一种解决小样本下转躁患者的识别方法与流程

1.本发明涉及一种识别方法，尤其涉及一种解决小样本下转躁患者的识别方法。


背景技术：

2.双相障碍(bd)和抑郁障碍(mdd)是两种致残、致死率较高的精神疾病。由于两种疾病主要依靠主观的症状学进行鉴别，且具有相似的抑郁症状，因此两种疾病的鉴别一直是临床亟待解决的问题。两种疾病的早期诊断将影响治疗方案的选择、转归及预后，因此早期鉴别两种疾病，从而达到准确判断则尤为重要。
3.转躁患者(tbd)是一类早期误诊为mdd，但经过长期随访或观察，才发现躁狂或轻躁狂症状的患者。这类患者往往存在不合理的用药情况，进而导致反复住院、自杀风险增高等不良后果，对患者、家庭及社会造成沉重负担。此外，这类患者可能存在bd的早期素质性和不受疾病发病状态影响的特点，将有助于早期识别甚至预测bd，以达到与mdd之间的早期鉴别。
4.鉴于目前情感障碍个体化、精准化诊疗的迫切需求，现有方法对bd和mdd进行分类研究，但主要存在两方面局限性：
5.一是现有方法并未发掘转躁患者和与bd患者共有的素质性神经影像学特点，而这一特点正是早期识别和预测转躁患者的关键。
6.二是现有模型的建立和测试多在数据集内部进行，忽略了模型在外部数据的泛化能力，尤其是对判断不明的小样本转躁患者的泛化能力。


技术实现要素：

7.本发明就是针对现有技术存在的缺陷，提供一种解决小样本下转躁患者的识别方法。其基于诊断明确的患者数据构建模型，期望通过建立最具鉴别能力的模型，并将此模型用于识别误诊的转躁患者，辅助临床医生早期鉴别两种疾病，提示医生哪些mdd患者有潜在的转躁风险，协助医生制定精准诊治方案。
8.为实现上述目的，本发明采用如下技术方案，包括以下几个步骤：
9.步骤1、数据预处理：对将大脑影像的功能磁共振数据进行预处理。
10.步骤2、特征提取：基于预处理好的数据，提取了基于双侧杏仁核的功能连接特征fc、独立成分分析特征、fractional-alff及reho特征。
11.步骤3、特征选择与模型构建，包括：
12.步骤3.1、数据集规划。
13.步骤3.2、计算特征重要性。
14.步骤3.3、基于模型的adc曲线进行特征选择。
15.步骤3.4、在测试集中进行结果验证。
16.进一步地，所述将大脑影像的功能磁共振数据进行预处理包括：
17.步骤1.1、将dicom格式的数据转换为nifti格式。
18.步骤1.2、删除前10个时间点，保留190个时间点的数据。
19.步骤1.3、进行层间时间差异校正、头动校正及空间标准化。
20.步骤1.4、使用6mm
×
6mm
×
6mm的高斯核对图像进行平滑处理。
21.步骤1.5、进行去线性漂移及滤波处理。
22.进一步地，所述数据集划分包括：由于mdd在数据集中数量较多，按6:2:2的比例作为训练集、验证集和测试集；bd数据作为训练集；而tbd按1:1分为验证集和测试集。
23.进一步地，所述计算特征重要性包括：针对训练集数据采用数据预处理和特征提取方法，应用随机森林进行特征重要性评分计算；
24.即采用网格搜索法进行随机森林的参数设置：
25.首先传入除需要确定最佳的参数之外的其他参数；(其他参数包括：oob_score默认值为false；是否使用袋外样本来估计泛化精度。criterion度量分裂的标准。n_jobs：程序并行作业数量。random_state：随机数设置。)
26.然后将需要优化的参数的取值按列表或字典形式输入，将模型评价标准scoring设置为
‘
roc_auc’；最后将refit设置为true，模型以交叉验证训练集得到的最佳参数，再用最佳参数结果再次fit一遍全部数据集；获取模型后，提取模型中特征重要性得分。
27.进一步地，所述基于模型的adc曲线进行特征选择包括：采用svm分类器，按网格搜索法选择重要性得分高的前n个的特征，n的范围100～500；然后在tbd和mdd验证集上进行测试，绘制adc曲线，选取最优的adc曲线对应的n值，即为关键性特征。
28.进一步地，所述在测试集中进行结果验证包括：将选定n值对应的svm分类模型应用到tbd和mdd的测试集中进行结果验证。
29.与现有技术相比本发明有益效果。
30.本发明可以在患病早期给出抑郁障碍患者可能转为双相障碍(转躁)的概率，准确率可达80％。
附图说明
31.下面结合附图和具体实施方式对本发明做进一步说明。本发明保护范围不仅局限于以下内容的表述。
32.图1是fc特征可视化示意图。
33.图2是alff特征可视化示意图。
34.图3是reho特征可视化示意图。
35.图4是分类的roc曲线图。
36.图5是解决小样本下转躁患者的识别方法的流程图。
具体实施方式
37.如图1-5所示，具体实施例：本发明在转躁患者较少，无法构建精准识别模型的情况下，基于bd患者与转躁患者存在共同的素质性神经影像特征的假设，使用经随访后明确诊断的mdd和bd数据构建模型，并应用于识别少量的转躁患者，以达到对转躁患者的早期识别及预测。该方法主要包括数据预处理、特征提取、特征选择与模型构建4个模块。
38.1.【数据预处理】本发明的大脑影像采用功能磁共振数据，预处理使用dparsfa软
件包，具体处理步骤如下：将dicom格式的数据转换为nifti格式；删除前10个时间点，保留190个时点的数据；层间时间差异校正；头动校正；空间标准化；使用6mm
×
6mm
×
6mm的高斯核对图像进行平滑处理；去线性漂移；滤波处理。
39.2.【特征提取】基于处理好的数据，本发明提取了基于双侧杏仁核的功能连接特征fc，独立成分分析(ica)特征，fractional-alff及reho特征。
40.3.【特征选择与模型构建】该步骤分为数据集规划；计算特征重要性；基于模型的adc曲线，进行特征选择；在转躁患者中进行测试。其具体步骤如下：
41.1)数据集划分：由于mdd在数据集中数量较多，因此按6:2:2的比例作为训练集、验证集和测试集。bd数据作为训练集。而tbd按1:1分为验证集和测试集。
42.2)计算特征重要性：针对训练集数据采用上述数据预处理和特征提取方法，应用随机森林进行特征重要性评分计算。具体的，采用网格搜索法进行随机森林的参数设置：首先传入除需要确定最佳的参数之外的其他参数。然后将需要优化的参数的取值按列表或字典形式输入，将模型评价标准scoring设置为
‘
roc_auc’。最后将refit设置为true，模型以交叉验证训练集得到的最佳参数，再用最佳参数结果再次fit一遍全部数据集。获取模型后，提取模型中特征重要性得分。
43.3)基于模型的adc曲线，进行特征选择：本发明采用svm分类器，按网格搜索法选择重要性得分高的前n个的特征，n的范围100～500。然后在验证集(tbd和mdd)上进行测试，绘制adc曲线，选取最优的adc曲线对应的n值，即为关键性特征。
44.4)最后将选定n值对应的svm分类模型应用到tbd和mdd的测试集中进行结果验证。
45.可以理解的是，以上关于本发明的具体描述，仅用于说明本发明而并非受限于本发明实施例所描述的技术方案，本领域的普通技术人员应当理解，仍然可以对本发明进行修改或等同替换，以达到相同的技术效果；只要满足使用需要，都在本发明的保护范围之内。