利用长短期记忆网络从静息态fMRI数据表征帕金森病的早期疾病阶段
神经元与认知
2022-07-22 v1 机器学习
信号处理
定量方法
摘要
帕金森病（PD）是一种常见且复杂的神经退行性疾病，在Hoehn and Yahr量表中分为5期。鉴于PD的异质性，对早期1期和2期进行分类并检测脑功能改变具有挑战性。功能磁共振成像（fMRI）是揭示PD功能连接（FC）差异和开发生物标志物的有力工具。一些机器学习方法如支持向量机和逻辑回归已成功应用于基于fMRI数据的PD早期诊断，优于基于人工选择形态学特征的分类器。然而，FC变化的早期阶段表征尚未充分研究。鉴于fMRI数据的复杂性和非线性，我们提出使用长短期记忆（LSTM）网络来表征PD的早期阶段。研究纳入了来自Parkinson's Progression Markers Initiative（PPMI，最大的可用公开PD数据集）的84名受试者（2期56人，1期28人）。在重复的10折分层交叉验证下，LSTM模型达到71.63%的准确率，比最佳传统机器学习方法高13.52%，表明相较其他机器学习分类器具有显著更好的鲁棒性和准确性。我们利用学习到的LSTM模型权重筛选对模型预测贡献最大的脑区，并进行FC分析以表征随疾病阶段和运动障碍的功能改变，从而更好地理解PD的脑机制。
引用
@article{arxiv.2202.12715,
title = {Early Disease Stage Characterization in Parkinson's Disease from Resting-state fMRI Data Using a Long Short-term Memory Network},
author = {Xueqi Guo and Sule Tinaz and Nicha C. Dvornek},
journal= {arXiv preprint arXiv:2202.12715},
year = {2022}
}
备注
Submitted to IEEE Journal of Biomedical and Health Informatics