基于荟萃分析的脑疾病判断系统和判断装置

摘要

本发明公开了一种基于荟萃分析的脑疾病判断系统，包括：重要种子点确定模块，用于采用文献荟萃分析法确定与指定脑疾病相关的重要种子点；大脑损伤环路建立模块，用于对同一重要种子点对应的大脑簇并集采用MKDA算法估计收敛域；所有收敛域的并集构成大脑损伤环路；聚类模块，用于对大脑损伤环路中的体素进行聚类；低维特征空间构建模块，用于根据每个被试的功能连接信息，通过降维构建低维特征空间；测试者低维特征向量获取模块，用于根据测试者功能连接信息获取低维特征向量；分类器，用于根据测试者低维特征向量判断是否有指定脑疾病。该系统能够克服小样本和全脑数据驱动的机器学习模型鲁棒性和泛化性较差的缺陷，对指定脑疾病进行判断。

说明书

技术领域

本发明属于文献和脑成像数据挖掘技术领域，具体涉及一种基于荟萃分析的脑疾病判断系统和判断装置。

背景技术

随着神经影像和机器学习的发展，将人工智能模型用于辅助临床决策作为一个新的科技发展热点。神经影像包括磁共振成像、脑电图、脑磁图等。通过这些神经影像技术可以对大脑的结构和功能进行定量测量和描述，具备非侵入式，空间分辨率高等优势。这些方法的优势在于可以利用医学脑成像技术来找到临床所急缺的生物学标记物，而机器学习的强大的计算分析技术能够在此基础上实现精准治疗。

但是，对于一些非器质性损伤的精神类疾病，如抑郁症等，无法像癫痫、卒中等其他神经疾病一张找到具体的损伤靶点。另外，由于脑影像学受限于扫描仪器、扫描参数，小样本等原因，脑影像的指标结果一致性不高，无法通过脑影像直接进行临床诊断。

发明内容

发明目的：本发明旨在提供一种脑疾病的判断系统，该系统能够解决现有小样本和全脑数据驱动的机器学习模型的鲁棒性和泛化性较差的问题，对指定脑疾病进行判断。

技术方案：本发明一方面公开了一种基于荟萃分析的脑疾病判断系统，包括：

重要种子点确定模块1，用于采用文献荟萃分析法确定与指定脑疾病相关的重要种子点，以及每个重要种子点对应的大脑簇及大脑簇中体素的坐标点；将所有坐标点转换到统一的坐标系下；

所述重要种子点为文献荟萃分析法检索到的文献列表中，至少N个文献报告的种子点；

大脑损伤环路建立模块2，用于对同一重要种子点对应的大脑簇并集采用MKDA算法估计收敛域；所有重要种子点对应的收敛域的并集构成大脑损伤环路；

聚类模块3，用于对大脑损伤环路中的体素进行聚类，得到多个体素社团；

低维特征空间构建模块4，用于根据每个被试每个体素社团的功能连接信息，采用PCA算法降维构建低维特征空间；

测试者低维特征向量获取模块5，用于根据测试者每个体素社团的功能连接信息获取低维特征向量；

分类器6，用于根据测试者低维特征向量判断是否有指定脑疾病；所述分类器由每个被试的低维特征向量和对应的类别标签所构成的训练集训练；所述类别标签为二值变量，表示是否有指定脑疾病；

所述重要种子点确定模块1采用文献荟萃分析法确定与指定脑疾病相关的重要种子点的步骤为：

S1.1、设置检索条件，在生物医学数据库中检索与指定脑疾病相关的文献；所述检索条件为同时满足如下C1-C3三个条件：

C1、基于静息态功能磁共振数据；

C2、统计比较的两组分别为：患有指定脑疾病的患者和健康对照组；

C3、计算的指标为基于种子点的全脑功能连接；

S1.2、选择S1.1检索的文献中具有显著性结果的文献构成检索文献列表；

S1.3、统计检索文献列表中报告的种子点和对应的大脑簇，至少N个文献报告的种子点为重要种子点。

所述聚类模块3根据如下步骤对大脑损伤环路中的体素进行聚类：

S3.1、构建大脑损伤环路的相似性矩阵：

大脑损伤环路的相似性矩阵G为P×P方阵，其中第m行n列元素g

S3.2、根据相似性矩阵构建大脑损伤环路的邻接矩阵；

对相似性矩阵G进行二值化，得到二值化矩阵G′，G′为P×P方阵，其中第m行n列元素g′

其中ξ为预设的欧氏距离阈值；G′即为大脑损伤环路的邻接矩阵；

S3.3、根据邻接矩阵G′生成损伤体素网络：

损伤体素网络中的节点为大脑损伤环路中的体素，如果g′

S3.4、对损伤体素网络进行聚类，得到多个体素社团。

所述低维特征空间构建模块4构建低维特征空间的步骤为：

S4.1、提取每个被试每个体素社团的功能连接信息，拼接为该被试的第一功能连接特征，所有被试的第一功能连接特征构成第一功能连接特征矩阵；

对于第h个被试，其在第i个体素社团的功能连接信息为：

其中Ni为第i个体素社团中体素的数量，

第h个被试的第一功能连接特征为X

其中H为被试的总数；

S4.2、采用PCA算法对第一功能连接特征矩阵X进行降维，得到L×L′维的低维特征空间Φ

所述测试者低维特征向量获取模块5提取测试者每个体素社团的功能连接信息并拼接为待测功能连接向量，将所述待测功能连接向量映射到低维特征空间构建模块4所构建的低维特征空间，得到测试者低维特征向量。

