机器学习技术在阿尔兹海默症分类诊断中的应用

汪露雲

摘要：阿尔兹海默症是一种起病隐匿且不可逆的神经系统退行性疾病，主要影响老年人。早期阿尔兹海默症的诊断至关重要。研究人员提出了很多阿尔茨海默症的分类方法。本文，我们回顾了机器学习技术在阿尔兹海默症分类诊断中的应用，分别是支持向量机、人工神经网络、深度学习，文中对这三种方法进行了详细的阐述，并提出了可能的发展方向。

关键词：阿尔兹海默症；支持向量机；人工神经网络；深度学习

中图分类号： 文献标识码：A 文章编号：

1．引言

阿尔兹海默症(Alzheimer’s Disease，AD)是一种起病隐匿且不可逆的神经系统退行性疾病^[1]。临床上以记忆障碍、失语、失用、失认、视空间技能损害、执行功能障碍以及人格和行为改变等全面性痴呆为表现特征。世界阿尔兹海默症2018年报告显示：阿尔兹海默症在致老年人死亡的疾病中排在第四位，2018年全球约有5000万人患有痴呆，2030年预计增加到8200万人，预计2050年将达13150万人次，几乎每20年翻一番，其中50%-75%为阿尔茨海默症患者。国家老年疾病临床医学研究中心指出，中国的阿尔兹海默症患者人数已居世界第一，目前已达到800多万，65岁以上老年人AD发病率在4%-6%，预计到2050年将超过2000万，并且呈不降反增态势。2015年全球痴呆症的治疗费用高达8180亿美金，预计在2030年，痴呆症的治疗费用将升至20000亿美金，在医疗经费、及物力等方面给社会带来了沉重的负担，并严重影响了国民经济及社会稳定发展^[2]。

老年人的认知功能监测是识别早期AD的重要工具，对AD的早期发现和干预至关重要。神经影像学研究^[3]的最新进展表明AD的病理学改变可在临床表现前发现。在AD患者中，从健康专题到老年痴呆的时间跨度长达多年^[4]。首先，患者从轻度认知障碍（MCI）发展成为老年痴呆。但是，并不是所有的轻度认知障碍回转变为阿尔兹海默症^[5]。因此，主要的研究的重点是预测MCI向AD的转化。目前应用于AD的神经影像学技术主要包括结构磁共振程序（structural magnetic resonance imaging, sMRI）、功能磁共振成像（functional magnetic resonance imaging, fMRI）、弥散张量成像（diffusion tensor imaging, DTI）和正电子断层成像（positron emission tomography, PET）。因此，利用神经成像方法对阿尔兹海默症进行神经成像分类和轻度认知障碍的预测已经成为了一个重要的研究领域。目前常用的机器算法包括支持向量机(support vector machine, SVM)、逻辑回归分类（logistic regression classification, LRC）、人工神经网络(artificial neural network, ANN)、深度学习(deep learning, DL)、神经网络、决策树等等。在过去十年中，发现机器学习技术对于诊断阿尔茨海默症非常的有用^[6-8]。在不同的机器学习技术中，选择了三种主要方法，即支持向量机、人工神经网络、深度学习。本文对每种技术在阿尔茨海默症的分类诊断进行了分析。

2．支持向量机

支持向量机是一类按监督学习方式对数据进行分类的广义线性分类器，其决策边界是对学习样本求解的最大边距超平面。SVM是使用最大余量原理对数据点进行分类，为了对非线性可分离数据进行分类，内核函数^[9]已用于将数据转换为更高维度。此外，提出了SVM的各种变型以提高其性能。Ortiz等人^[10]使用PET和sMRI数据通过稀疏逆协方差估计方法和SVM来找到最具有区别性的特征，对CN和AD进行分类。Kloppel等人^[11]使用线性SVM对阿尔兹海默症进行分类，并发现SVM有助于AD的诊断。Bi等人^[12]使用随机支持向量机群集使用rs-fMRI数据集对CN和AD进行分类，有助于减少训练数据的大小，降低计算复杂性。接下来我们讨论使用支持向量机方法来对阿尔兹海默症进行分类（表1）。

