基于局部结构保存和冗余删除的特征选择方法及其应用于确定精神分裂症生物标志物的应用

科学领域:

• 神经成像和计算精神病学
• 机器学习用于医学诊断.

背景情况:

• 精确诊断精神疾病的依赖于确定可靠的神经成像生物标志物.
• 目前的特征选择方法难以捕获本地样本结构并删除多余的特征,限制诊断性能.
• 现有的技术往往无法识别复杂的大脑疾病的强大的生物标志物.

研究的目的:

• 开发一种新的监督特征选择方法,LRFS,用于识别可靠的神经成像生物标志物.
• 解决现有方法中保留局部结构和删除多余特征的局限性.
• 提高诊断精神障碍的准确性,特别是精神分裂症 (SZ).

主要方法:

• 提出了一种基于局部结构保存和冗余消除的特征选择 (LRFS) 方法.
• 利用基于图形的规范化来保持样本相似性和局部结构.
• 集成的冗余清除规范化和l2,1稀疏规范化用于特征选择.

主要成果:

• 在8个公共数据集上,LRFS在9种流行的方法中表现优越,平均准确度提高1.30%至9.11%.
• 应用于708名健康对照 (HC) 和537名SZ患者的fMRI数据,LRFS将分类准确度提高1.89%至9.24%.
• 在SZ患者中,鉴定了与 thalamus 相关的功能网络连接的显著变化,与临床症状相关.

结论:

• 拟议的LRFS方法有效地识别了用于生物标志物发现的区分和可靠的神经成像特征.
• 通过提高分类准确性和稳定性,LRFS提高了精神障碍的精确诊断.
• 这些发现为更好地了解大脑异常和推进精神病诊断铺平了道路.