阿尔茨海默病(Alzheimersdisease，AD)是一种具有记忆障碍和认知衰退特征的神经退行性疾病。现有的治疗只能暂时帮助缓解记忆和认知问题，不能根治。为了获得疾病的控制治疗，迫切需要对AD病程进行分类，以便早期准确诊断，及时治疗。国内外大量研究人员通过研究AD患者脑神经影像学结构和功能的变化，试图寻找能够有助于AD临床诊断的生物标志物，为早期诊断提供价值。
结构磁共振成像(structuralmagneticresonanceimaging，sMRI)由于其无创性和高普及性的优点，广泛应用于AD早期诊断。近年来，随着科学技术的发展，大量结合机器学习的医学图像数据被用于AD的分类预测，如何选择特征选择算法对疾病预测至关重要。目前，在影像学的AD研究中常采用主成分分析法、偏最小二乘法等进行降维，使用支持向量机(supportvectormachine，SVM)、逻辑回归(logisticregression，LR)、随机森林(randomforest，RF)等各种分类模型来验证和评估提取的特征是否具有良好的分类性能。这些研究证实，基于图像结构信息的疾病分类技术对临床诊断更有帮助。然而，MRI原始图像维数高，早期AD结构变化不明显以及研究样本总数的限制使得AD早期评估和诊断的发展受到限制，并且由于不同的实验条件导致研究结果的不同，至今很难有高效准确的算法能够应用于临床。
山西医科大学范炤教授团队基于sMRI数据和患者临床信息特征[年龄、性别、教育水平、简易智力状态检查(Mini-MentalStateExamination，MMSE)评分]提出一种L1-SVM特征选择法，通过与SVM、RF、LR、误差逆传播(backpropagation，BP)神经网络这4种分类算法结合建立并选出最合适的预测模型，并创造性地针对每一阶段病程转化给出具体的生物标志物。
该研究受到山西省重点研发计划国际合作项目（D），山西省留学回国人员科技活动择优资助项目（）两项项目资助。
（作者：姚丽丽，范炤）
点击左下角“阅读原文”可查看详细内容；