第12卷第3期 智能系统学报 Vol.12 No.3 2017年6月 CAAI Transactions on Intelligent Systems Jun.2017 D0I:10.11992/is.201607020 网络出版地址：http:/kns.cmki.ne/kcms/detail/23.1538.TP.20170404.1218.006.html 基于脑连接网络的阿尔茨海默病临床变量值预测 路子祥，屠黎阳，祖辰，张道强 (南京航空航天大学计算机科学与技术学院，江苏南京211106)》 摘要：目前脑功能连接网络已被广泛用于大脑疾病诊断，然而传统的脑网络分类方法无法评估疾病所处的阶段以 及预测病情的发展。近期的研究表明，脑疾病的临床变量值可以有效地帮助医生进行疾病评估，为此提出一种基于 脑连接网络的方法，用于对阿尔茨海默病临床变量值进行预测。首先从脑影像中提取功能连接网络，然后使用 LAS$0进行特征选择，剔除不具有判别性的边。同时融合网络的聚类系数和边的权重作为特征。最后使用支持向 量回归机预估临床变量值。在ADNI数据集上对提出的方法进行验证，实验结果表明，提出的方法不仅能够准确地 预测疾病临床变量值而且还验证了多种特征融合的有效性。 关键词：大脑功能：特征选择；特征提取：特征融合：网络分析：回归分析：阿尔茨海默病；医学影像 中图分类号：TP181文献标志码：A文章编号：1673-4785(2017)03-0355-07 中文引用格式：路子祥，居黎阳，粗辰，等.基于脑连接网络的阿尔茨海默病临床变量值预测[J].智能系统学报，2017,12(3)： 355-361. 英文引用格式：LU Zixiang,TU Liyang,ZU Chen,etal.Prediction of clinical variables in Alzheimer's disease based on brain connective network[J].CAAI transactions on intelligent systems,2017,12(3):355-361. Prediction of clinical variables in Alzheimer's disease using brain connective networks LU Zixiang,TU Liyang,ZU Chen,ZHANG Daoqiang College of Computer Science and Technology,Nanjing University of Aeronautics and Astronautics,Nanjing 211106,China) Abstract:Brain functional connectivity networks have been widely used for diagnosing brain diseases.However,a traditional brain network based on classification methods cannot assess the stage or predict the development of the disease.Recent studies show that the values of the clinical variables of brain disease can effectively help doctors evaluate the disease.In this study,a novel brain-connectivity-network-based method was proposed for estimating the values of the clinical variables of Alzheimer's disease.First,the functional connectivity network was extracted from the brain images.Then,LASSO,which is a regression analysis method,was adopted for feature selection and elimination of redundant features;the clustering coefficients and edge weights of the network were fused as features. Finally,support vector machine regression was used to predict the values of the clinical variables.The proposed method was validated on the ADNI dataset,and the experimental results demonstrate that the proposed method can accurately predict the values of clinical variables and verify the effectiveness of the fusion of multiple features. Keywords:brain function;feature selection;feature extraction;feature fusion;network analysis;regression analysis;Alzheimer's disease;medical image 阿尔茨海默病(Alzheimer's disease,AD),即老 性退行性脑疾病，其临床表现为认知和记忆功能减 年痴呆症，是发生在老年期及老年前期的一种原发 退。Brookmeyer等研究结果显示，全球约有2660万 人患有老年痴呆症，到2050年平均每85人中有 收稿日期：2016-07-23.网络出版日期：2017-04-04. 1人会受到老年痴呆症的影响1】。轻度认知障碍 基金项目：国家自然科学基金项目(61422204,61473149)：高等学校博 士科学点专项研基金课题(20123218110009)：南京航空航天 (mild cognitive impairment,MCI)是正常人转化为阿 大学基本科研业务费项目(NE2013105). 尔茨海默病的一个中间过程，每年有高达15%的轻 通信作者：张道强.E-mail:dqzhang@nuaa.cdu.cn. 度认知障碍患者会转化为AD「3。因此准确地诊
第 １２ 卷第 ３ 期 智 能 系 统 学 报 Ｖｏｌ．１２ №．３ ２０１７ 年 ６ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｊｕｎ． ２０１７ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ． ２０１６０７０２０ 网络出版地址：ｈｔｔｐ： ／ ／ ｋｎｓ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１７０４０４．１２１８．００６．ｈｔｍｌ 基于脑连接网络的阿尔茨海默病临床变量值预测 路子祥，屠黎阳，祖辰，张道强 （南京航空航天大学 计算机科学与技术学院，江苏 南京 ２１１１０６） 摘 要：目前脑功能连接网络已被广泛用于大脑疾病诊断，然而传统的脑网络分类方法无法评估疾病所处的阶段以 及预测病情的发展。 近期的研究表明，脑疾病的临床变量值可以有效地帮助医生进行疾病评估，为此提出一种基于 脑连接网络的方法，用于对阿尔茨海默病临床变量值进行预测。 首先从脑影像中提取功能连接网络，然后使用 ＬＡＳＳＯ 进行特征选择，剔除不具有判别性的边。 同时融合网络的聚类系数和边的权重作为特征。 最后使用支持向 量回归机预估临床变量值。 在 ＡＤＮＩ 数据集上对提出的方法进行验证，实验结果表明，提出的方法不仅能够准确地 预测疾病临床变量值而且还验证了多种特征融合的有效性。 关键词：大脑功能；特征选择；特征提取；特征融合；网络分析；回归分析；阿尔茨海默病；医学影像 中图分类号：ＴＰ１８１ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１７）０３－０３５５－０７ 中文引用格式：路子祥，屠黎阳，祖辰，等． 基于脑连接网络的阿尔茨海默病临床变量值预测［ Ｊ］． 智能系统学报， ２０１７， １２（ ３）： ３５５－３６１． 英文引用格式：ＬＵ Ｚｉｘｉａｎｇ， ＴＵ Ｌｉｙａｎｇ， ＺＵ Ｃｈｅｎ， ｅｔ ａｌ． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｃｌｉｎｉｃａｌ ｖａｒｉａｂｌｅｓ ｉｎ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ ｂａｓｅｄ ｏｎ ｂｒａｉｎ ｃｏｎｎｅｃｔｉｖｅ ｎｅｔｗｏｒｋ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１７， １２（３）： ３５５－３６１． Ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｃｌｉｎｉｃａｌ ｖａｒｉａｂｌｅｓ ｉｎ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ ｕｓｉｎｇ ｂｒａｉｎ ｃｏｎｎｅｃｔｉｖｅ ｎｅｔｗｏｒｋｓ ＬＵ Ｚｉｘｉａｎｇ，ＴＵ Ｌｉｙａｎｇ，ＺＵ Ｃｈｅｎ，ＺＨＡＮＧ Ｄａｏｑｉａｎｇ （Ｃｏｌｌｅｇｅ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ， Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｅｒｏｎａｕｔｉｃｓ ａｎｄ Ａｓｔｒｏｎａｕｔｉｃｓ， Ｎａｎｊｉｎｇ ２１１１０６， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｂｒａｉｎ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ｎｅｔｗｏｒｋｓ ｈａｖｅ ｂｅｅｎ ｗｉｄｅｌｙ ｕｓｅｄ ｆｏｒ ｄｉａｇｎｏｓｉｎｇ ｂｒａｉｎ ｄｉｓｅａｓｅｓ． Ｈｏｗｅｖｅｒ， ａ ｔｒａｄｉｔｉｏｎａｌ ｂｒａｉｎ ｎｅｔｗｏｒｋ ｂａｓｅｄ ｏｎ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｍｅｔｈｏｄｓ ｃａｎｎｏｔ ａｓｓｅｓｓ ｔｈｅ ｓｔａｇｅ ｏｒ ｐｒｅｄｉｃｔ ｔｈｅ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｔｈｅ ｄｉｓｅａｓｅ． Ｒｅｃｅｎｔ ｓｔｕｄｉｅｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｖａｌｕｅｓ ｏｆ ｔｈｅ ｃｌｉｎｉｃａｌ ｖａｒｉａｂｌｅｓ ｏｆ ｂｒａｉｎ ｄｉｓｅａｓｅ ｃａｎ ｅｆｆｅｃｔｉｖｅｌｙ ｈｅｌｐ ｄｏｃｔｏｒｓ ｅｖａｌｕａｔｅ ｔｈｅ ｄｉｓｅａｓｅ． Ｉｎ ｔｈｉｓ ｓｔｕｄｙ， ａ ｎｏｖｅｌ ｂｒａｉｎ⁃ｃｏｎｎｅｃｔｉｖｉｔｙ⁃ｎｅｔｗｏｒｋ⁃ｂａｓｅｄ ｍｅｔｈｏｄ ｗａｓ ｐｒｏｐｏｓｅｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｖａｌｕｅｓ ｏｆ ｔｈｅ ｃｌｉｎｉｃａｌ ｖａｒｉａｂｌｅｓ ｏｆ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ． Ｆｉｒｓｔ， ｔｈｅ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ｎｅｔｗｏｒｋ ｗａｓ ｅｘｔｒａｃｔｅｄ ｆｒｏｍ ｔｈｅ ｂｒａｉｎ ｉｍａｇｅｓ． Ｔｈｅｎ， ＬＡＳＳＯ ， ｗｈｉｃｈ ｉｓ ａ ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ ｍｅｔｈｏｄ， ｗａｓ ａｄｏｐｔｅｄ ｆｏｒ ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ ａｎｄ ｅｌｉｍｉｎａｔｉｏｎ ｏｆ ｒｅｄｕｎｄａｎｔ ｆｅａｔｕｒｅｓ； ｔｈｅ ｃｌｕｓｔｅｒｉｎｇ ｃｏｅｆｆｉｃｉｅｎｔｓ ａｎｄ ｅｄｇｅ ｗｅｉｇｈｔｓ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ ｗｅｒｅ ｆｕｓｅｄ ａｓ ｆｅａｔｕｒｅｓ． Ｆｉｎａｌｌｙ， ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅ ｒｅｇｒｅｓｓｉｏｎ ｗａｓ ｕｓｅｄ ｔｏ ｐｒｅｄｉｃｔ ｔｈｅ ｖａｌｕｅｓ ｏｆ ｔｈｅ ｃｌｉｎｉｃａｌ ｖａｒｉａｂｌｅｓ． Ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｗａｓ ｖａｌｉｄａｔｅｄ ｏｎ ｔｈｅ ＡＤＮＩ ｄａｔａｓｅｔ， ａｎｄ ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ｃａｎ ａｃｃｕｒａｔｅｌｙ ｐｒｅｄｉｃｔ ｔｈｅ ｖａｌｕｅｓ ｏｆ ｃｌｉｎｉｃａｌ ｖａｒｉａｂｌｅｓ ａｎｄ ｖｅｒｉｆｙ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆ ｔｈｅ ｆｕｓｉｏｎ ｏｆ ｍｕｌｔｉｐｌｅ ｆｅａｔｕｒｅｓ． Ｋｅｙｗｏｒｄｓ： ｂｒａｉｎ ｆｕｎｃｔｉｏｎ； ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ； ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ； ｆｅａｔｕｒｅ ｆｕｓｉｏｎ； ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ； ｒｅｇｒｅｓｓｉｏｎ ａｎａｌｙｓｉｓ； Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ； ｍｅｄｉｃａｌ ｉｍａｇｅ 收稿日期：２０１６－０７－２３． 网络出版日期：２０１７－０４－０４ 基金项目：国家自然科学基金项目（ ６１４２２２０４，６１４７３１４ 士科学点专项研基金课题 ；南京航空航天 阿尔茨海默病（Ａｌｚｈｅｉｍｅｒ’ ｓ ｄｉｓｅａｓｅ，ＡＤ），即老 年痴呆症，是发生在老年期及老年前期的一种原发 性退行性脑疾病，其临床表现为认知和记忆功能 通信作者：张道强． Ｅ⁃ｍａｉｌ：ｄｑｚｈａｎｇ＠ ｎｕａａ．ｅｄｕ．ｃｎ． 减 退。 Ｂｒｏｏｋｍｅｙｅｒ 等研究结果显示，全球约有２ ６６０万 人患有老年痴呆症，到 ２０５０ 年平均每 ８５ 人中有 ． ９）；高等学校博 １ 人会受到老年痴呆症的影响［１－２］ 。 轻度认知障碍 （ｍｉｌｄ ｃｏｇｎｉｔｉｖｅ ｉｍｐａｉｒｍｅｎｔ，ＭＣＩ）是正常人转化为阿 尔茨海默病的一个中间过程，每年有高达 １５％的轻 度认知障碍患者会转化为 ＡＤ ［３－４］ 。 因此准确地诊 大学基本科研业务费项目(NE2013105). (20123218110009)
·356 智能系统学报 第12卷 断AD和MCI,对尽早治疗和减缓疾病的恶化是非 1 数据集 常重要的。医学上的诊断主要依靠NINCDS. ADRDA、DSM-IV等临床诊断标准，这些方法无法 本文所分析的数据集来源于阿尔茨海默病神 自动地诊断病人的病情发展状态，因此需要可以识 经影像学ADNI(htp:/adni.loni.usc.edu/),ADNI 别出细微生物标志的算法。 由国际老年研究所，生物医学成像和生物工程研究 近些年来，神经影像技术迅速发展，主要包括 所，美国食品和药物管理局，民营医药企业和非营 结构核磁共振成像(structural magnetic resonance 利组织于2003年启动。ADNI是许多学术机构和私 imaging,SMRI),弥散张量成像(diffusion tensor 营机构共同努力的结果，被招募被试者来自于美国 imaging,.DTI),功能核磁共振成像(functional MRI, 和加拿大中超过50个以上的地区。ADNI的最初目 fMRI),脑电图(electro-encephalogram,EEG)和脑磁 标是招募800名成人，年龄55~90岁之间，其中大 图(magnetoencephalography,MEG)。在fMRl、EEG 约有200个认知能力正常的老年人，400个轻度认 和MEG图像中，人们可以获取功能连接网络，用于 知障碍(MCI)患者，200个阿尔茨海默病(AD)患 者。认知正常人和MCI数据是连续3年跟踪测试 反映不同脑区的解剖连接模式。 得到的，而AD数据是连续2年跟踪测试得到的。 最近出现的研究认为，临床变量值可以用于评 在本文的研究中使用了包含临床变量值简易 估AD的阶段以及预测病情的发展。在现有的研究 精神状态检查(Mini mental state examination, 中，Cheng等t)提出了一种新的半监督多模态向量 MMSE)值的fMRI模态数据（总共139个样本），其 回归法预测临床评分：Zhang等[6提出了一种多模 中40个正常人(normal control,NC),79个MCI病人 态多任务的方法同时解决脑疾病的回归和分类问 (45个EMCI(early MCI)病人和34个LMCI(late 题：Zhu等)提出了一种基于损失函数的相似性度 MCI)病人)，20个AD病人。表1给出了这些受试 量矩阵，充分利用高阶信息解决脑疾病的回归和分 者的详细信息。 类问题。然而，上述的方法都是基于脑影像的研 表1受试者信息统计表 究，而目前大多数有关功能连接网络的研究[8-]主 Table 1 Demographic information of the subjects 要关注于诊断受试人员是否患有该疾病，并不能很 AD NC EMCI LMCI 好地判断出受试人员目前所处的状态，以及受试人 样本数/个 20 40 45 34 员是否有潜在患AD的隐患。