[發明專利]一種基于多中心模型的精神分裂癥分類方法及系統

有效

• 申請號: 202110494546.7
• 申請日: 2021-05-07
• 公開（公告）號: CN113197578B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 于春水;秦文;謝穎瀅;張士杰;丁皓
• 申請（專利權）人: 天津醫科大學
• 主分類號: A61B5/16
• 分類號: A61B5/16;A61B5/055
• 代理公司: 天津翰林知識產權代理事務所(普通合伙) 12210
• 代理人: 付長杰;張國榮

本發明為一種基于多中心模型的精神分裂癥分類方法及系統，方法包括一、數據準備：采集樣本的腦MRI圖像，對腦MRI圖像進行處理，提取多個腦結構特征得到特征矩陣；對特征矩陣進行協變量回歸處理，然后再進行標準化處理；每個中心都按照此步驟準備各自的數據集；二、每個中心均利用機器學習分類器構建各自的單中心模型，利用各自的數據集訓練各自的單中心模型；三、利用各個單中心模型對待分類的測試樣本進行分類，得到待分類的測試樣本對應每個中心的分類概率值；將每個中心的分類概率值和權重進行加權求和，得到基于多中心模型的分類概率值，將各個單中心模型集成為用于分類的多中心模型。實現各中心的數據共享，每個中心無需共享原始數據。

技術領域

本發明涉及神經疾病診斷技術領域，尤其涉及一種基于多中心模型的精神分裂癥分類方法及系統。

背景技術

精神分裂癥是一種嚴重的精神疾病，客觀的輔助檢查手段是精神分裂癥早期診斷的基礎，并且有助于精神分裂癥的治療和改善預后。大量的研究表明精神分裂癥患者與正常人的大腦結構存在差異，因此目前普遍采用磁共振成像(MRI)獲得全面的大腦結構和功能信息，對精神分裂癥進行診斷，但是這種診斷結果存在很大的異質性，容易導致診斷結果不準確。

目前雖然有很多結合通過機器學習的方法進行神經影像的分類分析，但是大多具有以下的局限性：1)針對單中心數據，樣本量少，有限的樣本量往往導致分類模型的泛化性能較差；2)針對所有中心的原始數據進行訓練，無法避免原始數據量大的問題及倫理問題。然而，多中心研究可以明顯增加樣本量以及提升分類模型的泛化能力，在大數據分析中發揮重要作用。

綜上所述，本發明提出一種基于多中心模型的分類方法，每個中心只需要利用自己的樣本訓練各自的單中心模型，通過每個單中心的分類概率值和權重進行加權求和得到基于多中心模型的分類結果，通過多中心模型實現數據共享。

發明內容

針對現有技術的不足，本發明擬解決的技術問題是，提出了一種基于多中心模型的精神分裂癥分類方法及系統。

本發明解決所述技術問題采用以下技術方案：

一種基于多中心模型的精神分裂癥分類方法，其特征在于，該方法包括以下步驟：

步驟一、數據準備：采集樣本的腦MRI圖像，對腦MRI圖像進行處理，提取多個腦結構特征，這些腦結構特征構成特征矩陣；對特征矩陣進行協變量回歸處理，然后再進行標準化處理；每個中心都按照此步驟準備各自的數據集；

步驟二、每個中心均利用機器學習分類器構建各自的單中心模型，利用各自的數據集訓練各自的單中心模型；

步驟三、利用各個單中心模型對待分類的測試樣本進行分類，得到待分類的測試樣本對應每個中心的分類概率值；

根據式(1)計算各個單中心模型在所有單中心模型中的權重；

式(1)中，w_i表示第i個中心的權重，n_i表示第i個中心的樣本數，N表示所有中心的樣本總數；

利用式(2)將每個中心的分類概率值和權重進行加權求和，得到基于多中心模型的分類概率值P，以此將各個單中心模型集成為多中心模型；

其中，P_i表示第i個中心對應的單中心模型的分類概率值；m表示中心總數；

用多中心模型對待分類的測試樣本進行精神分裂癥的分類。

當基于多中心模型的分類概率值大于或等于0.5則認為是精神分裂癥患者，基于多中心模型的分類概率值小于0.5則認為是正常人。

所述機器學習分類器為XGBoost分類器。