卓奕楠 楊 鵬 鄧 云 倪 東 雷柏英 汪天富

(深圳大學(xué)醫(yī)學(xué)部生物醫(yī)學(xué)工程學(xué)院，廣東省生物醫(yī)學(xué)信息檢測和超聲成像重點(diǎn)實(shí)驗(yàn)室，廣東 深圳 518060)

引言

阿爾茲海默病(Alzheimer′s disease, AD)是一種進(jìn)行性發(fā)展的致死性神經(jīng)退行性疾病，常見于65歲以上高齡者，又稱老年癡呆，是癡呆類型中最常見的一種。該病主要損害病人腦部認(rèn)知、記憶和情緒等功能從而導(dǎo)致患者不能獨(dú)立正常生活和社交，且這種損傷是不可逆的，一旦由輕度認(rèn)知障礙(mild cognitive impairment, MCI)完全發(fā)展成阿爾茲海默病，將無有效藥物和手段可以治療和延緩。據(jù)世界衛(wèi)生組織報道，現(xiàn)如今全世界患有癡呆癥的人數(shù)總共約3 560萬，其中AD患者為主要部分，并且每年新增約770萬病患，隨著老齡化問題加劇，患病率呈明顯上升趨勢[1]。在美國，AD已成為第六大死亡病因，1/3的老人死于AD或其他類型的癡呆疾病，然而患病人數(shù)還在迅速增加，每一分鐘都有一人患上此病。預(yù)計2017年癡呆病人的花銷將達(dá)到2 590億美元[2]，這無疑給家庭和整個社會帶來沉重的精神壓力和經(jīng)濟(jì)負(fù)擔(dān)。據(jù)統(tǒng)計，東亞地區(qū)成為了全球癡呆患者最多的地區(qū)，而中國就是全球癡呆患者最多的國家，中國2010年有919萬例各種類型癡呆患者，其中有569萬例是老年癡呆患者，專家預(yù)估中國65歲以上老年癡呆癥年發(fā)病率高達(dá)24%[3]。這說明全球包括中國在內(nèi)的大部分國家都面臨重大的老年癡呆癥危機(jī)，AD已然成為一個普遍的世界性難題。然而中國尚未建立起全方位和有效的社會老年照顧系統(tǒng)，AD病患能獲得的醫(yī)療診斷及專業(yè)照顧還難以保障，更不足以應(yīng)對未來老齡化增加所帶來的大量醫(yī)療需求，這無疑對衛(wèi)生和社會保障體系構(gòu)成了巨大的挑戰(zhàn)。因此，計算機(jī)輔助診斷顯得尤為緊迫和重要。在MCI及更早期階段通過有限的藥物干預(yù)和精神治療等有效介入手段可以延緩病情的轉(zhuǎn)變，提高患者生活質(zhì)量，并大大降低家庭和社會花銷。因此早期發(fā)現(xiàn)潛在AD患者與預(yù)測病情發(fā)展?fàn)顩r顯得更加重要。