基于功能网络的研究 已经成功地应用于AD/MCI的分类诊断[o-),说 男/女 9/11 18/22 20/25 20/14 明AD/MCI引起了功能网络的变化，这为功能网络 年龄/岁 75.7±6.8 75.6±6.472.2±6.9 72.8±7.2 用于预测临床得分提供了理论保证。 MMSE 为解决已有研究所存在的不足，本文提出了一 21.0±3.5 28.4±1.7 27.5±1.7 26.7±2.3 评分 种基于脑连接网络的阿尔茨海默病临床变量值预 测的方法，用于对AD/MCI病人的临床评分进行回 2 数据预处理及特征提取方法 归分析。具体来说，首先对获取到的MRI图像做预 AD/MCI回归预测主要分为5个步骤：1)预处 处理，获得对应的功能连接网络。其次，从功能网 理，通过处理原始的MRI图像来构建功能连接网 络中提取两种特征，一种是节点的聚类系数，整个 络：2)网络节点特征提取；3)网络边权重特征的选 网络的聚类系数定义为各个节点的聚类系数的均 择：4)特征融合：5)使用SVR进行回归预测。图1 值，它可以描述网络中节点之间的连接紧密程度； 给出了本文的方法框架。 另一种是边的权重，对边的权重使用LASS0算法选 2.1数据预处理 择出具有判别性的边。最后，将上一步中经过提 对采集到的原始数据，我们使用Data Processing 取、选择后的特征合并成一个向量，用支持向量回 Assistant for Resting-State fMRI DPARSF)[12] 归机(support vector regression machine,SVRM)进行 切片时间校正(slice timing)、头动校正(motion 回归预测。 correlation)和空间正则化(spatial normalization)等标
断 ＡＤ 和 ＭＣＩ，对尽早治疗和减缓疾病的恶化是非 常重 要 的。 医 学 上 的 诊 断 主 要 依 靠 ＮＩＮＣＤＳ⁃ ＡＤＲＤＡ、 ＤＳＭ⁃ＩＶ 等临床诊断标准，这些方法无法 自动地诊断病人的病情发展状态，因此需要可以识 别出细微生物标志的算法。 近些年来，神经影像技术迅速发展，主要包括 结构 核 磁 共 振 成 像 （ ｓｔｒｕｃｔｕｒａｌ ｍａｇｎｅｔｉｃ ｒｅｓｏｎａｎｃｅ ｉｍａｇｉｎｇ， ＳＭＲＩ ）， 弥 散 张 量 成 像 （ ｄｉｆｆｕｓｉｏｎ ｔｅｎｓｏｒ ｉｍａｇｉｎｇ， ＤＴＩ），功能核磁共振成像（ ｆｕｎｃｔｉｏｎａｌ ＭＲＩ， ｆＭＲＩ），脑电图（ｅｌｅｃｔｒｏ⁃ｅｎｃｅｐｈａｌｏｇｒａｍ， ＥＥＧ）和脑磁 图（ ｍａｇｎｅｔｏｅｎｃｅｐｈａｌｏｇｒａｐｈｙ， ＭＥＧ）。 在 ｆＭＲＩ、ＥＥＧ 和 ＭＥＧ 图像中，人们可以获取功能连接网络，用于 反映不同脑区的解剖连接模式。 最近出现的研究认为，临床变量值可以用于评 估 ＡＤ 的阶段以及预测病情的发展。 在现有的研究 中，Ｃｈｅｎｇ 等［５］提出了一种新的半监督多模态向量 回归法预测临床评分；Ｚｈａｎｇ 等［６］ 提出了一种多模 态多任务的方法同时解决脑疾病的回归和分类问 题；Ｚｈｕ 等［７］提出了一种基于损失函数的相似性度 量矩阵，充分利用高阶信息解决脑疾病的回归和分 类问题。 然而，上述的方法都是基于脑影像的研 究，而目前大多数有关功能连接网络的研究［８－９］ 主 要关注于诊断受试人员是否患有该疾病，并不能很 好地判断出受试人员目前所处的状态，以及受试人 员是否有潜在患 ＡＤ 的隐患。 基于功能网络的研究 已经成功地应用于 ＡＤ／ ＭＣＩ 的分类诊断 ［１０－１１］ ，说 明 ＡＤ／ ＭＣＩ 引起了功能网络的变化，这为功能网络 用于预测临床得分提供了理论保证。 为解决已有研究所存在的不足，本文提出了一 种基于脑连接网络的阿尔茨海默病临床变量值预 测的方法，用于对 ＡＤ／ ＭＣＩ 病人的临床评分进行回 归分析。 具体来说，首先对获取到的 ｆＭＲＩ 图像做预 处理，获得对应的功能连接网络。 其次，从功能网 络中提取两种特征，一种是节点的聚类系数，整个 网络的聚类系数定义为各个节点的聚类系数的均 值，它可以描述网络中节点之间的连接紧密程度； 另一种是边的权重，对边的权重使用 ＬＡＳＳＯ 算法选 择出具有判别性的边。 最后，将上一步中经过提 取、选择后的特征合并成一个向量，用支持向量回 归机（ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｒｅｇｒｅｓｓｉｏｎ ｍａｃｈｉｎｅ， ＳＶＲＭ）进行 回归预测。 １ 数据集 本文所分析的数据集来源于阿尔茨海默病神 经影像学 ＡＤＮＩ （ ｈｔｔｐ： ／ ／ ａｄｎｉ． ｌｏｎｉ． ｕｓｃ． ｅｄｕ ／ ），ＡＤＮＩ 由国际老年研究所，生物医学成像和生物工程研究 所，美国食品和药物管理局，民营医药企业和非营 利组织于 ２００３ 年启动。 ＡＤＮＩ 是许多学术机构和私 营机构共同努力的结果，被招募被试者来自于美国 和加拿大中超过 ５０ 个以上的地区。 ＡＤＮＩ 的最初目 标是招募 ８００ 名成人，年龄 ５５ ～ ９０ 岁之间，其中大 约有 ２００ 个认知能力正常的老年人，４００ 个轻度认 知障碍（ＭＣＩ） 患者，２００ 个阿尔茨海默病（ＡＤ） 患 者。 认知正常人和 ＭＣＩ 数据是连续 ３ 年跟踪测试 得到的，而 ＡＤ 数据是连续 ２ 年跟踪测试得到的。 在本文的研究中使用了包含临床变量值简易 精 神 状 态 检 查 （ Ｍｉｎｉ ｍｅｎｔａｌ ｓｔａｔｅ ｅｘａｍｉｎａｔｉｏｎ， ＭＭＳＥ）值的 ｆＭＲＩ 模态数据（总共 １３９ 个样本），其 中 ４０ 个正常人（ｎｏｒｍａｌ ｃｏｎｔｒｏｌ，ＮＣ），７９ 个 ＭＣＩ 病人 （４５ 个 ＥＭＣＩ （ ｅａｒｌｙ ＭＣＩ） 病人和 ３４ 个 ＬＭＣＩ （ ｌａｔｅ ＭＣＩ）病人），２０ 个 ＡＤ 病人。 表 １ 给出了这些受试 者的详细信息。 表 １ 受试者信息统计表 Ｔａｂｌｅ １ Ｄｅｍｏｇｒａｐｈｉｃ ｉｎｆｏｒｍａｔｉｏｎ ｏｆ ｔｈｅ ｓｕｂｊｅｃｔｓ ＡＤ ＮＣ ＥＭＣＩ ＬＭＣＩ 样本数／ 个 ２０ ４０ ４５ ３４ 男／ 女 ９ ／ １１ １８ ／ ２２ ２０ ／ ２５ ２０ ／ １４ 年龄／ 岁 ７５．７±６．８ ７５．６±６．４ ７２．２±６．９ ７２．８±７．２ ＭＭＳＥ 评分 ２１．０±３．５ ２８．４±１．７ ２７．５±１．７ ２６．７±２．３ ２ 数据预处理及特征提取方法 ＡＤ／ ＭＣＩ 回归预测主要分为 ５ 个步骤：１） 预处 理，通过处理原始的 ｆＭＲＩ 图像来构建功能连接网 络；２）网络节点特征提取；３）网络边权重特征的选 择；４）特征融合；５）使用 ＳＶＲ 进行回归预测。 图 １ 给出了本文的方法框架。 ２．１ 数据预处理 对采集到的原始数据，我们使用 Ｄａｔａ Ｐｒｏｃｅｓｓｉｎｇ Ａｓｓｉｓｔａｎｔ ｆｏｒ Ｒｅｓｔｉｎｇ⁃Ｓｔａｔｅ ｆＭＲＩ （ ＤＰＡＲＳＦ） ［１２］ 进行 切片 时 间 校 正 （ ｓｌｉｃｅ ｔｉｍｉｎｇ ）、 头 动 校 正 （ ｍｏｔｉｏｎ ｃｏｒｒｅｌａｔｉｏｎ）和空间正则化（ｓｐａｔｉａｌ ｎｏｒｍａｌｉｚａｔｉｏｎ）等标 ·３５６· 智 能 系 统 学 报 第 １２ 卷
第3期 路子祥，等：基于脑连接网络的阿尔茨海默病临床变量值预测 ·357· 准预处理流程。接着每个对象的MRI图像所对应 定义2（聚类系数）给定一个无权无向图G, 的脑空间根据AAL(automated anatomical labeling) G中的第i个节点的聚类系数计算公式为 模板被分割为90个脑区（每个脑区对应图中的 2×E C=k,×k,-1) (2) 个顶点)，计算每个脑区的平均时间序列以及脑区 间的Pearson相关系数作为脑区间的连接强度，从 式中：k表示第i个节点的邻接点的个数，E:可由式 而获得了大脑的功能性连接网络。这里，得到了一 (3)计算得到 个90×90维的加权全连接脑网络，且该网络是一个 E,=∑ag×ah×ah (3) 对角线上为1的对称矩阵。 jhen 式中：n表示ROI的个数；a,代表第i个节点和第j MRI数据AAL模板区域平均 连接网络 个节点之间的连接强度，经过阈值化后，连接强度 时间序列 训练集 值为0或者1。 测试集 从式(2)可以看出，当一个点的邻接点之间的 四值化后的 连接越紧密，聚类系数的值就越高。在脑疾病患者 灰质 提取聚类 连接树络 系数作为 使用阀值 的功能网络中，聚类系数可以很好地反映单个感兴 特征 融合两种 趣区域的异常。 特征 提取聚类 系数作为 使用阂值 我们首先使用式(1)将有权网络转化为无权网 特征 络，接着使用式(2)计算节点的聚类系数，得到一个 使用Lasso算法选择 节点的特征矩阵A∈R,其中n表示样本个数，c 融合两种 有判别性的边 特征 表示节点特征个数。 使用Lasso算法选择 有判别性的边 2.3网络边权重特征选择 边是构成整个功能网络的重要数据，反映了不 用SVR模型预测临床变量值 同脑区之间的连接强度，可以有效地区别不同类型 患者之间的差异。