所述分类器6的训练包括：根据是否有指定脑疾病对每个被试添加类别标签y

所述聚类模块3对损伤体素网络进行聚类，得到多个体素社团，具体步骤为：

S3.4.1、设置多组社团大小和社团数目组成的参数对(Size

S3.4.2、分别以每组参数对中限定的社团大小和社团数目，采用K-L算法对损伤体素网络进行社团挖掘，根据社团挖掘的结果计算Q值，Q值定义为：

其中M为损伤体素网络中边的数目，k

S3.4.3、选择W次社团挖掘结果中Q值最大的为最佳社团挖掘结果，得到多个体素社团。

所述低维特征空间构建模块4中先对每个被试的静息态磁共振数据进行预处理，再提取每个体素社团的功能连接；所述预处理包括：去除最初6个时间点、时间层校正、头动校正、配准、分割、标准化、平滑、去线性漂移、滤波。

本发明还公开了一种脑疾病判断装置，包括：

数据存储器，用于存储低维特征空间和分类器，所述低维特征空间为上述脑疾病判断系统中低维特征空间构建模块4所构建的低维特征空间；所述分类器为上述脑疾病判断系统中训练的分类器；

数据处理器，用于根据测试者功能连接信息和低维特征空间获取测试者低维特征向量，并将所述测试者低维特征向量输入分类器；

输入设备，用于接收测试者功能连接信息。

还包括显示装置，用于展示分类器得到的测试者脑疾病判断结果。

有益效果：本发明公开的脑疾病判断系统具有如下优点：1、与传统小样本研究相比，本发明通过荟萃分析汇总大量的小样本研究结果，提出可靠性高和稳定性强的大脑损伤话环路，为脑疾病的判断系统提供了较强的可解释性和鲁棒性；通过多个被试的功能连接信息所建立的低维特征空间具有更强的稳定性；2、与既往全脑驱动的特征筛选相比，本发明构建的低维特征空间无需选取靶点，不需要人工干预；3、本发明公开的脑疾病判断系统适用于所有的精神疾病和神经性的大脑疾病，如：阿尔兹海默症，自闭症，精神分分裂症等疾病。

附图说明

图1为本发明公开脑疾病判断系统组成示意图；

图2为本发明公开的脑疾病判断装置组成示意图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。

实施例一

如图1所示，本实施例公开了一种基于荟萃分析的脑疾病判断系统，包括：

重要种子点确定模块1，用于采用文献荟萃分析法确定与指定脑疾病相关的重要种子点，以及每个重要种子点对应的大脑簇及大脑簇中体素的坐标点；

指定脑疾病为精神疾病和神经性的大脑疾病，如：阿尔兹海默症、自闭症、精神分分裂症、抑郁症等疾病。本实施例以抑郁症为例来说明本发明的内容。

采用文献荟萃分析法确定与抑郁症相关的重要种子点的步骤为：

S1.1、设置检索条件，在生物医学数据库中检索与抑郁症相关的文献；生物医学数据库，包括但不限于：Pubmed，Google，Scholar和Web of Science等数据库。检索条件为同时满足如下C1-C3三个条件：

C1、基于静息态功能磁共振数据；

C2、统计比较的两组分别为：患有抑郁症的患者和健康对照组；

C3、计算的指标为基于种子点的全脑功能连接；

S1.2、选择S1.1检索的文献中具有显著性结果的文献构成检索文献列表；

S1.3、统计检索文献列表中报告的种子点和对应的大脑簇，至少N个文献报告的种子点为重要种子点。

如果不同文献基于不同的大脑坐标系，需要将所有坐标点转换到统一的坐标系下，本实施例将所有大脑簇的坐标点映射到MNI坐标系来统一坐标。

重要种子点为文献荟萃分析法检索到的文献列表中，至少N个文献报告的种子点；本实施例中N＝2，即如果有2个或以上的文献报告的种子点即为重要种子点。本实施例中，确定了7个重要种子点，分别为：后扣带回，前扣带回，背外侧前额叶，尾状核，苍白球，海马，杏仁核。重要种子点确定模块获取了重要种子点以及每个重要种子点对应的大脑簇。

大脑损伤环路建立模块2，用于对同一重要种子点对应的大脑簇并集采用MKDA(Mutlilevel Kernel Density Analysis，多核密度分析)算法估计收敛域；所有重要种子点对应的收敛域的并集构成大脑损伤环路；