阿爾茲海默病的臨床診斷主要通過醫(yī)學(xué)神經(jīng)影像學(xué)及心理學(xué)輔助檢查相結(jié)合，排除其他病因以確診患者是否是老年癡呆患者以及目前所在的疾病階段，并研究揭示其發(fā)病機(jī)制及其病理特征。常用的醫(yī)學(xué)影像學(xué)有磁共振成像(magnetic resonance imaging, MRI)，正電子發(fā)射斷層掃描 (positron emission tomography, PET)，擴(kuò)散張量成像(diffusion tensor imaging, DTI)和功能磁共振成像(function magnetic resonance imaging, fMRI)。其中，無創(chuàng)無副作用的MRI作為腦神經(jīng)疾病的一種常規(guī)檢查手段能為AD/MCI患者提供定期影像檢查，早已獲得廣泛應(yīng)用及認(rèn)可[4]。臨床研究表明，MRI因其軟組織成像優(yōu)勢，測量得到腦部區(qū)域萎縮程度能夠作為早期診斷AD的準(zhǔn)確可靠性指標(biāo)之一，比如AD受試者的雙側(cè)海馬及海馬旁回各段灰質(zhì)體積較NC受試者明顯減小[5]，杏仁核、前額葉、顳葉等情緒記憶系統(tǒng)相關(guān)腦區(qū)灰質(zhì)體積的萎縮程度與情緒圖片記憶反應(yīng)正確率呈正相關(guān)[6]。而PET作為一種功能成像方式，不僅能夠評估AD的嚴(yán)重程度及預(yù)測MCI的轉(zhuǎn)歸，還能從血管性癡呆、額顳葉癡呆等其他類型癡呆中鑒別診斷出AD[7]。用18氟-氟代脫氧葡萄糖(18F-Fluorodeoxyglucose, 18F-FDG)顯像劑的PET顯像是一種常見的功能顯像模式，能夠反映腦內(nèi)葡萄糖代謝情況。在臨床上，神經(jīng)科醫(yī)師常常根據(jù)癡呆量表的評分初步判斷腦疾病類型和嚴(yán)重程度，廣泛使用的精神心理檢查有阿爾茲海默病癥評估認(rèn)知分量表(Alzheimer′s disease assessment scale-cognitive subscale,ADAS-Cog)和簡易智能精神狀態(tài)檢查量表(mini mental state examination, MMSE)[8-9]。以往研究已表明，AD患者的磁共振磁敏感加權(quán)成像計算得到的相位值和MMSE評分呈正相關(guān)，可為臨床治療提供準(zhǔn)確的參考依據(jù)[10]，AD受試者的海馬前部和海馬旁回中后部的灰質(zhì)體積變化也與MMSE評分呈正相關(guān)[5]。

由于不同影像技術(shù)可以獲得不同類型的腦部信息，如結(jié)構(gòu)、功能及形態(tài)學(xué)信息，因此應(yīng)用多模態(tài)的影像數(shù)據(jù)在理論上可以增強(qiáng)學(xué)習(xí)特征的能力，幫助提升分類結(jié)果的準(zhǔn)確性。多模態(tài)影像應(yīng)用已經(jīng)在神經(jīng)障礙、精神病、癲癇、神經(jīng)系統(tǒng)老化等多種腦神經(jīng)疾病的診斷中有可觀的表現(xiàn)[11]。各個應(yīng)用領(lǐng)域的大量研究結(jié)果表明：利用多模態(tài)數(shù)據(jù)是實(shí)驗(yàn)結(jié)果提升的關(guān)鍵因素[12]。結(jié)構(gòu)型成像的MRI與功能型成像的PET結(jié)合的模式更是在實(shí)際中應(yīng)用最廣泛的一種方法，主要應(yīng)用于評估、診斷中樞及周圍神經(jīng)系統(tǒng)疾病，包括神經(jīng)退行性類疾病如阿爾茲海默病[13]。因?yàn)槁?lián)合MRI和PET模態(tài)不僅能夠獲得對比清晰的軟組織成像，還能增強(qiáng)探測疾病和描述特征的能力，同時獲取腦部的結(jié)構(gòu)和功能特征[11]。例如，Liu等用多模態(tài)影像圖像數(shù)據(jù)和深度學(xué)習(xí)網(wǎng)絡(luò)提取深度特征實(shí)現(xiàn)AD診斷，揭示大腦灰質(zhì)變化與AD疾病的緊密聯(lián)系[14]。在Zhang等的AD/MCI與正常組的分類研究中，也結(jié)合使用了MRI、PET和CSF(cerebrospinal fluid)生物標(biāo)志物的特征[15]。Shaffer等提取了MRI、PET影像的腦區(qū)特征，結(jié)合腦脊液特征來判定AD患者的認(rèn)知功能是否下降[16]。