对预处理得到的加权全连接脑 图1提出方法的框架 网络，将网络中的边权值取出拉成一个向量。对单 Fig.1 The framework of the proposed method 个样本，其脑网络维度为90×90维，可以拉成一个 2.2网络节点特征提取 90×(90-1)/2=4005维的向量。 聚类系数常被用来作为网络的特征[3-1)，整个 然而，并不是所有的边都具有判别性，本文使 网络的聚类系数定义为各个节点的聚类系数的均 用Lasso算法[]选择出具有判别性的边作为特征。 值，它可以描述网络中节点之间的连接紧密程度。 Lasso是一种基于一范式的特征选择方法，与已 聚类系数含义清晰，定义简单，计算量小，因此成为 有的特征选择方法相比，Lasso不仅能够准确地选择 了功能网络研究中首选的特征之一。值得注意的 出与类相关的变量，同时还具有特征选择的稳定 是，聚类系数一般定义在无权网络中，而我们构建 性。并且经验数据表明，当有大量不相关的特征而 的功能网络是有权网络。因此本文使用阈值化的 却只有少量样本时Lasso方法非常有效[16。 方法，将有权的功能网络转化为无权网络，然后计 Lasso回归估计稀疏表示系数w可描述为 算无权网络中每个节点的聚类系数。这里，阈值的 m=argmin y-Awl竖+入wl 设置是0和1之间的任意值。 将求得的系数矩阵w中值为0所对应的原始 定义1（阈值化方法） 给定有权图G= 数据中的特征值去掉。得到了一个经过特征选择 [w(i,)]∈Rx和阈值T,使用下面公式阈值化连 后的较低维的特征矩阵B∈R,其中n表示样本 接网络： 个数，e表示具有判别性的边的特征个数。 (0,w(i,)<T w(i》=山，其他 2.4特征融合 (1) 研究人员发现数据的不同特征可互为补充，以 式中n表示感兴趣区域ROI(region of interest)的 提高分类预测性能。可以同时利用数据的不同特 个数。 征来提高分类准确率。这种融合的方法对于有限
准预处理流程。 接着每个对象的 ｆＭＲＩ 图像所对应 的脑空间根据 ＡＡＬ（ ａｕｔｏｍａｔｅｄ ａｎａｔｏｍｉｃａｌ ｌａｂｅｌｉｎｇ） 模板被分割为 ９０ 个脑区（每个脑区对应图中的一 个顶点），计算每个脑区的平均时间序列以及脑区 间的 Ｐｅａｒｓｏｎ 相关系数作为脑区间的连接强度，从 而获得了大脑的功能性连接网络。 这里，得到了一 个 ９０×９０ 维的加权全连接脑网络，且该网络是一个 对角线上为 １ 的对称矩阵。 图 １ 提出方法的框架 Ｆｉｇ．１ Ｔｈｅ ｆｒａｍｅｗｏｒｋ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍｅｔｈｏｄ ２．２ 网络节点特征提取 聚类系数常被用来作为网络的特征［１３－１４］ ，整个 网络的聚类系数定义为各个节点的聚类系数的均 值，它可以描述网络中节点之间的连接紧密程度。 聚类系数含义清晰，定义简单，计算量小，因此成为 了功能网络研究中首选的特征之一。 值得注意的 是，聚类系数一般定义在无权网络中，而我们构建 的功能网络是有权网络。 因此本文使用阈值化的 方法，将有权的功能网络转化为无权网络，然后计 算无权网络中每个节点的聚类系数。 这里，阈值的 设置是 ０ 和 １ 之间的任意值。 定义 １ （ 阈 值 化 方 法） 给 定 有 权 图 Ｇ ＝ [ｗ（ｉ，ｊ） ] ∈ Ｒ ｎ×ｎ 和阈值 Ｔ，使用下面公式阈值化连 接网络： ｗ（ｉ，ｊ） ＝ ０， ｗ(ｉ，ｊ) ＜ Ｔ {１， 其他 （１） 式中 ｎ 表示感兴趣区域 ＲＯＩ（ ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ） 的 个数。 定义 ２（聚类系数） 给定一个无权无向图 Ｇ， Ｇ 中的第 ｉ 个节点的聚类系数计算公式为 Ｃｉ ＝ ２ × Ｅｉ ｋｉ × ｋｉ ( － １) （２） 式中：ｋｉ表示第 ｉ 个节点的邻接点的个数，Ｅｉ 可由式 （３）计算得到 Ｅｉ ＝ ∑ ｊ，ｈ∈ｎ ａｉｊ × ａｉｈ × ａｊｈ （３） 式中：ｎ 表示 ＲＯＩ 的个数；ａｉｊ代表第 ｉ 个节点和第 ｊ 个节点之间的连接强度，经过阈值化后，连接强度 值为 ０ 或者 １。 从式（２）可以看出，当一个点的邻接点之间的 连接越紧密，聚类系数的值就越高。 在脑疾病患者 的功能网络中，聚类系数可以很好地反映单个感兴 趣区域的异常。 我们首先使用式（１）将有权网络转化为无权网 络，接着使用式（２）计算节点的聚类系数，得到一个 节点的特征矩阵 Ａ∈Ｒ ｎ×ｃ ，其中 ｎ 表示样本个数，ｃ 表示节点特征个数。 ２．３ 网络边权重特征选择 边是构成整个功能网络的重要数据，反映了不 同脑区之间的连接强度，可以有效地区别不同类型 患者之间的差异。 对预处理得到的加权全连接脑 网络，将网络中的边权值取出拉成一个向量。 对单 个样本，其脑网络维度为 ９０×９０ 维，可以拉成一个 ９０×（９０－１） ／ ２ ＝ ４ ００５ 维的向量。 然而，并不是所有的边都具有判别性，本文使 用 Ｌａｓｓｏ 算法［１５］选择出具有判别性的边作为特征。 Ｌａｓｓｏ 是一种基于一范式的特征选择方法，与已 有的特征选择方法相比，Ｌａｓｓｏ 不仅能够准确地选择 出与类相关的变量，同时还具有特征选择的稳定 性。 并且经验数据表明，当有大量不相关的特征而 却只有少量样本时 Ｌａｓｓｏ 方法非常有效［１６］ 。 Ｌａｓｓｏ 回归估计稀疏表示系数 ｗ 可描述为 ｗ＾ ＝ ａｒｇｍｉｎ ｙ － Ａｗ ２ ２ ＋ λ ｗ １ 将求得的系数矩阵 ｗ 中值为 ０ 所对应的原始 数据中的特征值去掉。 得到了一个经过特征选择 后的较低维的特征矩阵 Ｂ∈Ｒ ｎ×ｅ ，其中 ｎ 表示样本 个数，ｅ 表示具有判别性的边的特征个数。 ２．４ 特征融合 研究人员发现数据的不同特征可互为补充，以 提高分类预测性能。 可以同时利用数据的不同特 征来提高分类准确率。 这种融合的方法对于有限 第 ３ 期 路子祥，等：基于脑连接网络的阿尔茨海默病临床变量值预测 ·３５７·
·358· 智能系统学报 第12卷 的训练样本尤为有效。可以看出，融合思想是一种 在使用Lasso做特征选择的过程中，本文使用 综合分析的思想，因此，对于同一模态的数据的多 稳定性特征选择算法[]来避免过拟合。稳定性选 种特征进行综合分析、评判和决策处理也是某种意 择是一种基于二次抽样和选择算法相结合较新的 义上的融合方式。对于脑功能网络的研究，其所需 方法，它的主要思想是在不同的数据子集和特征子 要的数据信息可以从以上提取到的各种特征中，通 集上运行特征选择算法，不断地重复，最终汇总特 过融合得出一种贡献最大、最具有判别性的综合 征选择结果。 在本文的实验中，采用网格搜索的方法来确定 特征。 最优的聚类系数阈值和Lasso模型中的一范数 在本文的实验中，将前面提取到的两种数据特 参数。 征进行线性融合。具体计算如下，设节点的特征矩 3.2比较方法 阵为 本文选取如下的方法进行比较。 a 基于原始特征的方法：使用没有经过任何特征 选择的脑网络数据，作为基线方法。 基于边特征的方法：只使用脑网络中的边权 边特征矩阵为 重，选择出具有判别性的特征，本文的实验中使用 Lasso算法做特征选择。 B= 基于节点特征的方法：只使用脑网络中节点的 聚类系数。 则融合后的特征矩阵为 3.3实验结果 an alebul bie 本文通过对临床变量值MMSE的估计来评估回归 C= 性能。在表2、图2、图3中显示了比较方法计算得到的 ane bal … b CC和RMSE的值。从表2中可以看到没有经过特征 选择、特征提取的原始数据的回归性能最不好，这说明 式中：n表示样本个数c表示节点特征个数；e表示 特征的选择和提取对于之后的模式识别有着至关重要 边特征个数。 的影响。此外，本文所提出的融合多特征的方法在任 2.5模型训练 意一组对照实验中均优于单一特征的方法。可以看到 对于融合后的特征，使用支持向量回归机SVR 各个方法对于MMSE这一临床评分的预测性能，在 对阿尔茨海默病的临床变量值MMSE进行回归 ADvs.NC中，使用本文方法，计算得到的CC达到了 预测。 0.6922,RMSE为3.0972.而单一特征CC值最高达到了 0.6189,RMSE最小的为3.3780。在ADvs.MCI中，本 3实验结果与分析 文方法计算得到的CC值达到了0.6233，RMSE值为 3.1 实验设置 2.7767。而单一特征CC值最高达到了0.5493，RMSE 本文的实验考虑4种回归问题：ADvs.NC、AD 最小的为3.0241。本文提出的方法在MCI vs..NC和 vs.MCI,MCI vs..NC以及EMCI vs.LMCI。为了评 EMCI vs.LMCI实验中同样获得了好的预测结果。 估所有比较方法的性能，计算了预测临床评分和真 0.7 ■节点特征 0.6 ☐边特征 实的临床评分之间的相关系数（correlation ☐融合特征 coefficient,CC)和均方根误差(root mean squared eor,RMSE)。相关系数越大说明预测值和真实值 8 这两组数据之间相关性越强。均方根误差越小说 明预测模型越能更好地描述实验数据。 本文比较的所有方法均采用留一法进行交叉 0.1 验证。具体而言，在每次的实验中，选取一个样本 AD vs NC AD vs.MCI MIC vs NC EMCI vs.LMCI 作为测试样本，其余样本作为训练样本。计算出的 预测值组成的预测向量和原始标签向量做相关分 图2不同方法的相关系数 Fig.2 The correlation coefficient of the competing methods 析，来衡量该模型的性能
