L1正则逻辑回归、L1正则支持向量机和梯度提升决策树对阿尔兹海默症的分类诊断

发布时间：2021-11-17 09:39

　　目的:阿尔兹海默症（Alzheimer’s Disease,AD）由于病情具有多样性和个体异质性,在实际临床分类诊断中存在困难,神经影像学在AD诊断领域发挥着越来越重要的作用。本文提出一种基于大脑皮质、海马体积和基底核的自动分类的技术。该技术应用机器学习的方法,实现对阿尔兹海默症、轻度认知障碍和正常认知对照组的自动分类诊断。AD分类的最终目标是通过应用已在大量患病和健康个体上训练过的分类模型,通过单次MRI扫描生成个体诊断,并预测疾病早期阶段的进展。具体实现两个目标:1.找到高效的特征选择方法,使得挑出的特征值能够作为辅助诊断的重要依据,使临床诊断更高效。2.通过选择合适的机器学习模型,对模型进行优化和校正,训练出适用于临床分类诊断的分类器,提高临床诊断的准确性。方法:1.随机取ANDI数据库（Alzheimer’s Disease Neuroimaging Initiative,ANDI）中543名受试者资料,资料项目包括受试者ID号、结构性磁共振（Structural Magnetic Resonance Imaging,sMRI）图像、简易精神状态评价（Mini Mental S... 

【文章来源】：山西医科大学山西省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

实验方法流程图

山西医科大学（博）硕士学位论文23图2-1272项sMRI数据，L1-LR分类模型下各型特征选择的分类预测准确率折线图表2-8272项sMRI数据，L1-LR分类模型下各型特征选择的分类的特异性、敏感度、AUC值分组NC-EMCINC-LMCINC-ADEMCI-LMCEMCI-ADLMCI-ADL1-LR特征选择特异度（%）83.7596.8690.0057.4587.4675.76敏感度（%）99.4285.8966.3883.1965.8966.61AUC0.9370.9510.9470.8740.9650.880L1-SVM特征选择特异度（%）83.0798.2510082.9990.8680.73敏感度（%）92.2686.4170.4057.4572.5068.57AUC0.9160.9600.9760.8610.9720.874GBDT特征选择特异度（%）79.5797.1379.6467.8686.0669.10敏感度（%）97.8375.8456.1638.0061.7955.18AUC0.8970.9370.8840.7730.9310.780图2-2272项数据，L1-LR模型分类ROC曲线面积图由表2-7、表2-8和图2-1可知，L1-LR分类模型下，LI-SVM和L1-LR特征选

山西医科大学（博）硕士学位论文23图2-1272项sMRI数据，L1-LR分类模型下各型特征选择的分类预测准确率折线图表2-8272项sMRI数据，L1-LR分类模型下各型特征选择的分类的特异性、敏感度、AUC值分组NC-EMCINC-LMCINC-ADEMCI-LMCEMCI-ADLMCI-ADL1-LR特征选择特异度（%）83.7596.8690.0057.4587.4675.76敏感度（%）99.4285.8966.3883.1965.8966.61AUC0.9370.9510.9470.8740.9650.880L1-SVM特征选择特异度（%）83.0798.2510082.9990.8680.73敏感度（%）92.2686.4170.4057.4572.5068.57AUC0.9160.9600.9760.8610.9720.874GBDT特征选择特异度（%）79.5797.1379.6467.8686.0669.10敏感度（%）97.8375.8456.1638.0061.7955.18AUC0.8970.9370.8840.7730.9310.780图2-2272项数据，L1-LR模型分类ROC曲线面积图由表2-7、表2-8和图2-1可知，L1-LR分类模型下，LI-SVM和L1-LR特征选


本文编号：3500646