雖然多模態(tài)神經(jīng)影像在AD/MCI診斷中起著重要作用，但是大多數(shù)多模態(tài)影像研究只是將多模態(tài)數(shù)據(jù)簡單地聯(lián)結(jié)成一個高維特征矩陣，而對兩者間多個特征信息融合的工作卻相對有限，對不同模態(tài)間的相同感興趣區(qū)域(region of interest, ROI)的相關(guān)性研究更是少見。為了實(shí)現(xiàn)更好的融合效果，多模態(tài)間處理過程中常常包括對可能性、相關(guān)性和獨(dú)立性的研究[17-18]。而典型相關(guān)分析(canonical correlation analysis, CCA)通過分析兩組數(shù)據(jù)之間的可靠聯(lián)系，常被應(yīng)用于多種方面如特征融合、數(shù)據(jù)降維等。使用多模態(tài)數(shù)據(jù)雖有助于提升訓(xùn)練模型，卻意味著特征變量至少翻倍，其中包括無用特征和噪聲信息。特征選擇能夠從多種特征變量中挑選具有判別力和特異性的特征，同時解決數(shù)據(jù)維度過高的問題，提高運(yùn)算效率?；诒O(jiān)督和無監(jiān)督方法的稀疏理論以及正則化項優(yōu)化的特征選擇方法，在AD/MCI分類和預(yù)測中得到廣泛應(yīng)用[19-21]。因此，本研究實(shí)驗(yàn)設(shè)計是利用多模態(tài)影像的內(nèi)在關(guān)系，通過研究模態(tài)間特征的關(guān)系增強(qiáng)阿爾茲海默病的分類性能，協(xié)同互補(bǔ)多模態(tài)特征間的信息，并基于合適的特征選擇方法揀選有價值的特征。在本次研究中，通過典型相關(guān)分析獲得AD/MCI疾病的多模態(tài)典型相關(guān)表達(dá)特征，然后利用最小二乘損失函數(shù)與常用的l1范數(shù)，結(jié)合標(biāo)簽信息構(gòu)建分類模型并選擇有價值的特征，從而得到腦疾病診斷信息和依據(jù)，幫助醫(yī)師給病人作出更準(zhǔn)確的診斷，并揭示AD進(jìn)程與大腦形態(tài)功能變化的關(guān)系。

1 方法

1.1 實(shí)驗(yàn)數(shù)據(jù)與設(shè)計

從公共數(shù)據(jù)庫ADNI(Alzheimer′s Disease Neuroimaging Initiative，http://adni.loni.ucla.edu/)上獲得共805位受試者的基線狀態(tài)數(shù)據(jù)，包括T1-加權(quán)MRI(設(shè)備為1.5 T)和PET影像數(shù)據(jù)。正常組受試者(normal control, NC)有226位，已經(jīng)發(fā)展為阿爾茲海默患者的受試者有186位，輕度認(rèn)知障礙有393位，其中包含126位穩(wěn)定性輕度認(rèn)知障礙(stable-mild cognitive impairment, s-MCI)和167位進(jìn)行性輕度認(rèn)知障礙(progressive-mild cognitive impairment, p-MCI)。不同類型受試者(NC，MCI和AD)的不同模態(tài)(MRI和PET)影像如圖1所示。

圖1 不同類型受試者的MRI模態(tài)(上圖)和PET模態(tài)(下圖)影像。(a)NC;(b)MCI;(c)ADFig.1 MRI modality (upper) and PET modality (bottom) of various subjects. (a)NC;(b)MCI;(c)AD

原始圖像需要經(jīng)過預(yù)處理以剔除明顯的結(jié)構(gòu)損傷和掃描偽影等噪聲信息，預(yù)處理部分包括：頭骨分離，前后連合連合矯正(anterior commissure-posterior commissure correction, ACPC)，分割得到灰質(zhì)(grey matter, GM)、白質(zhì)(white matter, WM)和腦脊液(cerebrospinal fluid, CSF)，使用模板對大腦進(jìn)行匹配并生成93個相應(yīng)的感興趣區(qū)域，提取這些區(qū)域的灰質(zhì)體積量作為輸入特征變量。通過預(yù)處理獲取實(shí)驗(yàn)數(shù)據(jù)后，將隨機(jī)選取樣本構(gòu)建訓(xùn)練樣本庫和測試樣本庫，基于典型相關(guān)分析和稀疏最小二乘損失回歸學(xué)習(xí)選擇有效的特征，利用支持向量機(jī)(support vector machine, SVM)訓(xùn)練所選取樣本特征，建立分類模型，從而實(shí)現(xiàn)計算機(jī)輔助診斷AD/MCI疾病。