的训练样本尤为有效。 可以看出，融合思想是一种 综合分析的思想，因此，对于同一模态的数据的多 种特征进行综合分析、评判和决策处理也是某种意 义上的融合方式。 对于脑功能网络的研究，其所需 要的数据信息可以从以上提取到的各种特征中，通 过融合得出一种贡献最大、最具有判别性的综合 特征。 在本文的实验中，将前面提取到的两种数据特 征进行线性融合。 具体计算如下，设节点的特征矩 阵为 Ａ ＝ ａ１１ … ａ１ｃ ︙ ︙ ａｎ１ … ａｎｃ é ë ê ê ê ê ù û ú ú ú ú 边特征矩阵为 Ｂ ＝ ｂ１１ … ｂ１ｅ ︙ ︙ ｂｎ１ … ｂｎｅ é ë ê ê ê ê ù û ú ú ú ú 则融合后的特征矩阵为 Ｃ ＝ ａ１１ … ａ１ｃ ︙ ︙ ａｎ１ … ａｎｃ ｂ１１ … ｂ１ｅ ︙ ︙ ｂｎ１ … ｂｎｅ é ë ê ê ê ê ù û ú ú ú ú 式中：ｎ 表示样本个数；ｃ 表示节点特征个数；ｅ 表示 边特征个数。 ２．５ 模型训练 对于融合后的特征，使用支持向量回归机 ＳＶＲ 对阿尔茨海默病的临床变量值 ＭＭＳＥ 进行回归 预测。 ３ 实验结果与分析 ３．１ 实验设置 本文的实验考虑 ４ 种回归问题：ＡＤ ｖｓ． ＮＣ、ＡＤ ｖｓ． ＭＣＩ、ＭＣＩ ｖｓ． ＮＣ 以及 ＥＭＣＩ ｖｓ． ＬＭＣＩ。 为了评 估所有比较方法的性能，计算了预测临床评分和真 实的 临 床 评 分 之 间 的 相 关 系 数 （ ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ，ＣＣ） 和均方根 误 差 （ ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅｄ ｅｒｒｏｒ，ＲＭＳＥ）。 相关系数越大说明预测值和真实值 这两组数据之间相关性越强。 均方根误差越小说 明预测模型越能更好地描述实验数据。 本文比较的所有方法均采用留一法进行交叉 验证。 具体而言，在每次的实验中，选取一个样本 作为测试样本，其余样本作为训练样本。 计算出的 预测值组成的预测向量和原始标签向量做相关分 析，来衡量该模型的性能。 在使用 Ｌａｓｓｏ 做特征选择的过程中，本文使用 稳定性特征选择算法［１７］ 来避免过拟合。 稳定性选 择是一种基于二次抽样和选择算法相结合较新的 方法，它的主要思想是在不同的数据子集和特征子 集上运行特征选择算法，不断地重复，最终汇总特 征选择结果。 在本文的实验中，采用网格搜索的方法来确定 最优的聚类系 数 阈 值 和 Ｌａｓｓｏ 模 型 中 的 一 范 数 参数。 ３．２ 比较方法 本文选取如下的方法进行比较。 基于原始特征的方法：使用没有经过任何特征 选择的脑网络数据，作为基线方法。 基于边特征的方法：只使用脑网络中的边权 重，选择出具有判别性的特征，本文的实验中使用 Ｌａｓｓｏ 算法做特征选择。 基于节点特征的方法：只使用脑网络中节点的 聚类系数。 ３．３ 实验结果 本文通过对临床变量值 ＭＭＳＥ 的估计来评估回归 性能。 在表２、图２、图３ 中显示了比较方法计算得到的 ＣＣ 和 ＲＭＳＥ 的值。 从表 ２ 中可以看到没有经过特征 选择、特征提取的原始数据的回归性能最不好，这说明 特征的选择和提取对于之后的模式识别有着至关重要 的影响。 此外，本文所提出的融合多特征的方法在任 意一组对照实验中均优于单一特征的方法。 可以看到 各个方法对于 ＭＭＳＥ 这一临床评分的预测性能，在 ＡＤ ｖｓ． ＮＣ中，使用本文方法，计算得到的 ＣＣ 达到了 ０．６９２ ２，ＲＭＳＥ 为３．０９７ ２。而单一特征 ＣＣ 值最高达到了 ０．６１８ ９，ＲＭＳＥ 最小的为 ３．３７８ ０。 在 ＡＤ ｖｓ． ＭＣＩ 中，本 文方法计算得到的 ＣＣ 值达到了０．６２３ ３，ＲＭＳＥ 值为 ２．７７６ ７。 而单一特征 ＣＣ 值最高达到了 ０．５４９ ３，ＲＭＳＥ 最小的为 ３．０２４ １。 本文提出的方法在 ＭＣＩ ｖｓ． ＮＣ 和 ＥＭＣＩ ｖｓ． ＬＭＣＩ 实验中同样获得了好的预测结果。 图 ２ 不同方法的相关系数 Ｆｉｇ．２ Ｔｈｅ ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｏｆ ｔｈｅ ｃｏｍｐｅｔｉｎｇ ｍｅｔｈｏｄｓ ·３５８· 智 能 系 统 学 报 第 １２ 卷
第3期 路子祥，等：基于脑连接网络的阿尔茨海默病临床变量值预测 359. 表2不同特征方法的回归性能 Table 2 Regression performances of the competing methods AD vs.NC AD vs.MCI MCI vs.NC EMCI vs.LMCI 方法 CC RMSE CC RMSE CC RMSE CC RMSE 原始数据 0.2947 4.4417 0.2243 4.2352 0.0463 2.4686 0.0897 2.6268 节点特征 0.4456 3.8656 0.3289 3.8354 0.3016 2.6032 0.3714 2.9023 边特征 0.6189 3.3780 0.5493 3.0241 0.4642 1.8235 0.4037 1.9289 本文方法 0.6922 3.0972 0.6233 2.7767 0.5239 1.7355 0.5214 1.7491 35m 351 35 30 30 23 oooCee 888 堪30 25 8 ©3 o°。 888 20 00 20 20 15 15 0 0 10 10 10 10 1520 25 30 35 10 l5 2025 30 35 10 1520 25 3035 MMSE的真实值 MMSE的真实值 MMSE的真实值 (a)CC=0.4456 b)CC-0.6189 (c)CC-0.6922 35 35 35 30 @30 入入 2 3 3 20 20 20 10 10 15 20 25 30 35 10 15 20 25 30 35 10 15 20 25 3035 MMSE的真实值 MMSE的真实值 (d)CC-0.3016 (e)CC=0.4642 E的 注：每幅图上面的为ADs.NC,下面的为MCI vs.NC 图3使用不同方法获得的散点图和相关系数 Fig.3 Scatter plots and the respective correlation coefficients obtained by the competing methods 图2的柱状图更加直观地显示了所提出的融合 时，所用的训练集不同导致选择出的边也不完全相 多特征的方法优于单一特征的方法。图3绘制的散 同。因此，我们选择在所有交叉验证中出现频率最 点图显示了不同特征在不同的回归问题上所表现 高的特征作为最具有判别力的特征。表3给出了在 出的不同性能。 MCI vs..NC实验中出现频率最高的10个脑区。图 表2、图2、图3还表明，本文方法在AD和NC 4在一个大脑模板空间中画出了在MCI vs..NC实验 这一对照实验中，有着更好的回归性能。这种情况 中的10个最具有判别性的脑区。从表3中可以看 说明患者和正常人的脑功能网络特征存在明显的 出，大部分选择脑区和以前研究人员使用组分析方 差异，这使得模式识别过程更加容易。同时也说明 法研究的结果是一致的。特别是一些脑如杏仁核 了该类脑疾病的发作会影响其脑连接网络的结构， (Amygdala)、海马旁回(ParaHippocampus)和颢前叶 与前人的研究结果相符合。 (Precuneus)等已被广泛认为可能与AD是相关 3.4最具判别性的脑区 的-)]。本文结果和前人研究结果是一致的，这也 本文还研究了所使用的特征选择方法挑选出 表明提出的方法能够发现与疾病相关的大脑区域 的最具判别性的脑区。因为在每次进行交叉验证 从而辅助治疗
