基于判别性子图重构的轻微肝性脑病分类*

大量研究表明轻微肝性脑病(MHE)与脑功能网络的异常相关,但难于寻找与MHE相关的异常子网络。为了解决这个问题,文中提出判别性子图重构的方法用于寻找与MHE相关的子网络,并将子网络用于MHE的分类。首先分别从MHE病人和非MHE(NMHE)病人的功能网络中挖掘一组频繁子图。然后,从频繁子图中挑选判别性子图用于重构原网络,并将判别性子图合并用于重构原网络。最后,使用图核计算重构网络之间的相似性,并使用核SVM分类。在包括77位肝硬化病人的数据集上的实验获得较高的分类精度,从而验证方法的有效性。     

基于脑连接网络的阿尔茨海默病临床变量值预测

目前脑功能连接网络已被广泛用于大脑疾病诊断,然而传统的脑网络分类方法无法评估疾病所处的阶段以及预测病情的发展。近期的研究表明,脑疾病的临床变量值可以有效地帮助医生进行疾病评估,为此提出一种基于脑连接网络的方法,用于对阿尔茨海默病临床变量值进行预测。首先从脑影像中提取功能连接网络,然后使用LASSO进行特征选择,剔除不具有判别性的边。同时融合网络的聚类系数和边的权重作为特征。最后使用支持向量回归机预估临床变量值。在ADNI数据集上对提出的方法进行验证,实验结果表明,提出的方法不仅能够准确地预测疾病临床变量值而且还验证了多种特征融合的有效性。