一种基于光谱的阿尔茨海默症智能检测装置的制作方法

[0001]
本发明涉及智能医疗检测技术领域，尤其涉及一种基于光谱的阿尔茨海默症智能检测装置。


背景技术：

[0002]
阿尔茨海默症(alzheimer disease，简称ad)俗称老年痴呆是继心血管病、脑血管病和肿瘤之后，一种起病隐匿、多发于老年、多致病因素、逐渐丧失记忆和认知能力、危及生命的神经系统退行性疾病。目前为止，阿尔茨海默症患者在仅通过药物延缓发展，尚无有效治愈方法。据《2019年世界阿尔茨海默病报告》目前全球约有5000万阿尔茨海默症患者，数据预测，截止2050年，阿尔茨海默症患者将达到1.52亿之多，平均每3秒就有一人罹患阿尔茨海默症。中国已经是世界上阿尔茨海默症患病人口最多、增长速度最快的地区。阿尔茨海默症治疗的直接与间接费用粗略估算已经占到了国内gdp的1.47％，预计2030年达到3.5万亿元，2050年将达到12.6万亿元。阿尔茨海默症已经给家庭和社会带来了沉重的负担。阿尔茨海默症作为神经变性病，存在广泛的复杂神经变性障碍，其特征在于神经元功能的失调最终导致神经元死亡，其发病机制目前尚未明确。存在证据表明在显著症状出现前的数十年，阿尔茨海默症患者脑内就已产生了上述病理改变。阿尔茨海默症诊断标准也将阿尔茨海默认定为一个连续发展的病理、生理过程，因此，阿尔茨海默症早期的检测非常关键。
[0003]
现有的阿尔茨海默症筛查与检测方法主要有量表(认知标记)评估、脑脊液检测、基因检测及影像学检查等。量表检查过程中全程需要受过培训的测试人员参与，在使用过程中受被测试者受教育程度和语言理解能力的影响较大，并且对检测提供者的人力资源提出了很高的需求。脑脊液生物标记物诊断方式存在操作复杂、侵入性高、患者痛苦等缺陷更不适于阿尔茨海默症早期的检测。通过fmri、pet、spect等多种脑功能成像技术的硬性检查，可发现mci/阿尔茨海默的特异性影像学表现，并可用于排除其他潜在疾病。但因检测成本高昂，未能在筛查检测中常规运用，多作为高风险人群确诊使用；基因检测只对特定的家族性早发型阿尔茨海默症有效。


技术实现要素：

[0004]
本发明要解决的技术问题是针对上述现有技术的不足，提供一种基于光谱的阿尔茨海默症智能检测装置，实现对阿尔茨海默症的早期检测。
[0005]
为解决上述技术问题，本发明所采取的技术方案是：一种基于光谱的阿尔茨海默症智能检测装置，包括光谱采集模块、数据处理模块、模型特征波数选取模块、多模型检测模块、检测特征波数选取模块、检测与判断模块以及显示模块；
[0006]
所述光谱采集模块采集不同症状阶段阿尔茨海默症患者和健康对照组的血浆样本，并测量血浆样本的ftir-atr光谱数据，构成血浆光谱样本集；
[0007]
根据阿尔茨海默病分级体系总体衰退量表(global deterioration scale，即gds)，涉及reisnberg规定的七个阶段，将阿尔茨海默症划分为早期症状阶段、中前期症状
阶段、中后期症状阶段以及晚期症状阶段；
[0008]
所述数据处理模块对血浆样本的光谱数据进行基线校正预处理，并求取预处理后光谱数据的一阶导数光谱和二阶导数光谱；将血浆光谱样本集按照阿尔茨海默症早期、中前期、中后期和晚期不同阶段和健康对照组光谱样本一起进行划分，形成阿尔茨海默症不同阶段检测筛查与判断模型的训练集和测试集；
[0009]
所述模型特征波数选取模块利用所有训练集中的阿尔茨海默症血浆光谱样本，定义并计算阿尔茨海默症患者的原始血浆光谱、一阶导数光谱和二阶导数光谱的同步二维自相关光谱；将蛋白结构变异所对应的波数范围作为用于驱动阿尔茨海默不同症状阶段检测模型切换的模型特征波数的预选集合；利用非参数检验中的累积分布函数定义量化训练样本光谱数据分布差异的统计变量，并依据统计变量进一步设计显著性指标函数对预选集合内的模型特征波数进行显著性排序；再依据训练集样本标签，利用层次聚类方法按照模型特征波数显著性排序迭代选取模型特征波数，直至满足训练集标签所示的结果，最终获得阿尔茨海默症早期、中前期、中后期和晚期的模型特征波数；