表 ２ 不同特征方法的回归性能 Ｔａｂｌｅ ２ Ｒｅｇｒｅｓｓｉｏｎ ｐｅｒｆｏｒｍａｎｃｅｓ ｏｆ ｔｈｅ ｃｏｍｐｅｔｉｎｇ ｍｅｔｈｏｄｓ 方法 ＡＤ ｖｓ． ＮＣ ＡＤ ｖｓ． ＭＣＩ ＭＣＩ ｖｓ． ＮＣ ＥＭＣＩ ｖｓ． ＬＭＣＩ ＣＣ ＲＭＳＥ ＣＣ ＲＭＳＥ ＣＣ ＲＭＳＥ ＣＣ ＲＭＳＥ 原始数据 ０．２９４ ７ ４．４４１ ７ ０．２２４ ３ ４．２３５ ２ ０．０４６ ３ ２．４６８ ６ ０．０８９ ７ ２．６２６ ８ 节点特征 ０．４４５ ６ ３．８６５ ６ ０．３２８ ９ ３．８３５ ４ ０．３０１ ６ ２．６０３ ２ ０．３７１ ４ ２．９０２ ３ 边特征 ０．６１８ ９ ３．３７８ ０ ０．５４９ ３ ３．０２４ １ ０．４６４ ２ １．８２３ ５ ０．４０３ ７ １．９２８ ９ 本文方法 ０．６９２ ２ ３．０９７ ２ ０．６２３ ３ ２．７７６ ７ ０．５２３ ９ １．７３５ ５ ０．５２１ ４ １．７４９ １ 注：每幅图上面的为 ＡＤ ｖｓ． ＮＣ，下面的为 ＭＣＩ ｖｓ． ＮＣ 图 ３ 使用不同方法获得的散点图和相关系数 Ｆｉｇ．３ Ｓｃａｔｔｅｒ ｐｌｏｔｓ ａｎｄ ｔｈｅ ｒｅｓｐｅｃｔｉｖｅ ｃｏｒｒｅｌａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔｓ ｏｂｔａｉｎｅｄ ｂｙ ｔｈｅ ｃｏｍｐｅｔｉｎｇ ｍｅｔｈｏｄｓ 图 ２ 的柱状图更加直观地显示了所提出的融合 多特征的方法优于单一特征的方法。 图 ３ 绘制的散 点图显示了不同特征在不同的回归问题上所表现 出的不同性能。 表 ２、图 ２、图 ３ 还表明，本文方法在 ＡＤ 和 ＮＣ 这一对照实验中，有着更好的回归性能。 这种情况 说明患者和正常人的脑功能网络特征存在明显的 差异，这使得模式识别过程更加容易。 同时也说明 了该类脑疾病的发作会影响其脑连接网络的结构， 与前人的研究结果相符合。 ３．４ 最具判别性的脑区 本文还研究了所使用的特征选择方法挑选出 的最具判别性的脑区。 因为在每次进行交叉验证 时，所用的训练集不同导致选择出的边也不完全相 同。 因此，我们选择在所有交叉验证中出现频率最 高的特征作为最具有判别力的特征。 表 ３ 给出了在 ＭＣＩ ｖｓ． ＮＣ 实验中出现频率最高的 １０ 个脑区。 图 ４ 在一个大脑模板空间中画出了在 ＭＣＩ ｖｓ． ＮＣ 实验 中的 １０ 个最具有判别性的脑区。 从表 ３ 中可以看 出，大部分选择脑区和以前研究人员使用组分析方 法研究的结果是一致的。 特别是一些脑如杏仁核 （Ａｍｙｇｄａｌａ）、海马旁回（ＰａｒａＨｉｐｐｏｃａｍｐｕｓ）和颞前叶 （Ｐｒｅｃｕｎｅｕｓ） 等已被广泛认为可能与 ＡＤ 是相关 的［１８－２３］ 。 本文结果和前人研究结果是一致的，这也 表明提出的方法能够发现与疾病相关的大脑区域 从而辅助治疗。 第 ３ 期 路子祥，等：基于脑连接网络的阿尔茨海默病临床变量值预测 ·３５９·
.360. 智能系统学报 第12卷 表3 CI vs.NC实验中出现频率最高的10个脑区名称 [J].Alzheimers and dementia,2007,3(3):186-91. Table 3 The name of top 10 selected brain regions in MCI [2]FAN Yong,RAO Hengyi,HURT H,et al.Multivariate vs.NC examination of brain abnormality using both structural and Micro命名 中文名称 functional MRI[J].Neurolmage,2007,3(4):1189-1199. R.Amygdala 杏仁核 [3]PETERSEN R C,DOODY R,KURZ A,et al.Current L.Precuneus 楔前叶 concepts in mild cognitive impairment [J].Archives of L.ParaHippocampal 海马旁回 neurology,2001,58(12):1985-1992. R.Precuneus 楔前叶 [4]PETERSEN R C,SMITH G E,WARING S C,et al.Mild L.Cingulum_Mid 内侧和旁扣带脑回 cognitive impairment:clinical characterization and outcome R.Lingual 舌回 [J].Archives of neurology,1999.56(3):303-308. L.Occipital_Sup 枕上回 [5]CHENG Bo,ZHANG Daoqiang,CHEN Songcan,et al. R.Temporal_Inf 颗下回 Semi-supervised multimodal relevance vector regression L.Frontal_Sup_Orb 眶部额上回 improves cognitive performance estimation from imaging and L.Temporal_Pole_Sup 颗极：颞上回 biological biomarkers[]]Neuroinformatics,2013,11(3): 339-353 [6]ZHANG Daoqiang,SHEN Dinggang,Alzheimer's Disease Neuroimaging Initiative.Multi-modal multi-task learning for joint prediction of multiple regression and classification variables in alzheimer's disease[J].Neurolmage,2012,59 (2):895-907 [7]ZHU Xiaofeng,SUK H I.SHEN Dinggang.A novel matrix- similarity based loss function for joint regression and 图4 MCI vs.NC实验中出现频率最高的10个脑区 classification in AD diagnosis[J].Neurolmage,2014,100: Fig.4 Top 10 selected brain regions in MCI vs.NC 91-105. 4结束语 [8]Wee C Y,Yap P T,Li Wenbin,et al.Enriched white matter connectivity networks for accurate identification of 本文提出了一种基于脑连接网络的方法，用于 MCI patients[J].Neurolmage,2011,54(3):1812-1822. 预测AD临床变量值，其中选择点的聚类系数和边 [9]CHEN Gang,WARD B D,XIE Chunming,et al. 的权重作为特征。通过对不同类型特征的融合，大 Classification of Alzheimer disease,mild cognitive 大提高了预测的性能。从本文的实验中可以发现， impairment,and normal cognitive status with large-scale 在脑疾病的回归问题上，脑功能连接网络模态也有 network analysis based on resting-state functional MR 较好的回归性能：多个特征融合的使用优于单一特 imaging[J].Radiology,2011,259(1):213-221. 征的使用。 [10 WANG Jinhui,ZUO Xinian,DAI Zhengrui,et al. 然而本文更多的是为了证明脑功能连接网络 Disrupted functional brain connectome in individuals at 的数据信息能够用来预测临床评分这一问题。在 risk for Alzheimer's disease[J].Biological psychiatry, 2013,73(5):472-481. 特征提取和特征选择上运用了研究中较为普遍的 [11]JIE Biao,ZHANG Daoqiang,WEE C Y,et al.Topological 算法。今后的工作中将尝试对现有的特征选择、特 graph kernel on multiple thresholded functional 征提取算法有针对性地加以改进，使得模型能够更 connectivity networks for mild cognitive impairment 好地挖掘脑网络信息，增强模型的预测能力，从而 classification[J].Human brain mapping,2014,35(7): 辅助医生的诊断。 2876-2897. 参考文献： [12]WEE C Y,YAP P T,ZHANG Daoqiang,et al. Identification of MCI individuals using structural and [1]BROOKMEYER R,JOHNSON E,ZIEGLER-GRAHAM K. functional connectivity networks[J].Neurolmage,2012, et al.Forecasting the global burden of Alzheimer's disease 59(3):2045-2056
