基于多模态多标记迁移学习早期阿尔茨海默病诊断.docVIP

基于多模态多标记迁移学习早期阿尔茨海默病诊断 　　摘要：针对当前基于机器学习的早期阿尔茨海默病（AD）诊断中训练样本不足的问题，提出一种基于多模态特征数据的多标记迁移学习方法，并将其应用于早期阿尔茨海默病诊断。所提方法框架主要包括两大模块：多标记迁移学习特征选择模块和多模态多标记分类回归学习器模块。首先，通过稀疏多标记学习模型对分类和回归学习任务进行有效结合；然后，将该模型扩展到来自多个学习领域的训练集，从而构建出多标记迁移学习特征选择模型；接下来，针对异质特征空间的多模态特征数据，采用多核学习技术来组合多模态特征核矩阵；最后，为了构建能同时用于分类与回归的学习模型，提出多标记分类回归学习器，从而构建出多模态多标记分类回归学习器。在国际老年痴呆症数据库（ADNI）进行实验，分类轻度认知功能障碍（MCI）最高平均精度为79.1%，预测神经心理学量表测试评分值最大平均相关系数为0.727。实验结果表明，所提多模态多标记迁移学习方法可以有效利用相关学习领域训练数据，从而提高早期老年痴呆症诊断性能。 　　关键词：多模态学习；多标记学习；迁移学习；阿尔茨海默病；特征选择 　　中图分类号：TP181 　　0引言 　　阿尔茨海默病（Alzheimers Disease， AD），又称老年痴呆症，是一种脑神经元以及神经元之间连接的渐进性损伤，而引起的认知和记忆功能减退的中枢神经系统退行性脑部疾病。65岁以上老人中约有八分之一患有AD，随着年龄增长患病率明显增加。研究预测2050年AD患者将达到1.15亿[1]，因此，尽早发现并治疗能有效延缓疾病发展进程，那么，AD早期阶段诊断，也就是轻度认知功能障碍（Mild Cognitive Impairment， MCI）诊断对延缓并治疗AD具有十分重要的意义。近年来，大量基于多模态特征的机器学习方法被应用于早期AD诊断[2-8]。这些多模态特征，通常有结构磁共振成像（Magnetic Resonance Imaging， MRI）、正电子发射型计算机断层成像（Positron Emission Tomography， PET）、脑脊液（Cerebrospinal Fluid， CSF）以及其他模态脑图像特征。这些基于多模态方法的研究[2-8]表明，采用多模态特征的方法能获得比单模态方法更好的分类性能，因为不同模态特征之间的互补性判别信息通过多模态方法能有效融合。 　　最近，一些研究除了单纯预测疾病类别之外，也开始关注估计患者神经心理学量表测试评分值[3，9-10]。其中有不少研究关注估计简易精神状态检查量表（Mini-Mental State Examination， MMSE）、阿尔茨海默病评定量表（Alzheimers Disease Assessment Scale-Cognitive subscale， ADAS-Cog）评分值[2，10-11]。相比分类方法预测疾病类别，回归方法估计神经心理学量表测试评分值能更加精细地诊断疾病的临床阶段；但是，有一些学者发现预测疾病类别与估计神经心理学量表测试评分值是非常相关的学习任务[3，12-13]，于是出现了一些学者开始研究结合分类与回归方法。其中：Zhang等[3]提出了一种多模态多任务学习方法，能从分类与回归学习任务中学习出共同的最优特征子集；Zhu等[12]提出了一种基于矩阵相似性度量的多任务学习方法，能同时从多模态多任务训练集中学习出最优特征子集；此外，Wang等[13]提出了一种结构稀疏多任务学习模型，能从分类与回归学习任务中学习对AD疾病敏感的神经图像特征。以上研究表明，结合具有相关性的异质多学习任务能明显改进单一学习任务的性能。 　　然而，现有大多数结合分类与回归学习任务的研究中，训练集数据都来自同一学习领域。在基于脑图像疾病诊断的临床实际中，存在许多相关学习领域的数据可利用。例如，最近一些研究发现，诊断AD与诊断MCI是非常相关的两个学习领域，并且利用分类任务AD与正常对照组（Normal Control， NC）能有效改进诊断MCI的分类（也就是MCI转化为AD表示为MCI-C；MCI不转化为AD表示为MCI-NC）性能[7，14-15]。另外，引入相关学习领域数据能有效缓解小样本问题。在机器学习领域里，一些学者提出迁移学习来有效利用相关学习领域数据，并在计算机视觉应用领域获得了较好的性能。在本文中，为了有效利用多模态相关学习领域（也即是诊断AD）数据，提出了多模态多标记迁移学习模型（Multimodal Multi-Label Transfer Learning， M2LTL）。具体来讲，多模态多标记迁移学习框架主要包括两个模块：1）多标记迁移学习特征选择模型，从多个学习领域训练集上寻找最具判别性的特征子集；2）多模