[0010]
所述多模型检测模块针对阿尔茨海默症不同病程间的异质性，利用随机森林构建多个适用于不同阶段阿尔茨海默病的检测模型，并根据模型特征波数来驱动不同检测模型间的切换，实现对不同症状阶段的待测样本采用不同的检测模型进行检测；
[0011]
所述检测特征波数选取模块基于阿尔茨海默症患者和健康对照组的血浆光谱数据自身统计分布特性，利用非参数检验中定义的统计量获得训练样本的全部光谱波数的检测显著性指标值并进行排序；利用随机森林检测方法，基于训练集样本数据，依据光谱波数的显著性排序进行光谱波数的迭代搜索选取，直至满足阿尔茨海默症不同阶段的检测模型的性能指标，最终确定不同症状阶段检测模型的检测特征波数；
[0012]
所述检测与判断模块依据多模型检测系统模块切换的检测模型以及所对应的检测特征波数完成阿尔茨海默疾病的检测，并由显示模块显示检测与判断的结果；同时，通过检测模型的评价指标评价模型的应用性能。
[0013]
优选地，所述模型特征波数选取模块计算的阿尔茨海默症患者的原始血浆光谱的同步二维自相关光谱，如下公式所示：
[0014][0015]
其中，表示原始血浆光谱的同步二维自相关光谱，γ
i
为第i个阿尔茨海默症患者血浆光谱上的蛋白分子结构变异引起的扰动，为原始血浆光谱的动态光谱吸收度，定义为阿尔茨海默症患者血浆光谱吸收度a(ν
k
,γ
i
)与训练集中所有阿尔茨海默患者血浆光谱的平均光谱吸收度之间的差谱，如下公式所示：
[0016][0017]
其中，k＝1、2，v1和v2不代表指定波数，仅表示任意两个不同的波数，阿尔茨海默症患者血浆光谱的平均光谱吸收度如下公式所示：
[0018][0019]
其中，m是训练集中阿尔茨海默症患者的样本数。
[0020]
优选地，所述模型特征波数的预选集合通过以下方式获得：
[0021]
(1)获取原始血浆光谱的二维自相关光谱图，搜索原始血浆光谱自动峰得到模型特征波数的预选区域；
[0022]
(2)获取一阶导数光谱的二维自相关光谱图，在原始血浆光谱自动峰所对应预选区域搜索得到j个模型特征波数的预选波数；
[0023]
(3)获取二阶导数光谱的二维自相关光谱图，在原始血浆光谱自动峰所对应预选区域搜索得到p个模型特征波数的预选波数；
[0024]
(4)将从一阶导数光谱的二维自相关光谱图选出来的j个波数和二阶导数光谱的二维自相关光谱图选出来的p个波数合并得到模型特征波数的预选集合。
[0025]
优选地，所述模型特征波数选取模块利用非参数检验中的累积分布函数定义量化样本光谱数据分布差异的统计变量，并依据统计变量进一步设计显著性指标函数对预选集合内的模型特征波数进行显著性排序的具体方法为：
[0026]
1)设定矩阵a代表阿尔茨海默病患者血浆光谱模型特征波数预选集合，m是训练集中阿尔茨海默症患者样本数目，矩阵h代表健康控制组的血浆光谱预选波数数据；
[0027]
2)提取矩阵a和矩阵h的相对应列，同时按照光谱吸光度数值对光谱模型特征波数预选集合中的波数进行升序排序，组成样本观测值；
[0028]
3)在血浆光谱数据的非参数检验中，光谱对应波数υ上的吸收度观测值表达为n是训练集中样本总数，n＝m+q，q为训练集中健康控制组的样本数，则波数所对应吸收度的累积经验分布函数为f(χ)，阿尔茨海默症患者血浆光谱和健康控制组的血浆光谱的累积经验分布函数分别为f
a
(χ)和f
h
(χ)；
[0029]
4)分别计算阿尔茨海默症的血浆光谱矩阵和健康控制组的血浆光谱矩阵所对应波数的累积经验分布f
a
(χ)和f
h
(χ)；
[0030]
5)依据累积经验分布函数定义量化训练集样本的累积经验分布数值最大差异的统计变量d
q,m
＝max(|f
a
(χ)-f
h
