增强的粒子群优化用于基于SVM的阿尔茨海默病诊断中的特征选择

科学领域:

• 神经成像是一种神经成像.
• 计算智能是一种计算智能.
• 生物医学工程 生物医学工程

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,发病率和社会经济负担越来越高.
• 早期诊断对于患者的治疗结果和疾病管理至关重要.
• 磁共振成像 (MRI) 揭示了大脑的结构变化,但提取相关特征是具有挑战性的.

研究的目的:

• 提出一个增强的粒子群集优化 (PSO) 算法,OLDPSO,用于改善阿尔茨海默病 (AD) 诊断的特征选择.
• 使用MRI数据开发和验证一个OLDPSO-SVM模型来分类AD,轻度认知障碍 (MCI) 和正常控制 (NC).
• 通过优化特征选择,提高基于MRI的AD检测的诊断准确度.

主要方法:

• 开发了一个增强的粒子优化 (PSO) 算法,OLDPSO,集成基于对立的拉丁方格采样初始化和动态惯性权重.
• 一个支持向量机 (SVM) 模型被用于分类,利用由OLDPSO算法选择的特征.
• 该模型是使用阿尔茨海默病神经成像计划 (ADNI) 的数据进行训练和验证的.

主要成果:

• 与现有的PSO变体相比,OLDPSO算法在解决方案质量和融合速度方面表现出卓越的性能.
• OLDPSO-SVM模型在区分AD,MCI和NC群体方面取得了高准确性,在各种比较中报告了特定的准确性 (例如,AD与NC的99.11%).
• 将灰质 (GM) 和白质 (WM) 结合起来,可以提高诊断准确度,该模型确定了与AD进展相关的关键大脑区域.

结论:

• OLDPSO-SVM模型为基于MRI的阿尔茨海默氏病诊断提供了强大而准确的方法.
• 使用OLDPSO优化的特征选择显著提高了AD和MCI的诊断性能.
• 这项研究为开发神经退行性疾病的先进多式联络诊断工具提供了宝贵的见解.