在阿尔茨海默氏病诊断中,共享多重规则化联合特征选择用于联合分类和回归

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 生物医学数据分析

背景情况:

• 阿尔茨海默病 (AD) 诊断需要准确预测疾病标签和认知分数.
• 使用神经成像数据进行AD诊断的现有方法通常将分类和回归视为单独的任务.
• 需要统一的框架,可以共同利用神经成像数据用于AD诊断中的分类和回归.

研究的目的:

• 为阿尔茨海默病 (AD) 诊断提出一个统一的框架,用于分类和回归任务进行联合特征选择.
• 为了开发一种新型模型,Shared Manifold调整了联合特征选择 (SMJFS),用于使用神经成像数据集成AD诊断.
• 通过同时预测疾病标签和估计认知得分来提高AD诊断的准确性.

主要方法:

• 开发了共享多重规范联合特征选择 (SMJFS) 模型,将分类和回归集成在一个单一的框架内.
• 为了进行分类,采用了线性差异分析和子空间散度规范化,结合了自适应的局部数据结构学习.
• 对于回归,引入了一个潜在的得分空间来建模认知得分相关性,并利用l2,1-规范规范化,使得缺失得分的归算成为可能.

主要成果:

• 拟议的SMJFS模型有效地执行联合特征选择,用于AD诊断中的分类和回归.
• 在三个数据集上的实验表明了SMJFS模型选择的特征的歧视力.
• 该模型成功地捕捉了分类和回归任务之间的相关性,并利用了本地数据关系.

结论:

• SMJFS模型为AD诊断提供了一个强大的统一框架,通过联合分析神经成像数据进行分类和回归,优于现有的方法.
• 适应式共享图表机制有效指导子空间学习和潜在得分学习,提高诊断性能.
• 提出的方法为推进精确和全面的阿尔茨海默病诊断提供了一个有希望的方向.