表1.基于支持向量机的阿尔兹海默症分类

序号	年份	作者	对象	模式	方法	数据	准确率(%)
1	2008	Vemuri et al.[13]	CN vs AD	sMRI(T1)	SVM(Linear)	380(190CN,190AD)	89.3
2	2008	Kloppel et al.[11]	CN vs AD	sMRI(T1)	SVM(Linear)	68(34CN,34AD)	95.6
			CN vs mAD			90(57CD,33AD)	85.6
3	2010	Plant et al.[14]	CN vs AD	sMRI(T1)	SVM(Linear)	74(18CN,24MCI,32AD)	90
			CN vs MCI				97.62
			MCI vs AD				95.83
4	2013	Segovia et al.[15]	CN vs AD	SPECT	SVM(Linear)	97(41CN,56AD)	91.75
5	2015	Zhang et al.[16]	CN vs MCI vs AD	sMRI(T1)	SVM(RBF)	178(97CN,57MCI,24AD)	81.5
6	2015	Ortiz et al.[10]	CN vs AD	FDG-PET+sMRI	SVM(Linear)	249(68CN,111MCI,70AD)	92
			CN vs MCI				86
			MCI vs AD				84
7	2017	Alam et al.[17]	CN vs AD	sMRI(T1)	SVM(Multiple kernel)	293(102CN,102MCI,89AD)	93.85
			CN vs MCI				86.54
			MCI vs AD				75.12
8	2017	Lu et al.[18]	CN vs MCI	FDG-PET	RF-RSVM	272(152CN,120MCI)	90.53
9	2018	Bi et al.[12]	CN vs AD	Rs-fMRI	RSVM(RBF)	61(36CN,25AD)	94.44

3.人工神经网络

人工神经网络(ANN)是由大量的、简单的处理单元（神经元）广泛连接形成的复杂网络系统，反映了人脑功能的许多基本特征，广泛被应用于对数据高度非线性模型进行建模的机器学习模型中。人工神经网络并非真实的人脑生物神经网络，只是对它的简化、抽象和模拟。对人工神经网络可以划分为两层神经网络、三层神经网络、多层神经网络。Savio 等人^[19]比较了ANN的不同变体，例如径向基函数神经网络（RBFNN）、概率神经网络（PNN）、学习矢量量化神经网络（LVQNN），发现LVQNN的结果最好。Kar等人^[20]使用模糊方法和ANN来区分使用DTI图像的CN和AD 被试。Naami等人^[21]利用ANN来区分AD和MRI，该方法的鲁棒性可以有效地用于AD图像的诊断和判定。接下来我们讨论使用人工神经网络方法对阿尔兹海默症进行分类（表2）。

表2.基于人工神经网络的阿尔兹海默症分类

序号	年份	作者	对象	模式	方法	数据	准确率(%)
1	2011	Rodrigues et al.[22]	CN vs AD	EEG	ANN	34(14CN,20 probable AD)	91.5
2	2015	Wang et al.[23]	CN vs AD	sMRI(T2)	ANN	481(73CN,408AD)	100
3	2017	Jha et al.[24]	CN vs AD	sMRI(T1)	PCA+FFNN	126(98CN,28AD)	90.06
4	2018	Cui et al.[25]	CN vs AD	sMRI(T1)	ANN+BGRU	427(128AD,229CN)	86.87
5	2019	Kar et al.[20]	CN vs AD	sMRI(T1、T2),CT	ANN	20(9AD,11CN)	100

4．深度学习和其他方法

深度学习的概念源于人工神经网络的研究，即多层神经网络。深度学习通过组合低层特征形成更加抽象的高层来表示属性的类别或者特征，发现数据的分布式特征表示，用“简单模型”完成复杂的分类等学习任务。在深度学习模型中包含卷机神经网络模型（convolution neural network, CNN）、深度信念网络模型（deep belief network, DBN）、堆栈自编码网络模型(stacked auto-encoder network, SAE)、深度神经网络（deep neural network，DNN）其他方法为包括除了SVM、ANN和DL之外的其他技术，被用于阿尔茨海默症的分类研究。Payan等人^[26]从原始的阿尔兹海默症MRI数据集中随机提取小块采用稀疏编码器预训练CNN的卷积层参数，比较2D CNN和3D CNN的效果。Suk等人^[27]将稀疏回归模型与深层集合稀疏回归网络的深度CNN集合，并且对阿尔兹海默症进行分类。接下来我们讨论使用深度学习方法和其他方法来对阿尔兹海默症进行分类（表3）。就阿尔兹海默症分类来说，深度学习的方法比传统的分类效果更好一些。因此，基于深度学习的阿尔兹海默症分类是为了阿尔兹海默症分类的一个主要研究方向，其具有更多的优势。

