基于輕度認(rèn)知障礙患者預(yù)測(cè)發(fā)展?fàn)顟B(tài)的實(shí)現(xiàn)

羅 芬

（中南民族大學(xué)生物醫(yī)學(xué)工程學(xué)院 湖北·武漢 430074）

阿爾茲海默癥（Alzheimer’s Disease，AD）是一種慢性的神經(jīng)系統(tǒng)退行性疾病，在患病早期表現(xiàn)為輕度認(rèn)知障礙（Mild Cognitive Impairment，MCI），健康個(gè)體發(fā)展為阿爾茨海默病患者之間的過渡態(tài)即為MCI。隨著時(shí)間的推移一類MCI會(huì)保持相對(duì)穩(wěn)定，不會(huì)發(fā)展為AD，被稱為stable MCI（sMCI）；反之，具有較大發(fā)展為AD可能性的發(fā)展型MCI稱為develop MCI（pMCI）。對(duì)于醫(yī)生來(lái)講，在這個(gè)時(shí)期很難僅通過影像對(duì)患者的發(fā)展情況做預(yù)判。如果可以在早期階段就能診斷該疾病，對(duì)于發(fā)掘阿爾茲海默癥的基本患病原理和機(jī)制研究，以及控制病情的發(fā)展具有重大意義。

針對(duì)以往采用傳統(tǒng)機(jī)器學(xué)習(xí)的方法計(jì)算量較大，獲得的預(yù)測(cè)精度不高，可靠性較低等問題，本研究采用卷積神經(jīng)網(wǎng)絡(luò)與高效通道注意模塊融合的網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)MCI患者的結(jié)構(gòu)核磁共振圖像（sMRI）和統(tǒng)計(jì)學(xué)和神經(jīng)心理學(xué)信息組合后進(jìn)行分析。

1 實(shí)驗(yàn)方法

1.1 神經(jīng)網(wǎng)絡(luò)架構(gòu)

針對(duì)三維醫(yī)學(xué)圖像單個(gè)樣本數(shù)據(jù)量較大的特點(diǎn)，同時(shí)受Xception[1]（Chollet，2017；Velickovic et al，2016）提出的深度可分離卷積層，以及ECA-Net[2]（Qilong Wang et al，2020）提出的有效通道注意模塊的啟發(fā)。本研究采用三維卷積與有效通道注意模塊結(jié)合的模式，三維卷積的使用可以降低將近2倍的計(jì)算量，有效通道注意模塊可以為與患者發(fā)病相關(guān)的腦區(qū)分配更多的權(quán)重，有助于提高分類精度。

1.2 有效通道注意模塊

近年來(lái)，有效的通道注意機(jī)制在提高深度卷積神經(jīng)網(wǎng)絡(luò)的性能方面顯示出了巨大的潛力。有效通道注意模塊如圖1所示。

圖1：有效通道注意模塊

設(shè)卷積塊的輸入為 X∈RW×H×C，W、H、C 分別為寬度、高度和通道維度（即濾波器數(shù)量）。因此，SE模塊（squeeze and excitation networks,即SENet）中通道的權(quán)值可以這樣計(jì)算

2 圖像預(yù)處理

本研究使用的數(shù)據(jù)均來(lái)自阿爾茲海默病神經(jīng)影像計(jì)劃（ADNI）數(shù)據(jù)庫(kù)（http://adni.loni.usc.edu/），在分類之前，所有的T1加權(quán)MRI圖像首先進(jìn)行顱骨剝離操作，以去除不相干組織。接下來(lái)，進(jìn)行偏置場(chǎng)矯正，以消除圖像亮度差異。最后進(jìn)行配準(zhǔn)操作，將圖像配準(zhǔn)到公共模板上（即MNI152_T1_1mm）。我們的預(yù)處理后的圖像如圖2所示，本研究處理后的圖像尺寸為：182*218*182*1。

圖2：預(yù)處理圖像截圖

3 實(shí)驗(yàn)設(shè)計(jì)

3.1 評(píng)價(jià)指標(biāo)

本研究為二分類，結(jié)果計(jì)為正例（positive）和負(fù)例（negtive）,True positives（TP），F(xiàn)alse positives（FP），F(xiàn)alse negatives（FN），True negatives（TN）.正確率（ACC）是很常見的評(píng)價(jià)指標(biāo)，一般正確率越高，分類器越好。靈敏度（SEN）表示分類器對(duì)正例的識(shí)別能力。特異性（SPE）表示分類器對(duì)負(fù)例的識(shí)別能力。

ROC（receiver operating characteristic curve），又稱為感受性曲線，是衡量靈敏度和特異性連續(xù)變量的綜合指標(biāo)。AUC（Area Under roc Curve）是ROC曲線下面積的簡(jiǎn)稱。

3.2 實(shí)驗(yàn)分組

共計(jì)5個(gè)實(shí)驗(yàn)組：（1）Clinical features（僅臨床特征組）；（2）MRI（僅醫(yī)學(xué)圖像組）；（3）MRI+ECA（加入ECA模塊的醫(yī)學(xué)圖像組）；（4）MRI+Clinical features（醫(yī)學(xué)圖像和臨床特征結(jié)合組）；（5）MRI+Clinical features+ECA（醫(yī)學(xué)圖像和臨床特征以及ECA模塊組合組）。

4 實(shí)驗(yàn)結(jié)果與討論

本研究所取得實(shí)驗(yàn)組的AUC，ACC，SEN，SPE參數(shù)如表1所示，在僅使用患者年齡，性別，MMSE分?jǐn)?shù)作為輸入時(shí)取得的AUC為0.680，準(zhǔn)確度為77.2%；僅使用預(yù)處理后的核磁圖像作為輸入采用卷積神經(jīng)網(wǎng)絡(luò)的情況下獲得的AUC為0.740；MRI與臨床特征相結(jié)合的情況下采用卷積神經(jīng)網(wǎng)絡(luò)取得的AUC結(jié)果為0.890，在此神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入ECA模塊后分類結(jié)果取得了最佳值A(chǔ)UC達(dá)到0.930，準(zhǔn)確度為89.1%。

表1：本研究使用的模型組合在pMCI vs sMCI分類任務(wù)上的性能指標(biāo)的比較表

神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置保持不變，這包括所有層和塊的輸出率設(shè)為0.1，卷積和全連接層中所有參數(shù)的L2范數(shù)懲罰設(shè)為0.00005；卷積核權(quán)值初始化.采用Adam優(yōu)化器，以指數(shù)衰減學(xué)習(xí)率最小化目標(biāo)函數(shù)損失。

實(shí)驗(yàn)證明，本研究開發(fā)的融合有效通道注意模塊的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在識(shí)別出3年內(nèi)可能發(fā)展為AD的pMCI患者取得了較好的效果，在預(yù)測(cè)輕度腦疾病發(fā)展方面具有很大的潛力。