所用方法的具體處理流程如圖2所示，流程大致分為：獲取基線多模態(tài)(MRI和PET)影像數(shù)據(jù)，提取出感興趣區(qū)域向量作為特征輸入，基于最小二乘損失函數(shù)增加典型關(guān)系分析以增強(qiáng)特征選擇，根據(jù)學(xué)習(xí)得到的權(quán)重參數(shù)選取權(quán)重大的特征，如此不僅能獲得判別力較大的特征以減少噪聲特征的干擾，同時也能降低數(shù)據(jù)維度加速訓(xùn)練過程。實(shí)驗(yàn)基于AD vs NC、MCI vs NC和p-MCI vs s-MCI這3種類型數(shù)據(jù)，最終將已選擇的特征數(shù)據(jù)輸入SVM建立起的相應(yīng)的分類模型，從而進(jìn)行AD/MCI疾病區(qū)分。在實(shí)驗(yàn)中，還采用交叉檢驗(yàn)方法[22]，以評估所提出的方法的性能。

圖2 實(shí)驗(yàn)處理流程框架Fig.2 Flowchart of the proposed method

1.2 基于典型相關(guān)特征表達(dá)的特征選擇

特征融合和特征選擇是特征工程中重要的一步，融合特征可以聚合增強(qiáng)有用特征的互補(bǔ)信息和表達(dá)能力，提取的特征好壞直接影響接下來的分類結(jié)果。典型相關(guān)分析，即CCA，是一種經(jīng)典有效的多變量關(guān)系分析方法，且已被成功應(yīng)用于識別和檢測中，分析不同變量組之間的相關(guān)性特征[15,23]。CCA得到的相關(guān)性特征可作為補(bǔ)充特征變量，但這樣會增加特征數(shù)量且有特征重復(fù)表達(dá)的可能。因此，將原有多模態(tài)特征通過CCA轉(zhuǎn)化為模態(tài)間有關(guān)聯(lián)的典型相關(guān)特征表達(dá)，可以增強(qiáng)原本相關(guān)的特征變量，同時抑制相關(guān)性小的特征變量，從而在特征選擇過程中更好地從眾多特征中提取相關(guān)性大的本質(zhì)特征。針對不同分類目的，提取與AD/MCI有關(guān)的典型相關(guān)增強(qiáng)的特征，用于提升分類能力。所提出的方法是基于典型相關(guān)分析方法對不同模態(tài)特征之間的關(guān)系進(jìn)行分析和融合，實(shí)現(xiàn)模態(tài)間特征變量的信息互補(bǔ)，突顯模態(tài)之間相關(guān)性大的特征，結(jié)合最小二乘回歸學(xué)習(xí)[24]方法篩選相關(guān)性大的特征并濾除無關(guān)的特征，幫助SVM訓(xùn)練分類模型以達(dá)到更好的分類效果。

假設(shè)有n位受試者的MRI和PET數(shù)據(jù)，且每位受試者的每種模態(tài)數(shù)據(jù)都有d維特征，則不同模態(tài)的影像數(shù)據(jù)可以表示為

X∈d×nY∈d×n

(1)

典型相關(guān)分析則通過找到兩組典型相關(guān)矩陣Bx,By∈d×d所構(gòu)建的基映射空間，使得原始數(shù)據(jù)分別投影在此后得到的新映射之間的相關(guān)性最大，即

(2)

因此可以得到最優(yōu)化的相關(guān)性特征矩陣為

(3)

由此，新的特征表達(dá)則為相關(guān)性特征表達(dá)，即

Zcca=[Xcca;Ycca]∈2d×n

(4)

研究基于最小二乘損失回歸學(xué)習(xí)方法，通過l1范數(shù)項增強(qiáng)目標(biāo)函數(shù)，選擇出有識別力并穩(wěn)定的特征。Z是輸入的多模態(tài)影像特征數(shù)據(jù)，縱向量表示不同受試者，行向量表示不同ROI特征；γ為標(biāo)簽矩陣；W是權(quán)重模型參數(shù)，表示不同特征的權(quán)重大小。要在輸入Z和輸出γ之間建立一個線性參數(shù)模型W來獲得模態(tài)間相關(guān)性大的特征，用于更好地診斷AD/MCI階段。l1范數(shù)最小二乘損失回歸學(xué)習(xí)的目標(biāo)函數(shù)為

(5)

