检索历史 清除

摘要精神类疾病包括自闭症谱系障碍，阿尔茨海默症以及重度抑郁症等，近年来其发病率持续上升，严重影响着数千万的的家庭。同时，功能性磁共振成像作为非侵入式的成像技术能够记录患者全脑活跃程度及反应，已成为当代神经科学研究大脑皮质网络的关键研究方法。目前，机器学习算法的发展为功能性磁共振成像数据分析提供了前所未有的机会，如何通过大数据的分析和建模来辅助医生对精神类疾病进行早期筛查有着重要的现实意义和迫切需求。因此，本文利用国内外公开可用的精神类疾病功能性磁共振成像数据，基于图像处理、多核学习、空间映射等方法构建了初期筛查诊断模型。<br>　　首先，提出了多序列多尺度异步相关性统计分析方法，该方法用于分析精神类疾病功能性磁共振成像中大脑脑区的统计学特征。不同于以往方法，模型创新性地引入了功能性磁共振成像数据中的时序信息、上下文信息和异步相关性，多角度地挖掘大脑各功能区之间的关联信息。本研究统计了在大脑不同脑区之间协同表达的概率分布信息，计算不同时间延迟下样本内任意两个脑区之间的协同表达的频次信息。<br>　　其次，提出了一种的新的基于多核学习的精神类疾病筛查诊断框架，该框架构建了基于单脑区状态转移概率分布和多脑区协同表达概率分布的时间序列核函数，并结合了皮尔逊相关系数和动态时间规整方法，通过多核学习加权融合建立了一个高精度的精神类疾病筛查预测模型。该模型采用概率统计的形式描述了大脑各脑区之间的功能连接变化以及单脑区的异常模式，突破了传统方法中只能以一个或多个标量去定义功能连接的形式，能够更加精准的定位和区分基于大样本下的差异脑区和异常模式。<br>　　最后，提出了一个新的基于随机邻域嵌入的多实例对齐空间映射方法，该方法可以将多个同构空间根据多实例对齐约束项映射到同一个目标空间，得到所有样本在脑区层级的可视化效果。通过提取同名脑区子空间，采用集成学习策略，构建高精度的集成分类器。该模型在公共数据集上进行测试，取得了良好的疾病预测精度。<br>　　总之，本研究运用机器学习计算机技术及生物医学知识对功能性磁共振成像数据展开了工作，为精神类疾病的早期筛查和精准预测提供了思路。