采用MKDA算法估计收敛域的具体步骤见文献：Wager TD,Lindquist MA,NicholsTE,Kober H,Snellenberg J.Evaluating the consistency and specificity ofneuroimaging data using meta-analysis.Neuroimage.2009；45(1-supp-S1):S210-S221。

大脑损伤环路建立模块构建了重要种子点与收敛域的对应关系。

聚类模块3，用于对大脑损伤环路中的体素进行聚类，得到多个体素社团；具体根据如下步骤对大脑损伤环路中的体素进行聚类：

S3.1、构建大脑损伤环路的相似性矩阵：

大脑损伤环路的相似性矩阵G为P×P方阵，其中第m行n列元素g

S3.2、根据相似性矩阵构建大脑损伤环路的邻接矩阵；

对相似性矩阵G进行二值化，得到二值化矩阵G′，G′为P×P方阵，其中第m行n列元素g′

其中ξ为预设的欧氏距离阈值；G′即为大脑损伤环路的邻接矩阵；

S3.3、根据邻接矩阵G′生成损伤体素网络：

损伤体素网络中的节点为大脑损伤环路中的体素，如果g′

S3.4、对损伤体素网络进行聚类，得到多个体素社团。本实施例中，采用K-L算法对损伤体素网络进行聚类。该算法的核心思想时把在网络划分的时候引入一个增益Q值，通过交换节点对使得Q值达到最大，从而获得最有的社团结构的划分结果。该方法的缺陷在于需要首先对网络指定相应的社团大小及社团数目。本实施例中对社团的大小和数目进行探索，指定多组社团大小和社团数目，在每组参数下采用K-L算法对损伤体素网络进行社团挖掘，计算Q值，Q值最大的则为最优的社团划分组合。具体步骤为：

S3.4.1、设置多组社团大小和社团数目组成的参数对(Size

其中Sum

本实施例中，Sum

S3.4.2、分别以每组参数对中限定的社团大小和社团数目，采用K-L算法对损伤体素网络进行社团挖掘，根据社团挖掘的结果计算Q值，模块化函数Q值的定义见文献：李晓佳,张鹏,狄增如,樊瑛.复杂网络中的社团结构.复杂系统与复杂性科学.2008；5(003):19-42，具体为：

其中M为损伤体素网络中边的数目，k

S3.4.3、选择W次社团挖掘结果中Q值最大的为最佳社团挖掘结果，得到多个体素社团。

低维特征空间构建模块4，用于根据每个被试每个体素社团的功能连接信息，采用PCA算法降维构建低维特征空间；

为了去除干扰，先对每个被试的静息态磁共振数据进行预处理，再提取每个体素社团的功能连接；所述预处理包括：去除最初6个时间点、时间层校正、头动校正、配准、分割、标准化、平滑、去线性漂移、滤波。

构建低维特征空间的步骤为：

S4.1、提取每个被试每个体素社团的功能连接信息，拼接为该被试的第一功能连接特征，所有被试的第一功能连接特征构成第一功能连接特征矩阵；

对于第h个被试，其在第i个体素社团的功能连接信息为：

其中Ni为第i个体素社团中体素的数量，

第h个被试的第一功能连接特征为X

其中H为被试的总数；

S4.2、采用PCA算法对第一功能连接特征矩阵X进行降维，得到L×L′维的低维特征空间Φ

测试者低维特征向量获取模块5，用于根据测试者每个体素社团的功能连接信息获取低维特征向量；

具体为：提取测试者每个体素社团的功能连接信息并拼接为待测功能连接向量X

其中X

分类器6，用于根据测试者低维特征向量X

所述分类器的训练为：

根据是否有指定脑疾病对每个被试添加类别标签y

将测试者的低维特征向量X

本实施例中，选择300例抑郁症患者、200例性别、年龄、受教育程度相匹配的健康对照者，共500个被试。采集所有被试的静息态磁共振影像数据。采用5折交叉验证策略来获取分类性能，该方法有助于在小样本数据中无偏地估计分类器的推广性能。首先将样本随机分为5等份，其中一份作为测试集，剩余四份做为训练集。以上随机步骤重复100次，得到的平均分类准确率作为最终个体化识别诊断的准确率。本实施例的模型分类准确率为93％。

实施例二

如图2所示，本发明公开的脑疾病判断装置，包括：

输入设备，用于接收测试者功能连接信息；

数据存储器，用于存储低维特征空间和分类器，所述低维特征空间为实施例一中公开的脑疾病判断系统中低维特征空间构建模块4所构建的低维特征空间；所述分类器为实施例一中公开的脑疾病判断系统中训练的分类器；

数据处理器，用于根据测试者功能连接信息和低维特征空间获取测试者低维特征向量，并将所述测试者低维特征向量输入分类器；

显示装置，用于展示分类器得到的测试者脑疾病判断结果。