结合表型信息的阿尔兹海默症图卷积神经网络分类方法研究

阿尔兹海默症(AD)的早期检测与发现具有重要的临床和社会意义。由于AD患者的功能性脑网络拓扑性质存在异常变化,并且不同表型类型人群中阿尔兹海默症的患病率也存在着较大差异,因此将脑网络特征和表型信息结合构建训练特征,用于阿尔兹海默症不同阶段的分类。同时,图卷积神经网络(GCN)分类方法被证明是目前对图数据学习任务的最佳选择,因此将GCN应用到AD的分类研究中,完成对健康对照(CN)、早期轻度认知障碍(EMCI)、晚期轻度认知障碍(LMCI)和AD等4种类型的分类。采用群体图卷积神经网络的基本框架,对ADNI数据库中300个被试进行分类,并分别在群体图被试间的相似度和被试的脑网络特征这两个方面提出改进方法。在被试间的相似度方面,使用相加法、提高初值法、仅特征相似度、仅表型相似度以及其他4种组合法进行其他表型图结构的构建;在被试的脑网络特征方面,结合多模态的思想,将表型信息转换为二元特征,与脑网络特征拼接,作为分类特征。除此之外,还分别尝试使用不同种表型信息进行试验。最后利用10折交叉法进行验证,结果表明两方面的改进都能一定程度上提高准确率,仅使用脑网络相似度作为图构建的边权,不做降维处理的表型信息(年龄或性别)作为被试(节点)的特征,分类准确率最优。与原方法群体图卷积神经网络相比,可将准确率从80%提高到82%。说明脑网络特征和表型信息都是脑疾病分类任务中的重要特征,有助于提高分类任务的准确率,因此具有一定的研究意义。