(χ)|)，其取值区间[0，1]；
[0031]
6)重复步骤2)-5)直到所有列对应的波数均得到相应的统计变量d
q,m
，对所有的统计量d
q,m
进行降序排序，即得到波数的显著性排序。
[0032]
优选地，所述检测模型的评价指标通过混淆矩阵定义，混淆矩阵h表达为：
[0033][0034]
其中，tp：被判定为正，实际为正，即真阳性；fn：被判定为负，实际为正，即假阴性；fp：被判定为正，实际为负，即假阳性；tn：被判定为负，实际为负，即真阴性；
[0035]
疾病检测领域的指标包括灵敏度和特异性；灵敏度是指筛查与诊断时不出现漏诊的概率，而特异性是指筛查与诊断时不出现误诊的概率，表达为：
[0036]
[0037][0038]
优选地，所述多模型检测模块根据模型特征波数来驱动不同检测模型间切换的原则如下：
[0039]
将模型特征波数集合表达为：ν
mf
＝{ν1,ν2,
…
ν
k
}；则测试样本在模型特征波数上对应的吸收度训练集中不同阶段阿尔茨海默症光谱样本在模型特征波数上对应的吸收度表达为：不同阶段阿尔茨海默症光谱样本集的类中心点，采用如下公式计算：
[0040][0041]
其中，l是不同阶段阿尔茨海默症样本集中的样本个数；
[0042]
则阿尔茨海默早期症状光谱样本集的中心点是阿尔茨海默中前期症状光谱样本集的中心点是阿尔茨海默中后期症状光谱样本集中心点是阿尔茨海默中后期症状光谱样本集中心点是阿尔茨海默晚期症状光谱样本集中心点是，阿尔茨海默晚期症状光谱样本集中心点是，
[0043]
定义测试样本到各样本集中心点距离为d
mild
,d
mode
-ⅰ
,d
mode
-ⅱ
和d
term
，则测试样本到阿尔茨海默症各阶段光谱样本集中心点的最短距离为d
min
＝min{d
mild
,d
mode
-ⅰ
,d
mode
-ⅱ
,d
term
}；此最短距离决定了测试样本应切换到的相应检测模型，即为不同症状阶段检测模型的自适应切换规则。
[0044]
采用上述技术方案所产生的有益效果在于：本发明提供的一种基于光谱的阿尔茨海默症智能检测装置，不但能够检测出阿尔茨海默症状，还能通过使用不同的检测模型进一步检测出阿尔茨海默症早期、中前期、中后期和晚期不同的阶段，解决现有血浆ftir-atr光谱分析方法在筛查和检测阿尔茨海默病中检测指标灵敏度和特异性偏低的缺陷。实现了便捷、便宜、可靠的阿尔茨海默症智能检测。
附图说明
[0045]
图1为本发明实施例提供的一种基于光谱的阿尔茨海默症智能检测装置的结构框图；
[0046]
图2为本发明实施例提供的不同阶段阿尔茨海症默患者的平均光谱图；
[0047]
图3为本发明实施例提供的模型特征波数选取模块进行模型特征波数选取的过程示意图，其中，(a)为阿尔茨海默症原始血浆二维光谱图，(b)为选取模型特征波数的过程示意图；
[0048]
图4为本发明实施例提供的一种基于光谱的阿尔茨海默症智能检测装置进行阿尔茨海默症检测的流程图；
[0049]
图5为本发明实施例提供的不同症状阶段阿尔茨海默症测试结果roc曲线图。
具体实施方式
[0050]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0051]
本实施例中，一种基于光谱的阿尔茨海默症智能检测装置，如图1所示，包括光谱采集模块、数据处理模块、模型特征波数选取模块、多模型检测模块、检测特征波数选取模块、检测与判断模块以及显示模块；
[0052]
所述光谱采集模块采集不同症状阶段阿尔茨海默症患者和健康对照组的血浆样本，通过ftir红外取样装置采用衰减全反射atr模式采集血浆样本的干涉光谱信号，并处理分析形成ftir-atr光谱数据，构成血浆光谱样本集；
[0053]
根据阿尔茨海默病分级体系总体衰退量表(global deterioration scale，即gds)涉及reisnberg规定的七个阶段，将阿尔茨海默症划分为早期症状阶段、中前期症状阶段、中后期症状阶段以及晚期症状阶段；
