[发明专利]神经影像标记物形态学融合分类指数的构建方法及应用

说明书

本发明为神经影像标记物形态学融合分类指数的构建方法及应用，该构建方法包括以下内容：获取M个中心的结构MRI数据，提取脑结构像特征数据；以各中心数据进行独自训练，分别建立各中心的分类模型，获得M个中心的分类模型；对于任意一个样本，在所有中心的分类模型，计算出该样本在每个模型每个特征的分类权重值，即SHAP矩阵；然后以每个模型训练时使用的样本量为权重，按照公式(1)计算获得单一的形态学融合分类指数MICI值：其中，Si代表模型i的样本量，B代表特征总数，a_i代表了特征a在模型i中的SHAP值，i＝1～M。MICI值可以很好的实现对精神疾病患者及正常人之间的鉴别，具有良好的可解释性、进化性和可扩展性。

技术领域

本发明涉及神经影像标记物领域，提出一种基于机器学习和多中心数据的神经影像标记物——形态学融合分类指数(MICI值)的构建方法，用于辅助神经精神疾病的个体化诊疗。

背景技术

精神分裂症、重度抑郁、阿尔茨海默病等以弥漫性脑损害为特征的神经精神疾病严重影响人类健康，给个人和社会带来了巨大负担。目前，精神疾病主要依赖于医生对临床症状作出主观诊断，存在一定的误诊和漏诊。磁共振成像(magnetic resonance imaging，MRI)由于其简便性、无创性及全面性等优势愈发受到了大家的关注。大量研究报道神经精神疾病患者的脑结构与正常被试之间存在明显差异。基于这些差异，将有助于我们对神经精神疾病进行诊断。脑结构特征具有多样性，机器学习是一种很好的融合分析诊断方式。磁共振成像(MRI)技术结合机器学习在揭示神经精神疾病的脑损伤机制以及疾病的客观诊断方面表现出巨大的潜力。然而，对于大多数的单中心机器学习模型，其结果的泛化性能往往不足，且分类准确率不稳定。多中心大样本数据由于能提高机器学习的泛化性能，愈发受到了研究人员的关注。然而，多中心数据共享存在一些无法避免的问题，如原始MRI数据分析需要耗费海量的存储、网络和计算资源，大大增加了分析机构的人力和物力成本；另外，原始MRI数据含有个人身份的识别信息，如何有效保护被试隐私也是一个难题。机器学习模型是一个含有大量参数的“黑盒子”，预测结果的可解释性比较差，很难和精神疾病的神经生物特征和临床症状等建立人类可理解的联系，导致其不能在临床工作中得到快速推广和转化。因此，有必要开发一种泛化性高，易普及，易解释的简单影像学客观标记物。

发明内容

为了解决目前技术的不足，本发明创新性的提出了一种基于机器学习的神经影像标记物——形态学融合分类指数(morphological integrated classification index，MICI)的构建方法及应用。本发明的设计思路是充分利用多中心大数据的有用信息，首先利用形态学MRI影像数据和机器学习算法构建单中心的分类模型，然后把多中心的分类模型中的特征权重进行加权整合，获得对个体化的形态学融合分类指数MICI，最后用MICI值对疾病进行分类，并建立生物学关联。由于MICI值是基于模型计算得到的，计算简便，无需各中心共享原始数据，各中心分类模型独自训练。除此之外，MICI值可以很好的实现对精神疾病患者及正常人之间的鉴别，具有良好的可解释性、进化性和可扩展性。

本发明采用的技术方案是：

第一方面，本发明提供一种神经影像标记物形态学融合分类指数的构建方法，该构建方法包括以下内容：

获取M个中心的结构MRI数据，提取脑结构像特征数据，M为大于1的整数；

以各中心数据进行独自训练，分别建立各中心的分类模型，获得M个中心的分类模型，形成模型库；

对于任意一个样本，在所有中心的分类模型，计算出该样本在每个模型每个特征的分类权重值，即SHAP矩阵，SHAP矩阵的维度为特征数×模型数，特征数为所提取的脑结构像特征数据的个数B；然后以每个模型训练时使用的样本量为权重，按照公式(1)计算获得单一的形态学融合分类指数MICI值；