基于SVM和結構性MRI數據的AD病程分類研究.pdf

1、目的：
　　用支持向量機（Support vector machines，SVM）模型方法基于結構性腦核磁共振成像（Magnetic resonance imaging， MRI）影像學數據，對阿爾茨海默?。ˋlzheimer’s Disease，AD）的不同疾病進程進行分類預測研究，幫助疾病的輔助診斷。
　　方法：
　　從阿爾茨海默病神經影像數據庫（Alzheimer’s Disease Neuroimaging I

2、nitiative， ADNI）隨機選擇543例研究對象：認知功能正常組139人，早期輕度認知障礙組220人，晚期輕度認知障礙組108人和阿爾茨海默病組76人。收集每個研究對象的272項MRI數據（49項腦區(qū)的皮質下體積、69項皮質體積、68項皮質厚度、70項表面積及16項海馬結構亞區(qū)體積）、簡易精神狀態(tài)檢查（Mini Mental State Examination，MMSE）量表評分結果、年齡、性別和受教育程度等研究指標。采用方差分

3、析，非參數檢驗和相關性分析的統計學方法進行數據預處理。然后將提取的特征參數輸入SVM模型，隨機劃分訓練集和測試集樣本，并用訓練集樣本訓練分類器模型，測試集樣本進行測試，從而實現AD病程的分類預測。
　　結果：
　　300例樣本訓練集，243例測試集樣本的不同指標分類預測準確率：276項指標的訓練集預測準確率為78.07％，測試集樣本預測準確率為46.91%；54項指標訓練集樣本預測結果為100%，測試集樣本預測準確率為99.

4、17%；8項指標訓練集樣本預測結果為100%，測試集樣本預測準確率為64.19%；135項指標訓練集樣本預測結果為100%，測試集樣本預測準確率為56.37%；45項指標訓練集樣本預測結果為100%，測試集樣本預測準確率為77.77%；25項指標訓練集樣本預測結果為100%，測試集樣本預測準確率為61.31%。400例樣本訓練集，276項指標的訓練集預測準確率為88.50%，測試集樣本預測準確率為50.34%；54項指標訓練集樣本預測結

5、果為100%，測試集樣本預測準確率為99.30%。488例項樣本訓練集，276項指標的訓練集預測準確率為78.07%，測試集樣本預測準確率為54.54%；54項指標訓練集樣本預測結果為100%，測試集樣本預測準確率為100%。
　　結論：
　　本研究提取的MRI數據結合構建的SVM模型獲得較為精確的分類預測結果。方差分析提取指標的分類預測準確率最好。根據預測結果可以確定與疾病相關的數據特征，為臨床和基礎研究、探討病因和病理改