[0054]
阿尔茨海默病分级体系总体衰退量表(global deterioration scale，即gds)涉及reisnberg规定的七个阶段分别为：
[0055]
gds-1：无认知功能减退；
[0056]
gds-2：极轻度认知功能衰退；
[0057]
gds-3：轻度认知功能衰退；
[0058]
gds-4：中度认知功能衰退；
[0059]
gds-5：重度认知功能衰退；
[0060]
gds-6：严重认知功能衰退；
[0061]
gds-7：晚期痴呆；
[0062]
基于这个分级，本发明将gds-2和gds-3阶段定义为阿尔茨海默症早期症状阶段-mild(ad1)；gds-4阶段定义为阿尔茨海默症状中度发展水平的中前期症状阶段-mold
-ⅰ
(ad2)；gds-5阶段定义为阿尔茨海默症状中度发展水平的中后期症状阶段-mold
-ⅱ
(ad3)；gds-6和gds-7阶段定义为阿尔茨海默症状晚期的、严重的或重度发展水平的晚期症状阶段-term(ad4)。
[0063]
本实施例中，早期症状样本30例，中前期症状样本80例，中后期症状样本25例，晚期症状样本15例；健康对照组血浆样本180例。光谱采集处理模块首先采集规定数量不同症状阶段阿尔茨海默病患者和健康人的血浆样本；然后通过ftir红外取样装置采用衰减全反射atr模式采集血浆的干涉光谱信号，每个样本扫描测量8次，取其平均光谱作为ftir-atr光谱测量值，获取阿尔茨海默症不同症状阶段患者血浆ftir-atr光谱数据。本实施例中，早期、中前期、中后期和晚期不同阶段阿尔茨海默症患者的平均光谱如图2所示。
[0064]
所述数据处理模块对血浆样本的光谱数据进行基线校正预处理，并求取预处理后光谱数据的一阶导数光谱和二阶导数光谱；将血浆光谱样本集按照阿尔茨海默症早期、中前期、中后期和晚期不同阶段和健康对照组光谱样本一起进行划分，形成阿尔茨海默症不同阶段检测筛查与判断模型的训练集和测试集；本实施例中，按照样本数目比例7:1.5:1.5，划分为训练集、验证集和独立测试集。
[0065]
所述模型特征波数选取模块如图3所示，利用所有训练集中的阿尔茨海默症血浆光谱样本，定义并计算阿尔茨海默症患者的原始血浆光谱、一阶导数光谱和二阶导数光谱
的同步二维自相关光谱；二维自相关光谱的自相关峰所代表的分子振动模式受到阿尔茨海默症不同阶段蛋白结构变异程度的影响，因此，将蛋白结构变异所对应的波数范围作为用于驱动阿尔茨海默不同症状阶段检测模型切换的模型特征波数的预选集合；利用非参数检验中的累积分布函数定义量化训练样本光谱数据分布差异的统计变量，并依据统计变量进一步设计显著性指标函数对预选集合内的模型特征波数进行显著性排序；再依据训练集样本标签，利用层次聚类方法按照模型特征波数显著性排序迭代选取模型特征波数，直至满足训练集标签所示的结果，最终获得阿尔茨海默症早期、中前期、中后期和晚期的模型特征波数；
[0066]
模型特征波数选取模块计算的阿尔茨海默症患者的原始血浆光谱的同步二维自相关光谱，如下公式所示：
[0067][0068]
其中，表示原始血浆光谱的同步二维自相关光谱，γ
i
为第i个阿尔茨海默症患者血浆光谱上的蛋白分子结构变异引起的扰动，为原始血浆光谱的动态光谱吸收度，定义为阿尔茨海默症患者血浆光谱吸收度a(ν
k
,γ
i
)与训练集中所有阿尔茨海默患者血浆光谱的平均光谱吸收度之间的差谱，如下公式所示：
[0069][0070]
其中，k＝1、2，v1和v2不代表指定波数，仅表示任意两个不同的波数，阿尔茨海默症患者血浆光谱的平均光谱吸收度如下公式所示：
[0071][0072]
其中，m是训练集中阿尔茨海默症患者的样本数；
[0073]
