基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统技术方案

本发明专利技术公开了一种基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统，包括依次连接的数据采集单元、离线处理单元、进程预测单元，通过对由多位受试者在baseline时测得的多个模态数据进行预处理；利用多任务直推式矩阵补全模型，将多个时间点的疾病状态预测建模为一个多任务回归问题；选择出task‑share特征和task‑specific特征，利用这两种特征进一步提高评分矩阵的预测准确率，从而完成对疾病进程的预测。

Prediction method and system of brain disease process based on weak supervision multi task matrix completion

【技术实现步骤摘要】
基于弱监督多任务矩阵补全的脑疾病进程预测方法及系统
本专利技术涉及人工智能和机器学习领域，具体涉及一种基于弱监督多任务矩阵补全模型的脑疾病进程预测方法。
技术介绍
阿尔茨海默病(Alzheimer’sdisease,AD)是一种不可逆的神经退行性疾病，其特征是神经元及其连接受损，导致患者渐进性记忆丧失和认知能力下降，最终死亡。最近的研究表明，全世界大约有2660万名AD患者，到2050年，每85人中将有1人将受到AD的影响。准确地预测AD的疾病进程，便能根据预测结果，及时对患者进行有效的针对性治疗，较大地延缓和改善病情，对于AD的临床诊断和预后具有重要意义。许多临床/认知测量被设计用来评估患者的认知状态，并作为可能的AD临床诊断的重要标准，例如简易精神状态量表(Mini-mentalStateExamination,MMSE)和阿尔茨海默病评估量表-认知子量表(Alzheimer’sDiseaseAssessmentScale-Cognitivesection,ADAS-Cog)。MMSE已被证明与潜在的AD病理学和功能的逐步恶化相关。本文档来自技高网...

【技术保护点】
1.一种基于弱监督多任务矩阵补全的脑疾病进程预测方法，其特征在于，包括以下步骤：/n步骤1：对受试者在第一次去医院接受检查时测得的磁共振成像MRI、正电子发射断层显像PET和脑脊液CSF测量值进行预处理，得到磁共振成像特征、正电子发射断层显像特征、脑脊液特征；/n步骤2：利用多任务直推式矩阵补全模型，将对第一次去医院接受检查之后每个时间点的疾病状态预测都视作一个单任务回归任务，从而多个时间点的疾病状态预测建模为一个多任务回归问题，并对特征矩阵进行去噪，在标记部分缺失的情况下预测出认知评分矩阵；/n步骤2具体包括如下步骤：/n步骤2-1，基于特征矩阵X的低秩性假设和X与Y之间的线性关联假设，补全...

【技术特征摘要】
1.一种基于弱监督多任务矩阵补全的脑疾病进程预测方法，其特征在于，包括以下步骤：
步骤1：对受试者在第一次去医院接受检查时测得的磁共振成像MRI、正电子发射断层显像PET和脑脊液CSF测量值进行预处理，得到磁共振成像特征、正电子发射断层显像特征、脑脊液特征；
步骤2：利用多任务直推式矩阵补全模型，将对第一次去医院接受检查之后每个时间点的疾病状态预测都视作一个单任务回归任务，从而多个时间点的疾病状态预测建模为一个多任务回归问题，并对特征矩阵进行去噪，在标记部分缺失的情况下预测出认知评分矩阵；
步骤2具体包括如下步骤：
步骤2-1，基于特征矩阵X的低秩性假设和X与Y之间的线性关联假设，补全后得到的矩阵Z＝[ZX,ZY]也是低秩的，其中，矩阵ZX是对应于矩阵X的真实潜在的特征矩阵，ZY是对应于矩阵Y的真实潜在的评分矩阵；通过对Z矩阵使用核范数约束，并对补全前的特征矩阵X和补全后的特征矩阵ZX之间使用F范数约束作为保真项，其公式如下：



其中，Z是一个维度为n×(d+t)的矩阵，表示实数，d代表特征数，n代表样本数，t代表任务数，W表示权重矩阵，λ1,λ2和λ3是正则化参数，‖Z‖*表示矩阵Z的核范数，P是一个mask矩阵，Pij表示矩阵P中第i行第j列的元素，当第i个样本在第j个时间点的认知评分缺失时，Pij＝0,反之则为1，⊙表示哈达玛积；
步骤2-2，疾病进程预测的目的是预测出受试者在第一次去医院接受检查后一段时间的疾病状态，对第一次去医院接受检查后每隔一定时间间隔的特定时间点的疾病状态进行预测；采用简易精神状态量表MMSE和阿尔茨海默病评估量表-认知子量表ADAS-Cog的认知评分来表示受试者的疾病状态；
步骤3：利用混合稀疏组Lasso特征选择方法选择出所有任务共享的task-share特征和每个任务所独有的task-specific特征，利用task-share特征、task-specific特征进一步提高评分矩阵的预测准确率，从而完成对疾病进程的预测；
步骤3具体包括如下步骤：
步骤3-1，对系数矩阵使用l2,1范数约束，使得W行稀疏，通过训练得到W，其中，W的每一行对应一个特征，每一列对应一个任务，W的非零行所对应的特征即为task-share特征；
步骤3-2，对系数矩阵使用l1范数约束，使得W任意稀疏，使得W的非零行中出现随机的零值，所以W的非零行对应的特征即为非零行中非零值对应任务的task-specific特征；
步骤3-3，引入时序平滑正则化项对相邻时间点评分预测的较大偏差进行惩罚；
步骤3-4，结合步骤3-1、步骤3-2、步骤3-3中的范数约束，关于task-share特征和task-specific特征的特征选择项，又称混合稀疏组Lasso项：



步骤3-5，结合步骤3-1和步骤3-4中的直推式矩阵补全模型和混合稀疏组Lasso项，得到如下模型：



其中，稀疏矩阵定义如下：其他元素为零；
步骤3-6，将步骤3-4中的模型改进为如下的非凸多任务回归形式：



步骤3-7，结合快速迭代收缩阈值算法和DC规划方法设计步骤3-6所提出模型的求解方法；
通过交替迭代以下两个子问题来求解出W和Z：



其中，公式(5)中的子问题1用FISTA方法来求解，令：



其中，F(Z,W)表示公式(5)中除了核范数的可导项的集合；
那么子问题1就用如下方式求解：



其中，表示核范数的近邻算子，表示步长，而Lipschitz连续常数求解如下:...

【专利技术属性】
技术研发人员：王凌胜，陈蕾，查思明，李平，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32