式中，W∈1×2 d,γ∈1×n，2表示矩陣的l2范數(shù)，1為l1范數(shù)正則化矩陣，λ是l1范數(shù)正則化參數(shù)。

將典型相關(guān)分析表達(dá)的新特征矩陣代入原來的特征矩陣，則本方法提及的一個通用目標(biāo)函數(shù)為

(6)

為了驗(yàn)證該方法在增強(qiáng)特征信息上的作用，并對比其他分析方法和特征選擇方法，筆者進(jìn)行以下實(shí)驗(yàn)?；谏鲜鯝DNI中獲取的805位受試者，采用十折交叉驗(yàn)證的方法，即約90%的數(shù)據(jù)用于訓(xùn)練模型，該模型將應(yīng)用于剩余10%的數(shù)據(jù)作驗(yàn)證，最終結(jié)果為10次驗(yàn)證結(jié)果的平均值。

對比方法包括了經(jīng)典的相關(guān)分析和稀疏學(xué)習(xí)方法(如Pearson、PCA、LASSO)，各方法選擇的特征，將輸入到SVM做分類決策。分類結(jié)果的量化指標(biāo)有準(zhǔn)確率(ACC)、受試者工作特征曲線(receiver operating characteristic curve，ROC)及曲線下面積(AUC)。選取的特征即ROI，將用于分析與疾病密切相關(guān)的腦區(qū)。

2 結(jié)果

2.1 分類結(jié)果

阿爾茲海默疾病進(jìn)程主要是從正常態(tài)逐步發(fā)展成輕度認(rèn)知障礙階段，最后惡化為AD患者。因此，本研究實(shí)驗(yàn)是基于3種數(shù)據(jù)類型，分別為AD vs

NC、MCI vs NC，以及MCI的兩種不同程度的細(xì)分類：p-MCI和s-MCI。將所提出的方法與其他3種經(jīng)典的特征選擇方法進(jìn)行比較，分別為LASSO、Pearson和PCA。筆者用篩選出的模態(tài)間關(guān)系增強(qiáng)特征對個體作了疾病類型判斷，對于AD vs NC，MCI vs NC和p-MCI vs s-MCI，準(zhǔn)確率分別為92.01%，74.83%和70.27%，其他方法的結(jié)果如表1所示。圖3為ROC，對于AD vs NC、MCI vs NC和p-MCI vs s-MCI，AUC值分別為0.95、0.78和0.72。結(jié)果表明，所提出的方法與其他經(jīng)典方法相比，在3種數(shù)據(jù)類型實(shí)驗(yàn)中都獲得了最佳表現(xiàn)。其中，對于p-MCI vs s-MCI，本方法對比其他方法中最佳的LASSO(67.97%)高出了2.3%的準(zhǔn)確度，ROC曲線中AUC的提升也最明顯。

表1 不同算法的分類準(zhǔn)確率(ACC)結(jié)果比較Tab.1 Comparison of classification accuracy (ACC)

圖3 不同算法的ROC曲線比較。(a)AD vs NC;(b)MCI vs NC;(c)p-MCI vs s-MCIFig.3 Comparison of receiver operating characteristic (ROC) curve. (a)AD vs NC;(b)MCI vs NC;(c)p-MCI vs s-MCI

圖4 十大主要相關(guān)腦區(qū)ROI分析。(a)AD vs NC;(b)MCI vs NC;(c)p-MCI vs s-MCIFig.4 Top 10 relevant brain ROI. (a)AD vs NC;(b)MCI vs NC;(c)p-MCI vs s-MCI

2.2 主要相關(guān)腦區(qū)

對于AD vs NC、MCI vs NC和p-MCI vs s-MCI，筆者在各自選擇的特征中再提取出前十大權(quán)重的特征，相應(yīng)的腦區(qū)如圖4所示。其中，黃色區(qū)域表示MRI模態(tài)相關(guān)的腦區(qū)，即大腦區(qū)域灰質(zhì)體積量的萎縮程度特征，藍(lán)色區(qū)域表示PET模態(tài)相關(guān)的腦區(qū)，即腦區(qū)葡萄糖代謝功能異常的特征。