表3.基于深度学习的阿尔兹海默症分类

序号	年份	作者	对象	模式	方法	数据	准确率(%)
1	2011	Chincarini et al.[28]	CN vs AD	sMRI(T1)	RF+SVM	635(189CN,302MCI,144AD)	97
			CN vs MCIc				92
			MCInc vs MCIc				74
			CN vs MCI				76.6
2	2016	Hosseini et al.[29]	CN vs AD	sMRI	CNN	210(70CN,70MCI,70AD)	99.3
			AD vs MCI				100
			CN vs MCI				94.20
3	2016	Suk et al.[30]	CN vs MCI	Rs-fMRI	CNN	37(12MCI,25CN)	81.08
4	2017	Sarraf et al.[31]	CN vs AD	Rs-fMRI	DL-CNN		100
5	2018	Lu et al.[32]	CN vs AD	FDG-PET	MDNN	1051(226AD,304CN,409sMCI,112pMCI)	93.58
			sMCI vs pMCI				81.55
6	2019	Spasov et al.[33]	CN vs AD	sMRI(T1)	CNN	785(192AD,184CN,228sMCI,181pMCI)	100
			sMCI vs pMCI				92.5
7	2019	Wang et al.[34]	AD vs MCIs	sMRI(T1)	3D-CNN	833(221AD,297MCI,315CN)	93.61
			CN vs MCIs				98.42
			CN vs AD				98.83
			CN vs AD vs MCI				97.52

5. 结论

本文分析了三种主要的机器学习技术（SVM、ANN、DL）方法对阿尔兹海默症分类诊断中的研究并进行了讨论。支持向量机模型已经被广泛用于阿尔兹海默症，显示了SVM的强大功能。ANN对顺序数据建模，并量化高维空间具有更大的作用。深度学习对高度复杂的数据进行高精度的建模分类准确率更高。在未来的工作中，对于阿尔兹海默症的分类可以更多的关注特征提取阶段，新颖的特征提取模型可以为阿尔兹海默症的诊断提供新的见解，为未来探索有效的阿尔兹海默症治疗手段奠定基础。

参考文献

[1] SHENG J, SHAO M, ZHANG Q, et al. Alzheimer's disease, mild cognitive impairment, and normal aging distinguished by multi-modal parcellation and machine learning [J]. Scientific Reports, 2020, 10(1): 5475.

[2] 柯丽, 徐曼, 柯攀, et al. 老年痴呆患者照料负担研究进展 [J]. 中国老年学杂志, 2019, 039(013): 3310-3313.

[3] BALDACCI F, LISTA S, O’BRYANT S, et al. Blood-Based Biomarker Screening with Agnostic Biological Definitions for an Accurate Diagnosis Within the Dimensional Spectrum of Neurodegenerative Diseases [M]. Biomarkers for Alzheimer’s Disease Drug Development, 2018.

[4] WEINER M W, VEITCH D P, AISEN P S, et al. Recent publications from the Alzheimer's Disease Neuroimaging Initiative: Reviewing progress toward improved AD clinical trials [J]. Alzheimer's & dementia: the journal of the Alzheimer's Association, 2017, 13(4): e1-e85.

[5] DAVATZIKOS C, RESNICK S M, WU X, et al. Inpidual patient diagnosis of AD and FTD via high-dimensional pattern classification of MRI [J]. Neuroimage, 2008, 41(4): 1220-1227.

[6] MORADI E, PEPE A, GASER C, et al. Machine learning framework for early MRI-based Alzheimer's conversion prediction in MCI subjects [J]. NeuroImage, 2015, 104: 398-412.

[7] ENRICO P, LUCIA B, VALDES H, et al. Machine learning of neuroimaging for assisted diagnosis of cognitive impairment and dementia: A systematic review [J]. Alzheimers & Dementia Diagnosis Assessment & Disease Monitoring, 2018, 10: 519-535.

[8] TERMENON M, GRANA M, BESGA A, et al. Lattice independent component analysis feature selection on diffusion weighted imaging for Alzheimer's disease classification [J]. Neurocomputing, 2013, 114(19): 132-141.

[9] CRISTIANINI N, SCHLKOPF B. Support Vector Machines and Kernel Methods: The New Generation of Learning Machines [J]. Ai Magazine, 2002, 23(3): 31-41.

[10] ANDRÉS O, JORGE M, IGNACIO Á-I, et al. Exploratory graphical models of functional and structural connectivity patterns for Alzheimer's Disease diagnosis [J]. Frontiers in Computational Neuroscience, 2015, 9.

[11] STEFAN K, STONNINGTON C M, CHU C, et al. Automatic classification of MR scans in Alzheimer's disease [J]. Brain, 2008, 131(3): 681-689.

[12] BI X A, SHU Q, QI S, et al. Random support vector machine cluster analysis of resting-state fMRI in Alzheimer's disease [J]. Plos One, 2018, 13(3): e0194479.

[13] VEMURI P, GUNTER J L, SENJEM M L, et al. Alzheimer's disease diagnosis in inpidual subjects using structural MR images: Validation studies [J]. Neuroimage, 2008, 39(3): 1186-97.

[14] PLANT C, TEIPEL S J, OSWALD A, et al. Automated detection of brain atrophy patterns based on MRI for the prediction of Alzheimer's disease [J]. Neuroimage, 2010, 50(1): 162-174.

