利用高维影像生物标志物的基于事件模型估计痴呆的空间进展
机器学习
2019-03-11 v1 定量方法
机器学习
摘要
基于事件的模型 (EBM) 是一类疾病进展模型，可用于从横截面数据估计神经病理变化的时间顺序。当前的 EBM 仅处理标量生物标志物（如区域体积）作为输入。然而，区域聚合是对底层高分辨率图像的粗略总结，可能限制 EBM 的准确性。因此，我们提出了一种利用高维体素级影像生物标志物的新方法：n 维判别 EBM (nDEBM)。nDEBM 基于这样一个洞察：作为传统 EBM 关键元素的混合建模可以被更具可扩展性的半监督支持向量机 (SVM) 方法所取代。该 SVM 用于估计每个区域的异常程度，随后用于获取受试者特异性的疾病进展模式。这些模式进而用于通过拟合广义 Mallows 模型来估计平均顺序。为了验证使用 nDEBM 获得的生物标志物顺序，我们还提出了一个影像生物标志物时间演化模拟 (SImBioTE) 框架，该框架模拟大脑区域中的神经退行性病变。SImBioTE 在不同大脑区域独立训练变分自编码器 (VAE)，以模拟疾病进展不同阶段的图像。我们还使用来自阿尔茨海默病神经影像学计划 (ADNI) 的数据对 nDEBM 进行了临床验证。在这两项实验中，使用高维特征的 nDEBM 比使用区域体积生物标志物的 SOTA EBM 方法具有更好的性能。这表明 nDEBM 是一种有前景的疾病进展建模方法。
引用
@article{arxiv.1903.03386,
title = {Event-Based Modeling with High-Dimensional Imaging Biomarkers for Estimating Spatial Progression of Dementia},
author = {Vikram Venkatraghavan and Florian Dubost and Esther E. Bron and Wiro J. Niessen and Marleen de Bruijne and Stefan Klein},
journal= {arXiv preprint arXiv:1903.03386},
year = {2019}
}
备注
IPMI 2019