[發(fā)明專利]神經(jīng)影像標記物形態(tài)學(xué)融合分類指數(shù)的構(gòu)建方法及應(yīng)用

有效

• 申請?zhí)枺?/td>: 202110494544.8
• 申請日: 2021-05-07
• 公開（公告）號: CN113222001B
• 公開（公告）日: 2022-06-28
• 發(fā)明（設(shè)計）人: 秦文;于春水;謝穎瀅;張士杰;丁皓
• 申請（專利權(quán)）人: 天津醫(yī)科大學(xué)
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/80;G06K9/62;G06N20/00;G16H20/70;G16H30/20;G16H50/20
• 代理公司: 天津翰林知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 12210
• 代理人: 付長杰

本發(fā)明為神經(jīng)影像標記物形態(tài)學(xué)融合分類指數(shù)的構(gòu)建方法及應(yīng)用，該構(gòu)建方法包括以下內(nèi)容：獲取M個中心的結(jié)構(gòu)MRI數(shù)據(jù)，提取腦結(jié)構(gòu)像特征數(shù)據(jù)；以各中心數(shù)據(jù)進行獨自訓(xùn)練，分別建立各中心的分類模型，獲得M個中心的分類模型；對于任意一個樣本，在所有中心的分類模型，計算出該樣本在每個模型每個特征的分類權(quán)重值，即SHAP矩陣；然后以每個模型訓(xùn)練時使用的樣本量為權(quán)重，按照公式(1)計算獲得單一的形態(tài)學(xué)融合分類指數(shù)MICI值：其中，Si代表模型i的樣本量，B代表特征總數(shù)，a_i代表了特征a在模型i中的SHAP值，i＝1～M。MICI值可以很好的實現(xiàn)對精神疾病患者及正常人之間的鑒別，具有良好的可解釋性、進化性和可擴展性。

技術(shù)領(lǐng)域

本發(fā)明涉及神經(jīng)影像標記物領(lǐng)域，提出一種基于機器學(xué)習(xí)和多中心數(shù)據(jù)的神經(jīng)影像標記物——形態(tài)學(xué)融合分類指數(shù)(MICI值)的構(gòu)建方法，用于輔助神經(jīng)精神疾病的個體化診療。

背景技術(shù)

精神分裂癥、重度抑郁、阿爾茨海默病等以彌漫性腦損害為特征的神經(jīng)精神疾病嚴重影響人類健康，給個人和社會帶來了巨大負擔(dān)。目前，精神疾病主要依賴于醫(yī)生對臨床癥狀作出主觀診斷，存在一定的誤診和漏診。磁共振成像(magnetic resonance imaging，MRI)由于其簡便性、無創(chuàng)性及全面性等優(yōu)勢愈發(fā)受到了大家的關(guān)注。大量研究報道神經(jīng)精神疾病患者的腦結(jié)構(gòu)與正常被試之間存在明顯差異。基于這些差異，將有助于我們對神經(jīng)精神疾病進行診斷。腦結(jié)構(gòu)特征具有多樣性，機器學(xué)習(xí)是一種很好的融合分析診斷方式。磁共振成像(MRI)技術(shù)結(jié)合機器學(xué)習(xí)在揭示神經(jīng)精神疾病的腦損傷機制以及疾病的客觀診斷方面表現(xiàn)出巨大的潛力。然而，對于大多數(shù)的單中心機器學(xué)習(xí)模型，其結(jié)果的泛化性能往往不足，且分類準確率不穩(wěn)定。多中心大樣本數(shù)據(jù)由于能提高機器學(xué)習(xí)的泛化性能，愈發(fā)受到了研究人員的關(guān)注。然而，多中心數(shù)據(jù)共享存在一些無法避免的問題，如原始MRI數(shù)據(jù)分析需要耗費海量的存儲、網(wǎng)絡(luò)和計算資源，大大增加了分析機構(gòu)的人力和物力成本；另外，原始MRI數(shù)據(jù)含有個人身份的識別信息，如何有效保護被試隱私也是一個難題。機器學(xué)習(xí)模型是一個含有大量參數(shù)的“黑盒子”，預(yù)測結(jié)果的可解釋性比較差，很難和精神疾病的神經(jīng)生物特征和臨床癥狀等建立人類可理解的聯(lián)系，導(dǎo)致其不能在臨床工作中得到快速推廣和轉(zhuǎn)化。因此，有必要開發(fā)一種泛化性高，易普及，易解釋的簡單影像學(xué)客觀標記物。

發(fā)明內(nèi)容

為了解決目前技術(shù)的不足，本發(fā)明創(chuàng)新性的提出了一種基于機器學(xué)習(xí)的神經(jīng)影像標記物——形態(tài)學(xué)融合分類指數(shù)(morphological integrated classification index，MICI)的構(gòu)建方法及應(yīng)用。本發(fā)明的設(shè)計思路是充分利用多中心大數(shù)據(jù)的有用信息，首先利用形態(tài)學(xué)MRI影像數(shù)據(jù)和機器學(xué)習(xí)算法構(gòu)建單中心的分類模型，然后把多中心的分類模型中的特征權(quán)重進行加權(quán)整合，獲得對個體化的形態(tài)學(xué)融合分類指數(shù)MICI，最后用MICI值對疾病進行分類，并建立生物學(xué)關(guān)聯(lián)。由于MICI值是基于模型計算得到的，計算簡便，無需各中心共享原始數(shù)據(jù)，各中心分類模型獨自訓(xùn)練。除此之外，MICI值可以很好的實現(xiàn)對精神疾病患者及正常人之間的鑒別，具有良好的可解釋性、進化性和可擴展性。

本發(fā)明采用的技術(shù)方案是：

第一方面，本發(fā)明提供一種神經(jīng)影像標記物形態(tài)學(xué)融合分類指數(shù)的構(gòu)建方法，該構(gòu)建方法包括以下內(nèi)容：

獲取M個中心的結(jié)構(gòu)MRI數(shù)據(jù)，提取腦結(jié)構(gòu)像特征數(shù)據(jù)，M為大于1的整數(shù)；

以各中心數(shù)據(jù)進行獨自訓(xùn)練，分別建立各中心的分類模型，獲得M個中心的分類模型，形成模型庫；

對于任意一個樣本，在所有中心的分類模型，計算出該樣本在每個模型每個特征的分類權(quán)重值，即SHAP矩陣，SHAP矩陣的維度為特征數(shù)×模型數(shù)，特征數(shù)為所提取的腦結(jié)構(gòu)像特征數(shù)據(jù)的個數(shù)B；然后以每個模型訓(xùn)練時使用的樣本量為權(quán)重，按照公式(1)計算獲得單一的形態(tài)學(xué)融合分類指數(shù)MICI值；