[15] SEGOVIA F, GORRIZ J M, RAMIREZ J, et al. Early diagnosis of Alzheimer's disease based on Partial Least Squares and Support Vector Machine [J]. Expert Systems with Applications, 2013, 40(2): 677-683.

[16] ZHANG Y, WANG S, PHILLIPS P, et al. Detection of Alzheimer's disease and mild cognitive impairment based on structural volumetric MR images using 3D-DWT and WTA-KSVM trained by PSOTVAC [J]. Biomedical Signal Processing & Control, 2015, 21: 58-73.

[17] ALAM S, KWON G R. Alzheimer disease classification using KPCA, LDA, and multi‐kernel learning SVM [J]. International Journal of Imaging Systems & Technology, 2017, 27(2): 133-143.

[18] SHEN, LU, YONG, et al. Early identification of mild cognitive impairment using incomplete random forest-robust support vector machine and FDG-PET imaging [J]. Computerized Medical Imaging & Graphics the Official Journal of the Computerized Medical Imaging Society, 2017, 60: 35-41.

[19] SAVIO A, GARCÍASEBASTIÁN M, HERNÁNDEZ C, et al. Classification Results of Artificial Neural Networks for Alzheimer's Disease Detection; proceedings of the International Conference on Intelligent Data Engineering & Automated Learning, F, 2009 [C].

[20] KAR S, MAJUMDER D D. A Novel Approach of Diffusion Tensor Visualization Based Neuro Fuzzy Classification System for Early Detection of Alzheimer's Disease [J]. Journal of Alzheimer's Disease Reports, 2019, 3(1) : 1-18.

[21] AL-NAAMI B, GHARAIBEH N, KHESHMAN A R. Automated Detection of Alzheimer Disease Using Region Growing technique and Artificial Neural Network; proceedings of the ICBCBBE 2013 : International Conference on Bioinformatics, Computational Biology and Biomedical Engineering, F, 2013 [C].

[22] RODRIGUES P, TEIXEIRA J P. Artificial Neural Networks in the Discrimination of Alzheimer's Disease [J]. Springer Berlin Heidelberg, 2011, 221: 272-281.

[23] WANG, SHUIHUA, ZHANG, et al. Feed-forward neural network optimized by hybridization of PSO and ABC for abnormal brain detection [J]. International journal of imaging systems and technology, 2015, 25(2): 153-164.

[24] DEBESH J, JI-IN K, GOO-RAK K. Diagnosis of Alzheimer's Disease Using Dual-Tree Complex Wavelet Transform, PCA, and Feed-Forward Neural Network [J]. Journal of Healthcare Engineering,2017 : 9060124.

[25] CUI R, LIU M, LI G. Longitudinal analysis for Alzheimer's disease diagnosis using RNN; proceedings of the 2018 IEEE 15th International Symposium on Biomedical Imaging (ISBI 2018), F, 2018 [C].

[26] PAYAN A, MONTANA G. Predicting Alzheimer's disease: a neuroimaging study with 3D convolutional neural networks [J]. Computer Science, 2015.

[27] SUK H I, SHEN D. Deep Ensemble Sparse Regression Network for Alzheimer's Disease Diagnosis; proceedings of the International Workshop on Machine Learning in Medical Imaging, F, 2016 [C].

[28] CHINCARINI A, BOSCO P, CALVINI P, et al. Local MRI analysis approach in the diagnosis of early and prodromal Alzheimer's disease [J]. Neuroimage, 2011, 58(2): 469-80.

[29] HOSSEINI-ASL E, GIMEL'FARB G, EL-BAZ A. Alzheimer's Disease Diagnostics by a Deeply Supervised Adaptable 3D Convolutional Network [J]. Front Biosci, 2016, 23(3): 584-596.

[30] SUK H I, WEE C Y, LEE S W, et al. State-space model with deep learning for functional dynamics estimation in resting-state fMRI [J]. Neuroimage, 2016, 129(1): 292-307.

[31] SARRAF S, DESOUZA D D, ANDERSON J A E, et al. DeepAD: Alzheimer's Disease Classification via Deep Convolutional Neural Networks using MRI and fMRI [J]. bioRxiv, 2016.

[32] LU D, POPURI K, DING G W, et al. Multiscale deep neural network based analysis of FDG-PET images for the early diagnosis of Alzheimer's disease [J]. Medical Image Analysis, 2018, 46: 26-34.

[33] SPASOV S, PASSAMONTI L, DUGGENTO A, et al. A parameter-efficient deep learning approach to predict conversion from mild cognitive impairment to Alzheimer's disease [J]. NeuroImage, 2019, 189: 276-287.

[34] WANG H, SHEN Y, WANG S, et al. Ensemble of 3D densely connected convolutional network for diagnosis of mild cognitive impairment and Alzheimer's disease [J]. Neurocomputing, 2019, 333: 145-156.