·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