表 ３ ＭＣＩ ｖｓ． ＮＣ 实验中出现频率最高的 １０ 个脑区名称 Ｔａｂｌｅ ３ Ｔｈｅ ｎａｍｅ ｏｆ ｔｏｐ １０ ｓｅｌｅｃｔｅｄ ｂｒａｉｎ ｒｅｇｉｏｎｓ ｉｎ ＭＣＩ ｖｓ． ＮＣ Ｍｉｃｒｏ 命名 中文名称 Ｒ．Ａｍｙｇｄａｌａ 杏仁核 Ｌ．Ｐｒｅｃｕｎｅｕｓ 楔前叶 Ｌ．ＰａｒａＨｉｐｐｏｃａｍｐａｌ 海马旁回 Ｒ．Ｐｒｅｃｕｎｅｕｓ 楔前叶 Ｌ．Ｃｉｎｇｕｌｕｍ＿Ｍｉｄ 内侧和旁扣带脑回 Ｒ．Ｌｉｎｇｕａｌ 舌回 Ｌ．Ｏｃｃｉｐｉｔａｌ＿Ｓｕｐ 枕上回 Ｒ．Ｔｅｍｐｏｒａｌ＿Ｉｎｆ 颞下回 Ｌ．Ｆｒｏｎｔａｌ＿Ｓｕｐ＿Ｏｒｂ 眶部额上回 Ｌ．Ｔｅｍｐｏｒａｌ＿Ｐｏｌｅ＿Ｓｕｐ 颞极：颞上回 图 ４ ＭＣＩ ｖｓ． ＮＣ 实验中出现频率最高的 １０ 个脑区 Ｆｉｇ．４ Ｔｏｐ １０ ｓｅｌｅｃｔｅｄ ｂｒａｉｎ ｒｅｇｉｏｎｓ ｉｎ ＭＣＩ ｖｓ． ＮＣ ４ 结束语 本文提出了一种基于脑连接网络的方法，用于 预测 ＡＤ 临床变量值，其中选择点的聚类系数和边 的权重作为特征。 通过对不同类型特征的融合，大 大提高了预测的性能。 从本文的实验中可以发现， 在脑疾病的回归问题上，脑功能连接网络模态也有 较好的回归性能；多个特征融合的使用优于单一特 征的使用。 然而本文更多的是为了证明脑功能连接网络 的数据信息能够用来预测临床评分这一问题。 在 特征提取和特征选择上运用了研究中较为普遍的 算法。 今后的工作中将尝试对现有的特征选择、特 征提取算法有针对性地加以改进，使得模型能够更 好地挖掘脑网络信息，增强模型的预测能力，从而 辅助医生的诊断。 参考文献： ［１］ＢＲＯＯＫＭＥＹＥＲ Ｒ， ＪＯＨＮＳＯＮ Ｅ， ＺＩＥＧＬＥＲ⁃ＧＲＡＨＡＭ Ｋ， ｅｔ ａｌ． Ｆｏｒｅｃａｓｔｉｎｇ ｔｈｅ ｇｌｏｂａｌ ｂｕｒｄｅｎ ｏｆ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ ［Ｊ］． Ａｌｚｈｅｉｍｅｒｓ ａｎｄ ｄｅｍｅｎｔｉａ， ２００７， ３（３）： １８６－９１． ［２］ ＦＡＮ Ｙｏｎｇ， ＲＡＯ Ｈｅｎｇｙｉ， ＨＵＲＴ Ｈ， ｅｔ ａｌ． Ｍｕｌｔｉｖａｒｉａｔｅ ｅｘａｍｉｎａｔｉｏｎ ｏｆ ｂｒａｉｎ ａｂｎｏｒｍａｌｉｔｙ ｕｓｉｎｇ ｂｏｔｈ ｓｔｒｕｃｔｕｒａｌ ａｎｄ ｆｕｎｃｔｉｏｎａｌ ＭＲＩ［Ｊ］． ＮｅｕｒｏＩｍａｇｅ， ２００７， ３６（４）： １１８９－１１９９． ［３］ ＰＥＴＥＲＳＥＮ Ｒ Ｃ， ＤＯＯＤＹ Ｒ， ＫＵＲＺ Ａ， ｅｔ ａｌ． Ｃｕｒｒｅｎｔ ｃｏｎｃｅｐｔｓ ｉｎ ｍｉｌｄ ｃｏｇｎｉｔｉｖｅ ｉｍｐａｉｒｍｅｎｔ ［ Ｊ ］． Ａｒｃｈｉｖｅｓ ｏｆ ｎｅｕｒｏｌｏｇｙ， ２００１， ５８（１２）： １９８５－１９９２． ［４］ＰＥＴＥＲＳＥＮ Ｒ Ｃ， ＳＭＩＴＨ Ｇ Ｅ， ＷＡＲＩＮＧ Ｓ Ｃ， ｅｔ ａｌ． Ｍｉｌｄ ｃｏｇｎｉｔｉｖｅ ｉｍｐａｉｒｍｅｎｔ： ｃｌｉｎｉｃａｌ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ａｎｄ ｏｕｔｃｏｍｅ ［Ｊ］． Ａｒｃｈｉｖｅｓ ｏｆ ｎｅｕｒｏｌｏｇｙ， １９９９， ５６（３）： ３０３－３０８． ［ ５］ ＣＨＥＮＧ Ｂｏ， ＺＨＡＮＧ Ｄａｏｑｉａｎｇ， ＣＨＥＮ Ｓｏｎｇｃａｎ， ｅｔ ａｌ． Ｓｅｍｉ⁃ｓｕｐｅｒｖｉｓｅｄ ｍｕｌｔｉｍｏｄａｌ ｒｅｌｅｖａｎｃｅ ｖｅｃｔｏｒ ｒｅｇｒｅｓｓｉｏｎ ｉｍｐｒｏｖｅｓ ｃｏｇｎｉｔｉｖｅ ｐｅｒｆｏｒｍａｎｃｅ ｅｓｔｉｍａｔｉｏｎ ｆｒｏｍ ｉｍａｇｉｎｇ ａｎｄ ｂｉｏｌｏｇｉｃａｌ ｂｉｏｍａｒｋｅｒｓ［Ｊ］． Ｎｅｕｒｏｉｎｆｏｒｍａｔｉｃｓ， ２０１３， １１（３）： ３３９－３５３． ［６］ ＺＨＡＮＧ Ｄａｏｑｉａｎｇ， ＳＨＥＮ Ｄｉｎｇｇａｎｇ， Ａｌｚｈｅｉｍｅｒｓ Ｄｉｓｅａｓｅ Ｎｅｕｒｏｉｍａｇｉｎｇ Ｉｎｉｔｉａｔｉｖｅ． Ｍｕｌｔｉ⁃ｍｏｄａｌ ｍｕｌｔｉ⁃ｔａｓｋ ｌｅａｒｎｉｎｇ ｆｏｒ ｊｏｉｎｔ ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｍｕｌｔｉｐｌｅ ｒｅｇｒｅｓｓｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｖａｒｉａｂｌｅｓ ｉｎ ａｌｚｈｅｉｍｅｒ’ｓ ｄｉｓｅａｓｅ［Ｊ］． ＮｅｕｒｏＩｍａｇｅ， ２０１２， ５９ （２）： ８９５－９０７． ［７］ＺＨＵ Ｘｉａｏｆｅｎｇ， ＳＵＫ Ｈ Ｉ， ＳＨＥＮ Ｄｉｎｇｇａｎｇ． Ａ ｎｏｖｅｌ ｍａｔｒｉｘ－ ｓｉｍｉｌａｒｉｔｙ ｂａｓｅｄ ｌｏｓｓ ｆｕｎｃｔｉｏｎ ｆｏｒ ｊｏｉｎｔ ｒｅｇｒｅｓｓｉｏｎ ａｎｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎ ＡＤ ｄｉａｇｎｏｓｉｓ［Ｊ］． ＮｅｕｒｏＩｍａｇｅ， ２０１４， １００： ９１－１０５． ［８］ Ｗｅｅ Ｃ Ｙ， Ｙａｐ Ｐ Ｔ， Ｌｉ Ｗｅｎｂｉｎ， ｅｔ ａｌ． Ｅｎｒｉｃｈｅｄ ｗｈｉｔｅ ｍａｔｔｅｒ ｃｏｎｎｅｃｔｉｖｉｔｙ ｎｅｔｗｏｒｋｓ ｆｏｒ ａｃｃｕｒａｔｅ ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ＭＣＩ ｐａｔｉｅｎｔｓ［Ｊ］． ＮｅｕｒｏＩｍａｇｅ， ２０１１， ５４（３）： １８１２－１８２２． ［ ９ ］ ＣＨＥＮ Ｇａｎｇ， ＷＡＲＤ Ｂ Ｄ， ＸＩＥ Ｃｈｕｎｍｉｎｇ， ｅｔ ａｌ． Ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆ Ａｌｚｈｅｉｍｅｒ ｄｉｓｅａｓｅ， ｍｉｌｄ ｃｏｇｎｉｔｉｖｅ ｉｍｐａｉｒｍｅｎｔ， ａｎｄ ｎｏｒｍａｌ ｃｏｇｎｉｔｉｖｅ ｓｔａｔｕｓ ｗｉｔｈ ｌａｒｇｅ⁃ｓｃａｌｅ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ｂａｓｅｄ ｏｎ ｒｅｓｔｉｎｇ⁃ｓｔａｔｅ ｆｕｎｃｔｉｏｎａｌ ＭＲ ｉｍａｇｉｎｇ［Ｊ］． Ｒａｄｉｏｌｏｇｙ， ２０１１， ２５９（１）： ２１３－２２１． ［１０ ］ ＷＡＮＧ Ｊｉｎｈｕｉ， ＺＵＯ Ｘｉｎｉａｎ， ＤＡＩ Ｚｈｅｎｇｒｕｉ， ｅｔ ａｌ． Ｄｉｓｒｕｐｔｅｄ ｆｕｎｃｔｉｏｎａｌ ｂｒａｉｎ ｃｏｎｎｅｃｔｏｍｅ ｉｎ ｉｎｄｉｖｉｄｕａｌｓ ａｔ ｒｉｓｋ ｆｏｒ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ ［ Ｊ］． Ｂｉｏｌｏｇｉｃａｌ ｐｓｙｃｈｉａｔｒｙ， ２０１３， ７３（５）： ４７２－４８１． ［１１］ＪＩＥ Ｂｉａｏ， ＺＨＡＮＧ Ｄａｏｑｉａｎｇ， ＷＥＥ Ｃ Ｙ， ｅｔ ａｌ． Ｔｏｐｏｌｏｇｉｃａｌ ｇｒａｐｈ ｋｅｒｎｅｌ ｏｎ ｍｕｌｔｉｐｌｅ ｔｈｒｅｓｈｏｌｄｅｄ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ｎｅｔｗｏｒｋｓ ｆｏｒ ｍｉｌｄ ｃｏｇｎｉｔｉｖｅ ｉｍｐａｉｒｍｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］． Ｈｕｍａｎ ｂｒａｉｎ ｍａｐｐｉｎｇ， ２０１４， ３５（７）： ２８７６－２８９７． ［ １２ ］ ＷＥＥ Ｃ Ｙ， ＹＡＰ Ｐ Ｔ， ＺＨＡＮＧ Ｄａｏｑｉａｎｇ， ｅｔ ａｌ． Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ＭＣＩ ｉｎｄｉｖｉｄｕａｌｓ ｕｓｉｎｇ ｓｔｒｕｃｔｕｒａｌ ａｎｄ ｆｕｎｃｔｉｏｎａｌ ｃｏｎｎｅｃｔｉｖｉｔｙ ｎｅｔｗｏｒｋｓ［ Ｊ］． ＮｅｕｒｏＩｍａｇｅ， ２０１２， ５９（３）： ２０４５－２０５６． ·３６０· 智 能 系 统 学 报 第 １２ 卷
第3期 路子祥，等：基于脑连接网络的阿尔茨海默病临床变量值预测 .361. [13 YAN Chaogan,FENG Yufeng.DPARSF:a MATLAB [22 DAI Zhengjia,YAN Chaogan,LI Kuncheng,et al. toolbox for"pipeline"data analysis of resting-state fMRI Identifying and mapping connectivity patterns of brain [J].Frontiers in systems neuroscience,2010,4:13. network hubs in Alzheimer's disease[J].Cerebral cortex, [14 ZANIN M,SOUSA P,PAPO D,et al.Optimizing 2015,25(10):3723-3742. functional network representation of multivariate time [23]HU Chenghui,JU Ronghui,SHEN Yusong,et al.Clinical series[J].Scientific reports,2012,2:630. [15]TIBSHIRANI R.Regression shrinkage and selection via the decision support for Alzheimer's disease based on deep lasso[]].Journal of the royal statistical society,1996, learning and brain network[C]//Proceedings of 2016 58(1):267-288. IEEE International Conference on Communications.Kuala [16]NG A Y.Feature selection,L,vs.L2,regularization,and Lumpur:IEEE,2016:1-6. rotational invariance[C//Proceedings of the twenty-first 作者简介： International Conference on Machine Learning.New 路子祥，女，1992年生，硕士研究 York,NY:ACM,2004. 