基于默认网络贝叶斯模型的轻微型肝性脑病的判别方法

Discrimination for minimal hepatic encephalopathy based on Bayesian modeling of default mode network

二维码有效期 120s

摘要为了将轻微型肝性脑病(MHE)患者从正常人中区分出来,首先使用独立分量分析(ICA)从静息态fMRI中提取默认网络(DMN),然后使用基于图像模型的多元分析方法(GAMMA),该算法为基于像素水平贝叶斯方法,用来探索默认网络中的功能整合异常现象和临床参数之间的关系.在没有先验知识的前提下,使用5种机器学习的方法(支持向量机,分类回归树,逻辑回归,贝叶斯网络及C4.5)来进行分类.研究发现DMN中功能整合出现异常,并对MHE有很高的预测能力,准确率达到98％.因此,认为基于GAMMA提取的DMN功能整合异常可作为一个简单、客观的神经影像学标志物来区分MHE,并可成为现有MHE诊断方法的有力补充.

作者焦蕴 ^[1] 王训恒 ^[2] 汤天宇 ^[1] 朱西琪 ^[3] 滕皋军 ^[1] 学术成果认领

作者单位东南大学医学院,南京,210009 ^[1] 杭州电子科技大学生命信息与仪器工程学院,杭州,310018 ^[2] 南京第二医院放射科,南京,210003 ^[3]

关键词基于图像模型的多元分析贝叶斯模型机器学习功能整合轻微型肝性脑病静息态功能磁共振 graphical-model-based multivariate analysis Bayesian modeling machine learning functional integration minimal hepatic encephalopathy resting-state functional magnetic resonance imaging (fMRI)

分类号 TP39l

DOI 10.3969/j.issn.1003-7985.2015.04.026

发布时间 2016-04-19

基金项目

The National Natural Science Foundation of China the Special Program of Medical Science of Jiangsu Province the Natural Science Foundation of Jiangsu Province

翻译满意度评价：

准确一般字义偏差语意偏离译文作用小提交