精神分裂症诊断：一项综合评估
机器学习
2022-07-05 v1
摘要
机器学习模型已成功应用于精神分裂症疾病的诊断。然而，分类模型和特征选择技术对精神分裂症诊断的影响尚未得到评估。在此，我们旨在评估分类模型结合不同特征选择方法在结构磁共振成像数据上的性能。数据包含 72 名精神分裂症患者和 74 名健康对照受试者。我们评估了基于支持向量机（SVM）、随机森林、核岭回归和随机神经网络的不同分类算法。此外，我们将 T 检验、受试者操作特征曲线（ROC）、Wilcoxon、熵、Bhattacharyya、最小冗余最大相关性（MRMR）和邻域成分分析（NCA）作为特征选择技术进行了评估。基于评估结果，采用高斯核的 SVM 模型优于其他分类模型，而 Wilcoxon 特征选择被证明是最佳的特征选择方法。此外，就数据模态而言，整合灰质和白质的性能优于单独使用灰质或白质的性能。我们的评估表明，分类算法结合特征选择方法会影响精神分裂症疾病的诊断。这表明，恰当选择特征和分类模型可以改善精神分裂症的诊断。
引用
@article{arxiv.2203.11610,
title = {Diagnosis of Schizophrenia: A comprehensive evaluation},
author = {M. Tanveer and Jatin Jangir and M. A. Ganaie and Iman Beheshti and M. Tabish and Nikunj Chhabra},
journal= {arXiv preprint arXiv:2203.11610},
year = {2022}
}