生，主要研究方向为数据挖掘、模式识 [17 MEINSHAUSEN N,BuHLMANN P.Stability selection 别与图像处理。 [J].Journal of the royal statistical society,2010,72 (4):417-473. [18]WOLF H,JELIC V,GERTZ H J,et al.A critical discussion of the role of neuroimaging in mild cognitive impairment[J. Acta neurologica scandinavica supplementum,2003,107 屠黎阳，男，1992年生，硕士研究 (S179):52-76. 生，主要研究方向为数据挖掘、模式识 [19]POULIN S P,DAUTOFF R,MORRIS J C,et al. 别与医学图像处理。 Amygdala atrophy is prominent in early Alzheimer's disease and relates to symptom severity[J].Psychiatry research:neuroimaging,2011,194(1):7-13. [20]SOLODKIN A,CHEN EE,VAN HOESEN G W,et al.In vivo parahippocampal white matter pathology as a biomarker of disease progression to Alzheimer's disease[J].Journal of 张道强.男.1978年生，教授.博士 comparative neurology,2013,521(18):4300-4317. 生导师，主要研究方向为机器学习、模 [21]DERFLINGER S,SORG C,GASER C,et al.Grey-matter 式识别与医学图像分析。 atrophy in Alzheimer's disease is asymmetric but not lateralized [J].Journal of Alzheimer's disease:JAD, 2011.25(2):347-357
［１３ ］ ＹＡＮ Ｃｈａｏｇａｎ， ＦＥＮＧ Ｙｕｆｅｎｇ． ＤＰＡＲＳＦ： ａ ＭＡＴＬＡＢ ｔｏｏｌｂｏｘ ｆｏｒ “ｐｉｐｅｌｉｎｅ” ｄａｔａ ａｎａｌｙｓｉｓ ｏｆ ｒｅｓｔｉｎｇ⁃ｓｔａｔｅ ｆＭＲＩ ［Ｊ］． Ｆｒｏｎｔｉｅｒｓ ｉｎ ｓｙｓｔｅｍｓ ｎｅｕｒｏｓｃｉｅｎｃｅ， ２０１０， ４： １３． ［１４ ］ ＺＡＮＩＮ Ｍ， ＳＯＵＳＡ Ｐ， ＰＡＰＯ Ｄ， ｅｔ ａｌ． Ｏｐｔｉｍｉｚｉｎｇ ｆｕｎｃｔｉｏｎａｌ ｎｅｔｗｏｒｋ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｏｆ ｍｕｌｔｉｖａｒｉａｔｅ ｔｉｍｅ ｓｅｒｉｅｓ［Ｊ］． Ｓｃｉｅｎｔｉｆｉｃ ｒｅｐｏｒｔｓ， ２０１２， ２： ６３０． ［１５］ＴＩＢＳＨＩＲＡＮＩ Ｒ． Ｒｅｇｒｅｓｓｉｏｎ ｓｈｒｉｎｋａｇｅ ａｎｄ ｓｅｌｅｃｔｉｏｎ ｖｉａ ｔｈｅ ｌａｓｓｏ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ ｒｏｙａｌ ｓｔａｔｉｓｔｉｃａｌ ｓｏｃｉｅｔｙ， １９９６， ５８（１）： ２６７－２８８． ［１６］ＮＧ Ａ Ｙ． Ｆｅａｔｕｒｅ ｓｅｌｅｃｔｉｏｎ， Ｌ１ ， ｖｓ． Ｌ２ ， ｒｅｇｕｌａｒｉｚａｔｉｏｎ， ａｎｄ ｒｏｔａｔｉｏｎａｌ ｉｎｖａｒｉａｎｃｅ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ｔｗｅｎｔｙ－ｆｉｒｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＮＹ： ＡＣＭ， ２００４． ［ １７ ］ ＭＥＩＮＳＨＡＵＳＥＮ Ｎ， ＢüＨＬＭＡＮＮ Ｐ． Ｓｔａｂｉｌｉｔｙ ｓｅｌｅｃｔｉｏｎ ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ ｒｏｙａｌ ｓｔａｔｉｓｔｉｃａｌ ｓｏｃｉｅｔｙ， ２０１０， ７２ （４）： ４１７－４７３． ［１８］ＷＯＬＦ Ｈ， ＪＥＬＩＣ Ｖ， ＧＥＲＴＺ Ｈ Ｊ， ｅｔ ａｌ． Ａ ｃｒｉｔｉｃａｌ ｄｉｓｃｕｓｓｉｏｎ ｏｆ ｔｈｅ ｒｏｌｅ ｏｆ ｎｅｕｒｏｉｍａｇｉｎｇ ｉｎ ｍｉｌｄ ｃｏｇｎｉｔｉｖｅ ｉｍｐａｉｒｍｅｎｔ［Ｊ］． Ａｃｔａ ｎｅｕｒｏｌｏｇｉｃａ ｓｃａｎｄｉｎａｖｉｃａ ｓｕｐｐｌｅｍｅｎｔｕｍ， ２００３， １０７ （Ｓ１７９）： ５２－７６． ［ １９ ］ ＰＯＵＬＩＮ Ｓ Ｐ， ＤＡＵＴＯＦＦ Ｒ， ＭＯＲＲＩＳ Ｊ Ｃ， ｅｔ ａｌ． Ａｍｙｇｄａｌａ ａｔｒｏｐｈｙ ｉｓ ｐｒｏｍｉｎｅｎｔ ｉｎ ｅａｒｌｙ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ ａｎｄ ｒｅｌａｔｅｓ ｔｏ ｓｙｍｐｔｏｍ ｓｅｖｅｒｉｔｙ ［ Ｊ］． Ｐｓｙｃｈｉａｔｒｙ ｒｅｓｅａｒｃｈ： ｎｅｕｒｏｉｍａｇｉｎｇ， ２０１１， １９４（１）： ７－１３． ［２０］ＳＯＬＯＤＫＩＮ Ａ， ＣＨＥＮ Ｅ Ｅ， ＶＡＮ ＨＯＥＳＥＮ Ｇ Ｗ， ｅｔ ａｌ． Ｉｎ ｖｉｖｏ ｐａｒａｈｉｐｐｏｃａｍｐａｌ ｗｈｉｔｅ ｍａｔｔｅｒ ｐａｔｈｏｌｏｇｙ ａｓ ａ ｂｉｏｍａｒｋｅｒ ｏｆ ｄｉｓｅａｓｅ ｐｒｏｇｒｅｓｓｉｏｎ ｔｏ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐａｒａｔｉｖｅ ｎｅｕｒｏｌｏｇｙ， ２０１３， ５２１（１８）： ４３００－４３１７． ［２１］ＤＥＲＦＬＩＮＧＥＲ Ｓ， ＳＯＲＧ Ｃ， ＧＡＳＥＲ Ｃ， ｅｔ ａｌ． Ｇｒｅｙ⁃ｍａｔｔｅｒ ａｔｒｏｐｈｙ ｉｎ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ ｉｓ ａｓｙｍｍｅｔｒｉｃ ｂｕｔ ｎｏｔ ｌａｔｅｒａｌｉｚｅｄ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ： ＪＡＤ， ２０１１， ２５（２）： ３４７－３５７． ［ ２２ ］ ＤＡＩ Ｚｈｅｎｇｊｉａ， ＹＡＮ Ｃｈａｏｇａｎ， ＬＩ Ｋｕｎｃｈｅｎｇ， ｅｔ ａｌ． Ｉｄｅｎｔｉｆｙｉｎｇ ａｎｄ ｍａｐｐｉｎｇ ｃｏｎｎｅｃｔｉｖｉｔｙ ｐａｔｔｅｒｎｓ ｏｆ ｂｒａｉｎ ｎｅｔｗｏｒｋ ｈｕｂｓ ｉｎ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ［Ｊ］． Ｃｅｒｅｂｒａｌ ｃｏｒｔｅｘ， ２０１５， ２５（１０）： ３７２３－３７４２． ［２３］ＨＵ Ｃｈｅｎｇｈｕｉ， ＪＵ Ｒｏｎｇｈｕｉ， ＳＨＥＮ Ｙｕｓｏｎｇ， ｅｔ ａｌ． Ｃｌｉｎｉｃａｌ ｄｅｃｉｓｉｏｎ ｓｕｐｐｏｒｔ ｆｏｒ Ａｌｚｈｅｉｍｅｒｓ ｄｉｓｅａｓｅ ｂａｓｅｄ ｏｎ ｄｅｅｐ ｌｅａｒｎｉｎｇ ａｎｄ ｂｒａｉｎ ｎｅｔｗｏｒｋ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ２０１６ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ． Ｋｕａｌａ Ｌｕｍｐｕｒ： ＩＥＥＥ， ２０１６： １－６． 作者简介： 路子祥，女，１９９２ 年生，硕士研究 生，主要研究方向为数据挖掘、模式识 别与图像处理。 屠黎阳，男，１９９２ 年生，硕士研究 生，主要研究方向为数据挖掘、模式识 别与医学图像处理。 张道强，男，１９７８ 年生，教授，博士 生导师，主要研究方向为机器学习、模 式识别与医学图像分析。 第 ３ 期 路子祥，等：基于脑连接网络的阿尔茨海默病临床变量值预测 ·３６１·
