阿尔茨海默病分类方法的可复现评估：框架及在 MRI 与 PET 数据上的应用
机器学习
2019-08-14 v1 机器学习
摘要
大量论文提出了用于 AD 自动分类的新型机器学习与特征提取方法。然而，这些方法难以复现，因为验证的关键组成部分通常不易获取。这些组成部分包括所选参与者和输入数据、图像预处理以及交叉验证流程。不同方法的性能也难以客观比较。尤其常常难以评估方法的哪一部分带来了真正的改进（如果有）。我们提出了一个使用三个公开数据集（ADNI、AIBL 和 OASIS）的 AD 可复现且客观的分类实验框架。该框架包括：i) 将三个数据集自动转换为 BIDS 格式；ii) 一套模块化的预处理流程、特征提取与分类方法，以及评估框架，为基准测试不同组件提供基线。我们展示了该框架在 1960 名参与者上使用 T1 MRI 和 FDG PET 数据的大规模评估中的应用。在此评估中，我们考察了不同模态、预处理、特征类型、分类器、训练集规模和数据集的影响。性能与当前最优（SOTA）水平一致。在所有分类任务中 FDG PET 均优于 T1 MRI。使用不同图谱、图像平滑、FDG PET 图像的部分容积校正或特征类型均未发现性能差异。线性 SVM 和 L2-逻辑回归性能相近，且均优于随机森林。分类性能随训练受试者数量增加而提升。在 ADNI 上训练的分类器能很好地泛化到 AIBL 和 OASIS。框架与实验的所有代码公开于：https://gitlab.icm-institute.org/aramislab/AD-ML。
引用
@article{arxiv.1808.06452,
title = {Reproducible evaluation of classification methods in Alzheimer's disease: framework and application to MRI and PET data},
author = {Jorge Samper-González and Ninon Burgos and Simona Bottani and Sabrina Fontanella and Pascal Lu and Arnaud Marcoux and Alexandre Routier and Jérémy Guillon and Michael Bacci and Junhao Wen and Anne Bertrand and Hugo Bertin and Marie-Odile Habert and Stanley Durrleman and Theodoros Evgeniou and Olivier Colliot},
journal= {arXiv preprint arXiv:1808.06452},
year = {2019}
}