通過分析前十大權(quán)重特征，發(fā)現(xiàn)出現(xiàn)頻率較高的腦區(qū)有眶部額回區(qū)，頂葉、丘腦底核、額回、伏隔核以及蒼白球等腦部區(qū)域，涵蓋了與情緒反應(yīng)、認(rèn)知判斷和言語記憶相關(guān)的腦區(qū)。其中，眶前外側(cè)回較大程度地參與了AD vs NC、MCI vs NC和p-MCI vs s-MCI這3種分類類型中，說明眶額外側(cè)回與AD/MCI有密切關(guān)系。在AD vs NC分類中，相關(guān)的腦區(qū)還有腦島、殼核、顳極和角回；與MCI vs NC相關(guān)的腦區(qū)有中央前回，內(nèi)嗅皮層和側(cè)腦室；與p-MCI vs s-MCI相關(guān)的腦區(qū)包括顳下回、額葉、緣上回以及海馬區(qū)。通過統(tǒng)計更多相關(guān)ROI，發(fā)現(xiàn)與AD/MCI分類相關(guān)的特征主要集中在與情緒和記憶相關(guān)的前額葉、顳葉和海馬區(qū)等腦區(qū)區(qū)域。這與臨床上AD病理和發(fā)病機(jī)制的相關(guān)研究所得出的結(jié)論一致。

3 討論

CCA是一個功能強(qiáng)大的統(tǒng)計學(xué)方法，能夠分析兩組多變量之間的關(guān)系，并找到最佳線性映射來表達(dá)兩組變量的最大互相關(guān)表達(dá)。本研究基于CCA計算兩組來自不同模態(tài)的特征組之間的相關(guān)性表達(dá)，并將其應(yīng)用于選擇對AD/MCI敏感的特征并構(gòu)建SVM分類模型，實(shí)現(xiàn)自動分類和診斷的目的。在分類實(shí)驗(yàn)中，加入了典型相關(guān)特征表達(dá)的方法與其他類型方法相比，在準(zhǔn)確率上獲得了最佳，這是因?yàn)镃CA能夠分析兩組變量的關(guān)系，從而協(xié)同互補(bǔ)不同模態(tài)的相應(yīng)感興趣區(qū)域信息，增強(qiáng)了有效特征的表達(dá)力[25]。CCA相當(dāng)于先對原各組變量進(jìn)行主成分分析以獲得組內(nèi)線性關(guān)系，再通過兩者之間的相關(guān)系數(shù)來表達(dá)組間變量關(guān)系。因此，相較于只對全部變量(MRI和PET特征)做同一分析的PCA方法和不考慮模態(tài)間相關(guān)關(guān)系的特征選擇LASSO方法來說，CCA更有助于捕捉和篩選出能夠輔助診斷的特征。相比同樣是關(guān)系分析的Pearson相關(guān)分析方法，CCA在AD vs NC和p-MCI vs s-MCI上的分類準(zhǔn)確率有近5%的提升，這是因?yàn)镻earson局限于簡單地分析兩個變量之間的關(guān)系，而CCA更擅長分析兩組多變量之間的相關(guān)性。因此，利用CCA能夠更好地融合MRI和PET模態(tài)的互補(bǔ)信息，即CCA挖掘了關(guān)于AD/MCI病理機(jī)制的灰質(zhì)體積量和皮質(zhì)代謝功能之間的顯著關(guān)系。

不同于簡單相關(guān)分析和復(fù)相關(guān)分析，典型相關(guān)分析能夠從整體上挖掘兩組多變量之間的相關(guān)關(guān)系，實(shí)質(zhì)包含了多元回歸和相關(guān)分析，就是通過選取兩組變量的若干元素進(jìn)行線性組合，使得它們之間的相關(guān)系數(shù)達(dá)到最大，即能獲得最優(yōu)相關(guān)系數(shù)，因此可用于特征選擇、數(shù)據(jù)降維和融合等工作中[26]。經(jīng)過本研究結(jié)果驗(yàn)證，典型相關(guān)特征表達(dá)不僅可以有效挖掘兩種模態(tài)間的特征相關(guān)性，還可以應(yīng)用于多維特征變量的簡化分析中。不同于其他降維方法往往忽視數(shù)據(jù)組間的復(fù)雜關(guān)系，CCA的降維原則是兩組變量間的相關(guān)系數(shù)最大，由此不僅可以從整體描述特征間關(guān)系，還能更合理地降低數(shù)據(jù)維度。當(dāng)兩組變量間的相關(guān)關(guān)系足夠明顯時，CCA還可以用來根據(jù)其中一組變量預(yù)測另一組變量中的缺失數(shù)據(jù)。