结合二维自相关光谱进行蛋白二级结构分析的能力和导数光谱挖掘信息细节的优势，因此，本发明装置利用不同阶次导数光谱的二维自相关光谱自相关峰所对应模型特征波数预选区域的搜索与运算组合形成模型特征波数预选信息空间。
[0074]
模型特征波数的预选集合通过以下方式获得：
[0075]
(1)获取原始血浆光谱的二维自相关光谱图，搜索原始血浆光谱自动峰得到模型特征波数的预选区域；
[0076]
(2)获取一阶导数光谱的二维自相关光谱图，在原始血浆光谱自动峰所对应预选区域搜索得到j个模型特征波数的预选波数；本实施例中，在1700cm-1-1300cm-1
区域搜索自动峰得到一阶导数光谱的模型特征波数的预选波数。
[0077]
(3)获取二阶导数光谱的二维自相关光谱图，在原始血浆光谱自动峰所对应预选区域搜索得到p个模型特征波数的预选波数；本实施例中，在二维自相关光谱图的1700cm-1-1300cm-1
区域搜索自动峰得到二阶导数光谱的模型特征波数的预选波数。
[0078]
(4)将从一阶导数光谱的二维自相关光谱图选出来的j个波数和二阶导数光谱的二维自相关光谱图选出来的p个波数合并得到模型特征波数的预选集合。
[0079]
模型特征波数选取模块利用非参数检验中的累积分布函数定义量化训练样本光谱数据分布差异的统计变量，并依据统计变量进一步设计显著性指标函数对预选集合内的模型特征波数进行显著性排序的具体方法为：
[0080]
1)设定矩阵a代表阿尔茨海默病患者血浆光谱模型特征波数预选集合，m是训练集中阿尔茨海默症患者样本数目，矩阵h代表健康控制组的血浆光谱预选波数数据；
[0081]
2)提取矩阵a和矩阵h的相对应列，同时按照光谱吸光度数值对光谱模型特征波数预选集合中的波数进行升序排序，组成样本观测值；
[0082]
3)在血浆光谱数据的非参数检验中，光谱对应波数υ上的吸收度观测值表达为n是训练集中样本总数，n＝m+q，q为训练集中健康控制组的样本数，则波数所对应吸收度的累积经验分布函数为f(χ)，阿尔茨海默症患者血浆光谱和健康控制组的血浆光谱的累积经验分布函数分别为f
a
(χ)和f
h
(χ)；
[0083]
4)分别计算阿尔茨海默症的血浆光谱矩阵和健康控制组的血浆光谱矩阵所对应波数的累积经验分布f
a
(χ)和f
h
(χ)；
[0084]
5)依据累积经验分布函数定义量化训练集样本的累积经验分布数值最大差异的统计变量d
q,m
＝max(|f
a
(χ)-f
h
(χ)|)，其取值区间[0，1]，越接近1表明两样本间的差异越大；
[0085]
6)重复步骤2)-5)直到所有列对应的波数均得到相应的统计变量d
q,m
，对所有的统计量d
q,m
进行降序排序，即得到波数的显著性排序。
[0086]
所述多模型检测模块针对阿尔茨海默症不同病程间的异质性，利用随机森林构建多个适用于不同阶段阿尔茨海默病的检测模型，并根据模型特征波数来驱动不同检测模型间的切换，实现对不同症状阶段的待测样本采用不同的检测模型进行检测；
[0087]
多模型检测模块根据模型特征波数来驱动不同检测模型间切换切换原则如下：
[0088]
将模型特征波数集合表达为：ν
mf
＝{ν1,ν2,
…
ν
k
}；则测试样本在模型特征波数上对应的吸收度训练集中不同阶段阿尔茨海默症光谱样本在模型特征波数上对应的吸收度表达为：不同阶段阿尔茨海默症光谱样本集的类中心点，采用如下公式计算：
[0089][0090]
其中，l是不同阶段阿尔茨海默症样本集中的样本个数；
[0091]
则阿尔茨海默早期症状光谱样本集的中心点是阿尔茨海默中前期症状光谱样本集的中心点是阿尔茨海默中后期症状光谱样本集中心点是阿尔茨海默中后期症状光谱样本集中心点是阿尔茨海默晚期症状光谱样本集中心点是，阿尔茨海默晚期症状光谱样本集中心点是，
[0092]
定义测试样本到各样本集中心点距离为d
mild
,d
mode
-ⅰ
,d
mode
-ⅱ
和d
term
，则测试样本到阿尔茨海默症各阶段光谱样本集中心点的最短距离为d
