《表1 基于不同MR模态PD分类诊断研究的简要描述》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于磁共振图像的帕金森病计算机辅助诊断研究进展》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注:HC—健康人群；PPMI—帕金森病进展标志物倡议；McRBFN—元认知径向基函数网络；RFE—递归特性消除；SVM—支持向量机；Kendall—Kendall秩相关系数；SOM—自组织映射网络；FDR—Fisher判别比；LSSVM—最小二乘支持向量机；JFSS—联合特征样本选择法；RLDA—鲁棒线性判别分析；FA—各向

总结近10年将机器学习技术和不同MR模态影像相结合用于早期PD和正常人群的分类研究，如表1所示。整体而言，MR影像能够实现对PD患者典型特征的识别和良好的诊断能力[31-32]，表明MR影像可以为PD诊断提供具有特异性的生物标记物。其中，基于多模态MR联合的方式在判别PD和正常人上均具备90%以上的诊断准确性，是一种提高PD诊断性的有效方法。但由于每项研究讨论的MR模态不一、特征提取方式和特征选择方法不同，难以直接比较哪种分类算法最优。基于目前PD小样本数据的特点，在众多分类算法中，SVM占有一定优势，在PD诊断中最为常用。但根据“没有免费午餐定理”[33]，不可能某一种算法总是优于其他算法。因此，还应尝试使用不同的分类器，以选择最佳的分类模型。