盡管本研究提出的方法在準(zhǔn)確率和ROC曲線評估上表現(xiàn)很好，但仍存在不足之處。線性映射的關(guān)系分析只能探索組間變量的線性關(guān)系，然而在實(shí)際情況中，變量間的關(guān)系往往更復(fù)雜且是非線性的。需要說明的是，本研究所用的典型相關(guān)特征表達(dá)是基于線性映射的假設(shè)上，因此在一定程度上，特征相關(guān)表達(dá)也受到了限制導(dǎo)致難以挖掘非線性關(guān)系信息[25]。從結(jié)果發(fā)現(xiàn)，本方法對于MCI vs NC的分類性能表現(xiàn)一般，原因除了有MCI類中不同受試者的特征跨度更大導(dǎo)致特征間關(guān)系不明顯，且樣本個數(shù)太少導(dǎo)致相關(guān)性估計不足以外，還有可能是因?yàn)闃颖咎卣鏖g相關(guān)性太復(fù)雜而線性映射不能夠很好地表達(dá)出來。因此，將高維映射的核函數(shù)思想引入CCA中，即核典型相關(guān)分析，則能夠在核函數(shù)空間中進(jìn)行更為復(fù)雜的非線性相關(guān)分析。后續(xù)的工作中，筆者將嘗試使用核典型相關(guān)分析或其他非線性映射方法，充分考慮該分類類型特征相關(guān)性表達(dá)的多樣性和非線性。

4 結(jié)論

AD病情發(fā)展往往會引起相應(yīng)腦區(qū)結(jié)構(gòu)和代謝功能的異常，伴隨著認(rèn)知能力和精神狀態(tài)變化，本研究基于典型相關(guān)分析和稀疏最小二乘損失回歸學(xué)習(xí)方法，從多模態(tài)影像數(shù)據(jù)中提取出相關(guān)性特征來輔助獲得與AD/MCI分類相關(guān)的關(guān)鍵ROI，用于構(gòu)建分類模型?；诮徊鏅z驗(yàn)的實(shí)驗(yàn)結(jié)果表明，筆者所提出的方法整體上獲得了較好的分類性能。由此可證明，該方法能有效應(yīng)用于融合多模態(tài)信息和探索多模態(tài)特征間關(guān)系，增強(qiáng)計算機(jī)輔助診斷和預(yù)測AD病理發(fā)展的性能。

[1] Prince M, Comas-Herrera A, Knapp M, et al. World Alzheimer report 2016: improving healthcare for people living with dementia: coverage, quality and costs now and in the future [EB/OL]. https://www.alz.co.uk/research/world-report-2016,2016-09/2017-08.

[2] Alzheimer′s association. 2016 Alzheimer's disease facts and figures [J]. Alzheimer's & Dementia, 2016, 12(4): 459-509.

[3] Chan KY, Wang Wei, Wu Jingjing, et al. Epidemiology of Alzheimer's disease and other forms of dementia in China, 1990-2010: a systematic review and analysis [J]. The Lancet, 2013, 381(9882): 2016-2023.

[4] Frisoni GB, Fox NC, Jack CR, et al. The clinical use of structural MRI in Alzheimer disease [J]. Nat Rev Neurol, 2010, 6(2): 67-77.

[5] 郭艷娥, 王盼, 周波, 等. 阿爾茨海默病及輕度認(rèn)知功能障礙患者海馬及海馬旁回灰質(zhì)體積與認(rèn)知功能的相關(guān)性 [J]. 中華老年心腦血管病雜志, 2016, 18(4): 339-344.

[6] 李曉舒, 王海寶, 余永強(qiáng), 等. 阿爾茨海默病情緒記憶相關(guān)腦灰質(zhì)體積改變 [J]. 中國醫(yī)學(xué)影像技術(shù), 2016, 32(7): 1015-1019.

[7] 崔瑞雪, 牛娜, 張穎, 等. 18F-FDG PET顯像鑒別阿爾茨海默病與額顳葉癡呆臨床價值 [J]. 中國現(xiàn)代神經(jīng)疾病雜志, 2014, 14(3): 214-221.