min
＝min{d
mild
,d
mode
-ⅰ
,d
mode
-ⅱ
,d
term
}；此最短距离决定了测试样本应切换到的相应检测模型，这即是不同症状阶段检测模
型的自适应切换规则。
[0093]
所述检测特征波数选取模块基于阿尔茨海默症患者和健康对照组的血浆光谱数据自身统计分布特性，利用非参数检验中定义的统计量获得训练样本的全部光谱波数的检测显著性指标值并进行排序；利用随机森林检测方法，基于训练集样本数据，依据光谱波数的显著性排序进行光谱波数的迭代搜索选取，直至满足阿尔茨海默症不同阶段的检测模型的性能指标，最终确定不同症状阶段检测模型的检测特征波数；阿尔茨海默病除了蛋白质结构变异这一主要因素外，还有氧化过激、炎症以及其它已知和未知的因素。因此本发明利用非参数检验结合检测模型的性能指标，进行波数的显著性排序和检测特征波数的选取，避免潜在有用信息的遗漏。检测特征波数选取模块利用非参数检验中定义的统计量获得训练样本的全部光谱波数的检测显著性指标值并进行排序的方法与模型特征波数选取模块利用非参数检验中的累积分布函数定义量化训练样本光谱数据分布差异的统计变量，并依据统计变量进一步设计显著性指标函数对预选集合内的模型特征波数进行显著性排序的方法相同，只是进行显著性排序的波数范围不同，检测特征波数选取模块是对训练样本集中所有光谱波数进行显著性排序，而模型特征波数选取模块则是对预选集合内的模型特征波数进行显著性排序。
[0094]
所述检测与判断模块依据多模型检测模块切换的检测模型以及所对应的检测特征波数完成阿尔茨海默疾病的检测，并由显示模块显示检测与判断的结果；同时，通过检测模型的评价指标评价模型的应用性能。
[0095]
所述检测模型的评价指标通过混淆矩阵定义，混淆矩阵h表达为：
[0096][0097]
其中，tp：被判定为正，实际为正，即真阳性；fn：被判定为负，实际为正，即假阴性；fp：被判定为正，实际为负，即假阳性；tn：被判定为负，实际为负，即真阴性；
[0098]
疾病检测领域的指标包括灵敏度(sensitivity)和特异性(specificity)；灵敏度是指筛查与诊断时不出现漏诊的概率，而特异性是指筛查与诊断时不出现误诊的概率，表达为：
[0099][0100][0101]
在阿尔茨海默症筛查与诊断模型的评价中，应用灵敏度和特异性这两个评价指标客观评价模型的应用性能；
[0102]
在实际的阿尔茨海默症数据集中经常会出现不同阶段症状的阿尔茨海默症数据不平衡现象，而接受者操作特征曲线roc(receiver operating characteristic)几乎不受测试集中样本的分布变化的影响，更能够客观、稳定地评价模型的性能。roc曲线是基于混淆矩阵得出的，它是根据一系列不同的二分类方式(分界值或决定阈)，以真阳性率(敏感性)为纵坐标，假阳性率(特异性)为横坐标绘制的曲线。而acu(area under the curve)则被定义为roc曲线下与坐标轴围成的面积，取值范围一般在0.5和1之间，能够直观体现分类模型与方法的真实性。auc越接近1.0，检测方法真实性越高；接近或等于0.5时，则真实性较
低，没有应用价值。本实施例中，通过本阿尔茨海默症智能检测装置对不同阶段阿尔茨海默症患者进行检测的过程如图4所示，在获得了模型特征波数和检测特征波数后，通过检测与判断模块对测试集中样本进行检测，利用验证集和测试集对阿尔茨海默症不同阶段所对应的检测模型进行应用性能的评价，评价结果如表1所示。本实施例还获得阿尔茨海默症四个不同阶段独立测试样本集的检测结果所对应的roc曲线，如图5所示。
[0103]
表1针对阿尔茨海默症不同阶段所应用的检测模型的评价结果
[0104][0105]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明权利要求所限定的范围。