16、阿尔茨海默病诊断与组织病理图像特征学习新方法

阿尔茨海默病诊断与组织病理图像特征学习新方法

阿尔茨海默病诊断的深度集成稀疏回归网络

在阿尔茨海默病（AD）诊断领域，研究人员考虑了三个二元分类任务，分别是AD与正常对照（NC）、轻度认知障碍（MCI）与NC以及前驱性轻度认知障碍（pMCI）与稳定性轻度认知障碍（sMCI）的区分。

研究使用了93个感兴趣区域（ROI）的灰质（GM）组织体积作为特征 (x_i \in R^{93})，并将临床标签以及简易精神状态检查表（MMSE）和阿尔茨海默病评估量表认知分量表（ADAS - Cog）这两个临床评分作为响应值 (t_i \in R^{4})。为了评估不同方法的性能，采用了10折交叉验证技术，确保每折使用相同的样本集，以实现公平比较。评估指标包括准确率、灵敏度、特异度和受试者工作特征曲线下面积（AUC）。

以下是使用(\ell_{2,1})惩罚的多输出线性回归（MOLR）作为基础稀疏回归模型时的性能比较：
| 任务 | 方法 | 准确率(%) | 灵敏度(%) | 特异度(%) | AUC |
| — | — | — | — | — | — |
| AD vs. NC | MOLR | 84.93 ± 6.30 | 83.87 | 87.05 | 0.92 |
| | MOLR + SVM | 86.87 ± 4.80 | 88.42 | 86.35 | 0.92 |
| | MOLR + DeepESRNet | 90.28 ± 5.26 | 92.65 | 89.05 | 0.93 |
| MCI vs. NC | MOLR | 64.66 ± 8.16 | 79.40 | 51.67 | 0.72 |
| |