使用基于最大信息系数的功能连接与极端学习机器的阿尔茨海默氏病的分类

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,导致认知能力下降和痴呆.
• 准确和早期诊断AD对于有效的管理和治疗至关重要.
• 功能磁共振成像 (fMRI) 和深度学习为AD分类提供了潜力.

研究的目的:

• 调查基于fMRI的功能连接 (FC) 措施与极端学习机器 (ELM) 结合的有效性,用于对阿尔茨海默病 (AD),轻度认知障碍 (MCI) 和认知正常 (CN) 个体进行分类.
• 在AD分类中比较线性 (皮尔森相关系数 - PCC) 和非线性 (最大信息系数 - MIC,扩展最大信息系数 - eMIC) FC指标的性能.

主要方法:

• 利用fMRI数据来提取使用PCC,MIC和eMIC的功能连接 (FC) 功能.
• 使用极端学习机器 (ELM) 作为分类任务的深度学习模型.
• 评估了三个组的分类性能:CN与MCI,MCI与MCI. AD,和CN与CN的对比. AD. 副总经理.

主要成果:

• 非线性技术 (MIC和eMIC) 在AD分类方面表现优于线性PCC.
• 在CN与MCI分类方面,eMIC实现了94%的准确性,在CN与MCI分类方面达到95%的准确性,在CN与MCI分类方面达到95%的准确性. AD. 副总经理.
• 对于MCI与PCC (58%) 和eMIC (78%) 相比,MIC显示了更高的准确性 (81%). 在AD分类.AD分类.

结论:

• 从非线性方法 (MIC,eMIC) 获得的fMRI特征对于区分AD和MCI与CN个体是有效的.
• 这些发现突显了先进的神经成像和机器学习在改善AD诊断方面的潜力.
• 非线性连接分析为提高AD分类系统的准确性提供了一个有希望的途径.