RF]中自动化识别出最优分类模型,观察其对AD病程进行两两分类的效果,并使用受试者工作特征曲线评价效能。结果RF模型对NC-EMCI、NC-LMCI、EMCI-LMCI和LMCI-AD的预测分类准确度分别达到86.67%、88.24%、93.48%和100.00%,SVM模型对NC-AD的分类预测准确度达到100%,L1-LR模型对EMCI-AD的分类预测准确度达到95.24%。结论基于RF和CA-SFS特征选择,再利用机器学习方法对AD进行多个二分类有稳定、较好的分类效果。