重建个体特异性效应图谱

在分析神经影像数据中的疾病相关改变时，预测模型允许进行个体特异性推断。给定一个受试者的数据，可以在两个层面进行推断：全局层面，即识别该受试者的疾病状态；局部层面，即检测疾病对从该受试者数据中提取的每个单独测量值的影响。虽然全局推断被广泛使用，但可用于形成个体特异性效应图谱的局部推断却很少被采用，因为现有模型常产生由分散孤立岛状区域组成的噪声检测结果。在本文中，我们提出一种名为RSM的重建方法，以改善预测建模方法（特别是二分类器）的个体特异性检测。RSM专门旨在减少因使用有限训练样本集训练分类器而产生的抽样误差噪声。所提方法是一种包装型算法，可以诊断方式（即无需疾病状态信息）与不同的二分类器配合使用。重建被表述为一个最大后验问题，其先验模型的参数以分类器特定的方式从训练数据中估计。我们在合成生成数据和来自阿尔茨海默病神经影像学倡议（ADNI）数据库的数据上进行了实验评估。合成数据结果表明，与直接使用模型或使用自助法平均相比，使用RSM可获得更高的检测精度。对ADNI数据集的分析表明，RSM还能改善皮层厚度数据中的个体特异性检测与阿尔茨海默病（AD）非影像标志物（如简易精神状态检查评分和脑脊液淀粉样蛋白-β水平）之间的相关性。对纵向ADNI数据集的进一步可靠性研究表明，使用RSM可提高检测可靠性。