论文部分内容阅读
近年来随着科技进步和研究深入,出现了机器学习和疾病诊断相结合的应用研究,这种跨学科的综合研究对临床应用具有重要的价值。但是基于磁共振成像针对孤独症这一亚类的模式分类研究很少,此外,对于孤独症和阿斯伯格综合征的差异研究也不多。所以本论文尝试基于结构和功能磁共振数据,分别针对上述2类被试群体展开研究。研究对象包括37名健康对照组被试,28名孤独症被试,以及21名阿斯伯格综合征被试。论文的主要研究工作及贡献包括以下2个方面:(1)基于磁共振成像和模式分类技术,利用孤独症被试和健康被试磁共振成像数据进行模式分类,形成有效的分类模型,继而为诊断孤独症提供参考性依据。主要方法是通过收集被试磁共振影像数据,计算相应指标,包括局部一致性(ReHo),低频振幅(ALFF),度中心性(DC),灰质体积(GMV),白质体积(WMV),然后通过统计找出孤独症组和健康被试组差异脑区,提取相应脑区影像数据,利用支持向量机算法进行模式分类,从而建立并检验分类模型的分类准确率。我们发现,在孤独症组和健康对照组被试数据进行模式分类的训练和测试中,分类模型准确率最高能达到87.10%。意味着将来应用到临床上有一定的诊断参考意义。(2)计算静息态磁共振成像相关指标,寻找阿斯伯格综合征异常行为的潜在因素,并探寻孤独症和阿斯伯格综合征之间的差异。主要方法是通过对孤独症组和阿斯伯格综合征组的指标进行统计分析,发现差异脑区,并和行为数据做相关分析,从而探索阿斯伯格综合征异常行为表现的潜在因素。行为数据包括韦氏智力量表和孤独性诊断访谈量表。我们发现,在两样本T检验中,阿斯伯格综合征组ALFF、ReHo值均显著高于健康对照组的有左侧角回、和右侧小脑。阿斯伯格综合征组ALFF、ReHo值均显著低于孤独症组的有眶额叶和额中回。两样本T检验中,阿斯伯格综合征组ALFF值均低于健康对照组和孤独症组的脑区有右侧额中回。而对于左侧角回的ALFF值,阿斯伯格综合征显著高于健康对照组,同时显著低于孤独症组。本论文是把机器学习应用到疾病诊断中的一次重要尝试。其次,也对阿斯伯格综合征有了进一步的认识,这为本论文未来的研究工作奠定了坚实的基础。