[8] Chapman KR, Bing-Canar H, Alosco ML, et al. Mini mental state examination and logical memory scores for entry into Alzheimer′s disease trials [J]. Alzheimer′s Res. & Ther., 2016, 8(9): 1-11.

[9] Graham DP, Cully JA, Snow AL, et al. The Alzheimer′s disease assessment scale-cognitive subscale: normative data for older adult controls [J]. Alzheimer Disease & Associated Disorders, 2004, 18(4): 236-240.

[10] 楊銀君. 磁共振磁敏感加權(quán)成像在阿爾茲海默病檢查中的運(yùn)用 [J]. 醫(yī)學(xué)信息, 2014, 2014(17): 197-198.

[11] Salavati A, Houshmand S, Khiewvan B, et al. Clinical applications of PET/MRI in neurology: opportunities and challenges [J]. Journal of Nuclear Medicine, 2014, 55(Suppl): 1265-1265.

[12] Bailey DL, Pichler BJ, Gückel B, et al. Combined PET/MRI: multi-modality multi-parametric imaging is here [J]. Molecular Imaging and Biology, 2015, 17(5): 595-608

[13] Perrin RJ, Fagan AM, Holtzman DM. Multimodal techniques for diagnosis and prognosis of Alzheimer's disease [J]. Nature, 2009, 461(7266): 916-922.

[14] Liu Siqi, Liu Sidong, Cai Weidong, et al. Multimodal neuroimaging feature learning for multiclass diagnosis of Alzheimer's disease [J]. IEEE Transactions on Biomedical Engineering, 2015, 62(4): 1132-1140.

[15] Zhang Daoqiang, Wang Yaping, Zhou Luping, et al. Multimodal classification of Alzheimer's disease and mild cognitive impairment [J]. NeuroImage, 2011, 55(3): 856-867.

[16] Shaffer JL, Petrella JR, Sheldon FC, et al. Predicting cognitive decline in subjects at risk for Alzheimer disease by using combined cerebrospinal fluid, MR imaging, and PET biomarkers [J]. Radiology, 2013, 266(2): 583-591.

[17] Atrey Pk, Hossain Ma, El Saddik A, et al. Multimodal fusion for multimedia analysis: a survey [J]. Multimedia Systems, 2010, 16(6): 345-379.

[18] Vincent B, Boire JY. A general framework for the fusion of anatomical and functional medical images [J]. Neuro Image, 2001, 13(3): 410-424.

[19] Zhu Xiaofeng, Suk H-I, Shen Dinggang. Sparse discriminative feature selection for multi-class Alzheimer’s disease classification [C] //Machine Learning in Medical Imaging: 5th International Workshop (MLMI 2014). Cham: Springer International Publishing, 2014: 157-164.

[20] Lei Baiying, Jiang Feng, Chen Siping, et al. Longitudinal analysis for disease progression via simultaneous multi-relational temporal-fused learning [J]. Frontiers in Aging Neuroscience, 2017, 9(6): 1-17.

[21] Tibshirani R. Regression shrinkage and selection via the lasso [J]. Journal of the Royal Statistical Society. Series B (Methodological), 1996, 58(1): 267-288.

[22] Kohavi R. A study of cross-validation and bootstrap for accuracy estimation and model selection [C]//Proceedings of the 14th International Joint Conference on Artificial Intelligence (Volume 2). Montreal: Morgan Kaufmann Publishers Inc, 1995: 1137-1143.

[23] H?rdle W, Simar L. Applied multivariate statistical analysis [M]// Canonical Correlation Analysis. Berlin: Springer Berlin Heidelberg, 2007: 321-330.

[24] Ye Jieping. Least squares linear discriminant analysis [C]//Proceedings of the 24th International Conference on Machine Learning. Corvalis: ACM, 2007: 1087-1093.

[25] Hardoon DR, Szedmak SR, Shawe-Taylor JR. Canonical correlation analysis: An overview with application to learning methods [J]. Neural Comp, 2004, 16(12): 2639-2664.

[26] Kakade SM, Foster DP. Multi-view regression via canonical correlation analysis [C] // Proceedings of the 20th Annual Conference on Learning Theory. San Diego: Springer Berlin Heidelberg, 2007: 82-96.