基于动态阈值调整特征选择下Transformer模型对阿尔茨海默病病程分类

摘要

目的 采用Transformer模型，融合结构磁共振成像（sMRI）数据与人口统计学资料，以实现对阿尔茨海默病（AD）病程阶段的分类识别。方法 数据来源于阿尔茨海默病神经影像学倡议数据库（ADNI），随机选取543例研究对象，其中包括139例认知功能正常者（NC）、220例早期轻度认知障碍（EMCI）、108例晚期轻度认知障碍（LMCI）以及76例AD患者。采用基于动态阈值调整的L1正则化（L1-DTFS）及基于动态阈值调整的梯度提升决策树（GBDT-DTFS）算法，分别对这些研究对象的272项sMRI数据进行特征选择，筛选出最优特征子集。将筛选后的sMRI特征与3项人口统计学指标（年龄、性别、受教育程度）及简易精神状态检查（MMSE）评分共同输入Transformer模型和逻辑回归（LR）模型，观察其在区分AD连续病程中所有两两组合[共分为NC-EMCI（表示NC组与EMCI组分类，下同）、NC-LMCI、NC-AD、EMCI-LMCI、EMCI-AD以及LMCI-AD 6个分类组]时的分类效果，并通过受试者工作特征曲线下面积（AUC）评价模型的判别性能。结果 L1-DTFS和GBDT-DTFS两种特征选择方法均筛选出了6组分类任务中最有贡献的优势特征，且L1-DTFS特征选择下的Transformer模型对NC与LMCI组的分类预测准确率、精确度、敏感度均达100%,AUC值为1.00。结论 Transformer模型在AD病程分类中有较好且稳定的表现，其中在NC与LMCI病程分类组表现更佳。

关键词

阿尔茨海默病 / 轻度认知障碍 / 磁共振成像 / Transformer模型 / LR模型 / 特征选择算法 / 动态阈值