《表1 基于不同MR模态PD分类诊断研究的简要描述》
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。
图表编号 | XD00202617500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.10.20 |
作者 | 杨一风、胡颖、聂生东 |
绘制单位 | 上海理工大学医疗器械与食品学院、上海理工大学医疗器械与食品学院、上海理工大学医疗器械与食品学院 |
更多格式 | 高清、无水印(增值服务) |