基于CNN和GWAS的阿尔茨海默症早期诊断研究

发布时间：2020-05-16 04:56

【摘要】：阿尔茨海默症(Alzheimer’s Disease,AD)是一种慢性神经系统退行性疾病。目前,全世界AD患者数量众多且呈迅速增长趋势。AD患者临床表现为失忆、失语、认知功能障碍等。患者生活质量严重下降需要照护,给患者家庭及社会带来沉重负担。AD病因未明,病程不可逆,尚没有能真正治愈AD的方法。尽早诊断出AD并对其进行干预治疗有可能延缓或阻止疾病继续恶化,因此AD早期诊断研究具有十分重要的意义。轻度认知障碍(Mild Cognitive Impairment,MCI)是一种介于AD和健康状态HC(Healthy Controls,HC)之间的状态。研究表明,MCI患者比没有患过MCI的人更有可能发展成AD。因此,如何准确筛查MCI病人成为AD早期诊断研究的热点之一。磁共振成像(Magnetic Resonance Imaging,MRI)是研究AD的重要工具。有研究表明,AD患者的脑部结构具有明显的病理学征象和生物标示,可以通过MRI获得清晰的脑部结构成像用于AD早期诊断。随着对AD研究的不断深入,有研究表明AD受遗传因素影响很大,因此对AD遗传生物标志物的研究有助于更早诊断出易感AD患者。目前,使用机器学习(Machine Learning,ML)或深度学习(Deep Learning,DL)方法对MRI图像进行分析成为研究AD的热门途径,但这些研究方法都存在一些缺陷。通常使用机器学习算法分析MRI图像需要先人工选取感兴趣区域并计算特征用于训练分类模型,这增加了实验的人工成本且人为因素会增加实验的不确定性。使用深度学习算法分析MRI图像虽然能够由算法自适应训练自动提取图像特征,但其特征解释性较差,不方便寻找AD的神经影像学生物标志物。本文第三章结合当前AD研究热点,使用深度学习方法对MRI图像进行分析。我们分析了传统机器学习方法、卷积神经网络(Convolutional Neural Networks,CNN)、三维卷积神经网络的优缺点,最终提出CNN与集成学习(Ensemble Learning)相结合的AD诊断模型。该模型在AD、MCI、HC的分类中表现出比对比论文更高的准确率和稳定性。该模型的特殊结构还可以很方便的定位AD的神经影像学生物标志物。本文第四章基于我们提出的AD诊断模型找出了AD的神经影像学生物标志物,并借助脑图谱对这些神经影像学生物标志物进行描述。我们找出的AD的神经影像学生物标志物包括海马体、杏仁核、颞叶等公认的AD相关脑区,还包含了一些新的脑区。这表明我们找出的AD构性神经影像学生物标志物符合当前AD研究经验,具有较高的参考价值。另外我们还进一步对我们找出的AD神经影像学生物标志物进行了行为域分析,实验结果表明这些生物标志物的行为域分布与AD患者的临床特征相吻合,进一步证明我们寻找到的AD结构性神经影像学生物标志物的正确性。本文第五章基于本文提出的AD早期诊断模型和AD结构性神经影像学生物标志物,结合基因数据对AD的遗传生物标志物进行了探索。我们将被试的基因数据与被试MRI图像中AD特异性强的脑区的体积数据进行全基因组关联分析(Genome-Wide Association Study,GWAS),寻找到了与AD结构性神经影像学生物标志物体积相关的遗传变异。这些遗传变异可以作为AD的遗传生物标志物,对AD的早期诊断具有重要意义。
【图文】：

BrainnetomeAtlas概览

曼哈顿,广东工业大学,硕士学位论文,人群

曼哈顿图示例
【学位授予单位】：广东工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP18;R749.16

【相似文献】