System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及神经影像数据分析,尤其涉及帕金森进展预测方法及装置。
技术介绍
1、帕金森病(parkinson’s disease,pd)是一种进展性、异质性的神经退行性疾病,目前尚无有效的治疗方法,因此,有必要寻找快速进展的早期预测指标,助于更好地理解帕金森病内在异质性进展的潜在机制。现有研究表明:基线临床评分、实验室指标、遗传数据、基于pet(positron emission tomography,正电子发射断层)和mri(magnetic resonanceimaging,磁共振成像)的成像指标可能是pd进展的潜在预测因素。然而,目前还没有公认和可靠的pd进展预测标志物;并且,在帕金森病早期病理过程中的轴突变性,在帕金森病确诊之前就发生了;同时,弥散张量成像(diffusion tensor imaging,dti)能客观检测到微结构的异常,且根据mri检测结果显示,脑白质(white matter,wm)的完整性在皮质变薄发生之前就已被破坏,因此,wm指标可能有助于pd进展预测。
2、另外,白质结构连接在维持远端脑区的完整性及其功能方面起着重要作用,但若仅依赖结构连接来判断pd进展,又缺乏对其他因素的考量,导致对pd的进展预测过于片面。横跨整个大脑的结构连接是大量特征的整合,而没有交叉验证的一般多元回归模型往往会导致对数据的过度拟合和较差的泛化。
3、总之,现有技术对判断pd进展预测的参考物有限,且模型拟合能力和泛化能力不够,导致对pd进展预测不够准确。
技术实现思路
1、本专利技术的目的是针对上述现有技术的不足,提出一种帕金森病进展预测方法及装置,能够有效提高对帕金森预测的精确度。
2、第一方面,本专利技术提供了一种帕金森进展预测方法,包括:
3、依次统计多名患者的临床变量和影像指标;其中,所述临床变量包括:人口统计学特征、临床量表评分和脑脊液指标;所述影像指标包括:t1wi数据和dti数据;
4、对所述人口统计学特征、所述临床量表评分、所述脑脊液指标、所述t1wi数据和所述dti数据进行归一化,得到第一预测特征;
5、根据帕金森症病情的分级表评分,将所述多名患者依次划分为稳定组和进展组,并根据所述第一预测特征在所述稳定组和所述进展组中的差异,对所述第一预测特征进行第一次特征选择,得到第二预测特征;
6、按照频率从所述第二预测特征中进行第二次特征选择,得到多个目标特征,将所述多个目标特征作为初始的第一分类模型的输入,对所述第一分类模型进行训练,以使根据训练好的第二分类模型对帕金森病进行进展预测。
7、值得说明的是,本专利技术的研究有几个局限性。没有外部测试集来进一步验证泛化能力;随访中患者可能接受了多巴胺能治疗,这可能对帕金森病的进展产生了影响;最后,只研究了t1wi数据和dti数据,未考虑更多模态成像的结合可能会进一步提高预测性能;但是,本专利技术通过联合人口统计学特征、临床量表评分和脑脊液指标与脑白质扩散指标和白质结构连接,使用基于弹性网的特征共识排序(enfcr)方法能够获取对pd进展预测具有指导性的特征,能够消除数据依赖,提高特征选择的一致性,也能提高对pd进展预测的模型拟合能力和泛化能力,并从而提高pd进展预测的精准度。
8、结合第一方面,在一些实施例中,所述根据帕金森症病情的分级表评分,将所述多名患者依次划分为稳定组和进展组,并根据所述第一预测特征在所述稳定组和所述进展组中的差异,对所述第一预测特征进行第一次特征选择,得到第二预测特征,包括:
9、将n年后hy评分低于或等于基线的患者划分为帕金森症病的稳定组,n年后hy评分高于基线的患者划分为帕金森症病的进展组,直到对所述多名患者分完组;其中,n为正数;
10、从所述第一预测特征中筛选出所述稳定组与所述进展组之间的小于差异阈值的特征,得到第二预测特征。
11、结合第一方面,在一些实施例中,统计多名患者的影像指标,包括:
12、从脑白质扩散指标标记图谱中提取的多个脑白质区域的分数各向异性、平均扩散系数、轴向扩散系数和径向扩散系数和脑白质结构连接。
13、结合第一方面,在一些实施例中,提取所述脑白质结构连接,包括:
14、根据将脑网络图谱中的多个皮质和多个皮质下亚区定义为节点,将皮质区域与皮质下亚区域之间的平均纤维长度、纤维条数和平均值定义为边,分别得到平均纤维长度连接矩阵、纤维条数连接矩阵和分数各向异性连接矩阵,并分别取所述平均纤维长度连接矩阵、所述纤维条数连接矩阵和所述分数各向异性连接矩阵右上角的特征,表征脑白质结构连接。
15、结合第一方面,在一些实施例中,所述按照频率从所述第二预测特征中进行第二次特征选择,得到多个目标特征,包括:
16、将所述多名患者分为训练集和测试集,并基于弹性网的特征共识排序,获取所述训练集中的第二预测特征被选择的频率,选择频率高的多个目标特征;其中,所述测试集用于所述第二分类模型的测试。
17、第二方面,本专利技术提供了一种帕金森病进展预测装置,包括:数据采集模块、预处理模块、特征选择模块和模型构建模块;其中,
18、所述数据采集模块,用于依次统计多名患者的临床变量和影像指标;其中,所述临床变量包括:人口统计学特征、临床量表评分和脑脊液指标;所述影像指标包括:t1wi数据和dti数据;
19、所述预处理模块,用于对所述人口统计学特征、所述临床量表评分、所述脑脊液指标、所述t1wi数据和所述dti数据进行归一化,得到第一预测特征;
20、所述特征选择模块,用于根据帕金森症病情的分级表评分,将所述多名患者依次划分为稳定组和进展组,并根据所述第一预测特征在所述稳定组和所述进展组中的差异,对所述第一预测特征进行第一次特征选择,得到第二预测特征;
21、所述模型构建模块,用于按照频率从所述第二预测特征中进行第二次特征选择,得到多个目标特征,将所述多个目标特征作为初始的第一分类模型的输入,对所述第一分类模型进行训练,以使根据训练好的第二分类模型对帕金森病进行进展预测。
22、结合第一方面,在一些实施例中,所述根据帕金森症病情的分级表评分,将所述多名患者依次划分为稳定组和进展组,并根据所述第一预测特征在所述稳定组和所述进展组中的差异,对所述第一预测特征进行第一次特征选择,得到第二预测特征,包括:
23、将n年后hy评分低于或等于基线的患者划分为帕金森症病的稳定组,n年后hy评分高于基线的患者划分为帕金森症病的进展组,直到对所述多名患者分完组;其中,n为正数;
24、从所述第一预测特征中筛选出所述稳定组与所述进展组之间的小于差异阈值的特征,得到第二预测特征。
25、结合第一方面,在一些实施例中,统计多名患者的影像指标,包括:
26、从脑白质扩散指标标记图谱中提取的多个脑白质区域的分数各向异性、平均扩散系数、轴向扩散系数和径向扩散系本文档来自技高网...
【技术保护点】
1.一种帕金森病进展预测方法,其特征在于,包括:
2.如权利要求1所述的帕金森病进展预测方法,其特征在于,所述根据帕金森症病情的分级表评分,将所述多名患者依次划分为稳定组和进展组,并根据所述第一预测特征在所述稳定组和所述进展组中的差异,对所述第一预测特征进行第一次特征选择,得到第二预测特征,包括:
3.如权利要求1所述的帕金森病进展预测方法,其特征在于,统计多名患者的影像指标,包括:
4.如权利要求3所述的帕金森病进展预测方法,其特征在于,提取所述脑白质结构连接,包括:
5.如权利要求1所述的帕金森病进展预测方法,其特征在于,所述按照频率从所述第二预测特征中进行第二次特征选择,得到多个目标特征,包括:
6.一种帕金森病进展预测装置,其特征在于,包括:数据采集模块、预处理模块、特征选择模块和模型构建模块;其中,
7.如权利要求6所述的帕金森病进展预测装置,其特征在于,所述根据帕金森症病情的分级表评分,将所述多名患者依次划分为稳定组和进展组,并根据所述第一预测特征在所述稳定组和所述进展组中的差异,对所述第一预测特
8.如权利要求6所述的帕金森病进展预测装置,其特征在于,统计多名患者的影像指标,包括:
9.如权利要求8所述的帕金森病进展预测装置,其特征在于,提取所述脑白质结构连接,包括:
10.如权利要求6所述的帕金森病进展预测装置,其特征在于,所述按照频率从所述第二预测特征中进行第二次特征选择,得到多个目标特征,包括:
...【技术特征摘要】
1.一种帕金森病进展预测方法,其特征在于,包括:
2.如权利要求1所述的帕金森病进展预测方法,其特征在于,所述根据帕金森症病情的分级表评分,将所述多名患者依次划分为稳定组和进展组,并根据所述第一预测特征在所述稳定组和所述进展组中的差异,对所述第一预测特征进行第一次特征选择,得到第二预测特征,包括:
3.如权利要求1所述的帕金森病进展预测方法,其特征在于,统计多名患者的影像指标,包括:
4.如权利要求3所述的帕金森病进展预测方法,其特征在于,提取所述脑白质结构连接,包括:
5.如权利要求1所述的帕金森病进展预测方法,其特征在于,所述按照频率从所述第二预测特征中进行第二次特征选择,得到多个目标特征,包括:
6.一种帕金森病进展预测...
【专利技术属性】
技术研发人员:魏新华,黄晓妃,余绍德,韩晓蕊,陈阿梅,阮秀杭,王招秀,
申请(专利权)人:广州市第一人民医院广州消化疾病中心,广州医科大学附属市一人民医院,华南理工大学附属第二医院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。