基于人工智能方法的额颞叶痴呆分层分类以提升诊断预测性
人工智能
2021-04-13 v1
摘要
额颞叶痴呆（FTD）患者具有认知能力下降、执行与行为特征异常、语言功能丧失及记忆能力减退。基于皮质萎缩与症状的不同模式，FTD谱系主要包括三种变体：行为变异型FTD（bvFTD）、非流利变异型原发性进行性失语（nfvPPA）和语义变异型原发性进行性失语（svPPA）。本研究旨在通过对皮质厚度数据应用人工智能（AI）数据驱动技术，将每位受试者的MRI图像按层次顺序分类至FTD某一谱系。该数据由FreeSurfer软件计算。我们采用最小单值段同化核（SUSAN）技术以降低皮质厚度数据中的噪声。具体地，我们从额颞叶变性神经影像倡议（NIFTD）数据库取204名受试者验证该方法，每人均被诊断为以下诊断类别之一（bvFTD、svPPA、nfvPPA及认知正常）。我们提出的自动分类模型在10折交叉验证中，使用支持向量机（SVM）、线性判别分析（LDA）和朴素贝叶斯方法分别取得86.5、76和72.7的分类准确率，较传统单一多类模型准确率82.7、73.4和69.2有显著提升。
引用
@article{arxiv.2104.05235,
title = {Artificial Intelligence Methods Based Hierarchical Classification of Frontotemporal Dementia to Improve Diagnostic Predictability},
author = {Km Poonam and Rajlakshmi Guha and Partha P Chakrabarti},
journal= {arXiv preprint arXiv:2104.05235},
year = {2021}
}