使用进化算法对静息态 fMRI 进行分类：迈向帕金森病的脑成像生物标志物
神经与进化计算
2019-10-15 v1 神经元与认知
摘要
对神经退行性疾病的准确早期诊断和监测对于有效的疾病管理和药物及治疗交付至关重要。本研究通过考虑进化算法的新颖应用，开发用于检测帕金森病（PD）脑成像临床前生物标志物的自动方法。本工作的一个基本新颖要素是使用进化算法，利用来自 PPMI 的静息态功能 MRI 数据映射和预测患者的功能连接，以识别 PD 进展生物标志物。具体而言，使用笛卡尔遗传编程（Cartesian Genetic Programming）对 DCM 数据以及时间序列数据进行分类。使用另外两种常用分类方法（人工神经网络和支持向量机）并采用 k 折交叉验证对结果进行验证。在 DCM 和时间序列分析中，结果发现早期（前驱）PD 患者与健康对照的最大准确率为 75.21%，PD 患者与前驱 PD 患者为 85.87%，PD 患者与健康对照为 92.09%。前驱 PD 患者与健康对照被高精度分类——这一点值得注意并代表了本研究的关键发现，因为当前诊断前驱 PD 的方法可靠性和准确性均较低。此外，笛卡尔遗传编程提供了与 ANN 和 SVM 相当的性能精度。进化算法使我们能够相对于 ANN 和 SVM 更容易地从理解所用数据输入的角度解码分类器。因此，这些发现强调了 DCM 分析用于分类的相关性，以及 CGP 作为脑成像数据新颖分类工具的意义，对疾病诊断尤其是早期和无症状阶段的医学应用具有启示。
引用
@article{arxiv.1910.05378,
title = {Classification of Resting-State fMRI using Evolutionary Algorithms: Towards a Brain Imaging Biomarker for Parkinson's Disease},
author = {Amir Dehsarvi and Stephen L. Smith},
journal= {arXiv preprint arXiv:1910.05378},
year = {2019}
}