一种基于支持向量机的阿尔兹海默症检测装置的制作方法

本发明涉及监护技术领域，特别涉及一种基于支持向量机的阿尔兹海默症检测装置。

背景技术：

在阿尔茨海默病是一种中枢神经系统退化性疾病，具有慢性进展，是老年人最常见的痴呆类型。主要症状包括进行性记忆障碍、认知功能障碍、人格改变和语言障碍，严重影响社交、职业与生活功能。作为最常见的痴呆类型，阿尔兹海默症约占所有痴呆患者的50％,其在65岁以上老年人的年发病率约为1％。同时，随着年龄的增长，发病率每五年增加一倍。根据相关研究，女性更容易患阿尔兹海默，而且患者的病程常较男性患者长。随着平均预期寿命的延长，阿尔兹海默症的发病率逐年上升，严重危及老年人的身心健康和生活质量，给患者造成严重的痛苦，给家庭和社会带来沉重的负担，已成为一个紧迫的社会问题，引起了各国政府和医学界的广泛关注。

由于阿尔兹海默症的病因和发病机制复杂，目前学界并没有一个统一的结论。通常认为与基因突变、aβ的沉积、胆碱能缺陷、tau蛋白过度磷酸化、线粒体缺陷、神经细胞凋亡、氧化应激、自由基损伤及感染、中毒、脑外伤和低血糖等有关。但目前大家广泛承认的是阿尔兹海默症有一个多阶段的发病过程，包括从正常的认知水平(cn)到轻微认知损伤(mci)到最终的阿尔兹海默症(ad)。在初患阶段，病症发展缓慢，虽然目前并没有方法彻底治愈，但是在病症的早期换种说法就是在病情恶化到阿尔兹海默症之前，及时干预提供相应的治疗，能极大的减轻患者和家庭的痛苦，提高患者的生活质量。

目前，已经有很多针对老人阿尔兹海默症预测的相关研究，但是一个有效的能应用于临床诊断老年人未来病情发展方向的方法还尚未提出。现有阿尔兹海默症预测相关研究的主要思路集中在使用医院的就诊信息来对接下来的发展历程做出粗略的预测，由于有效信息不足，所以准确度无法得到保证；同时正如上文提到的，阿尔兹海默症患者由于aβ的沉积、tau蛋白过度磷酸化、线粒体缺陷、神经细胞凋亡使得其脑部相关区域对比于正常的老年人发生了明显的萎缩。正因如此脑部磁共振成像技术在阿尔兹海默症的诊疗中得到了广泛的应用，但在机器学习和对阿尔兹海默症未来发病趋势预测领域还未得到很好的应用。

技术实现要素：

针对现有技术中对于阿尔兹海默症检测精度较低的问题，本发明提出一种基于支持向量机的阿尔兹海默症检测装置，通过整合医疗数据和相关的生物标志信息即脑部磁共振成像图片数据对未来的精神状态评分，预测未来精神状态评分的变化，甄别病情在未来可能发生恶化的用户，及时提供治疗，以缓解病程发展。

为了实现上述目的，本发明提供以下技术方案：

一种基于支持向量机的阿尔兹海默症检测装置，包括智能终端、脑部磁共振成像装置和服务器，脑部磁共振成像装置和智能终端连接，智能终端和服务器电连接；

所述脑部磁共振成像装置，用于获取用户的脑部磁共振成像数据并发送到智能终端；

所述智能终端，用于输入脑部磁共振成像数据和医疗就诊信息，并将脑部磁共振成像数据和医疗就诊信息发送到服务器进行处理；

所述服务器，用于根据脑部磁共振成像数据和医疗就诊信息输出用户未来的精神状态预测评分并判断病情可能恶化的用户以辅助医生诊断，并反馈到智能终端。

优选的，所述服务器包括数据预处理模块、参数控制模块和预测结果生成模块；

所述数据预处理模块，用于对医疗就诊信息和脑部磁共振成像数据进行整理和清洗从而得到清洗后的数据作为预测模型输入数据；

所述参数控制模块，用于构建基于支持向量机的老年人阿尔兹海默症预测模型并进行参数初始化；

所述预测结果生成模块，用于输出用户未来的精神状态预测评分。

优选的，所述数据预处理模块包括数据清洗单元、特征筛选单元和特征拼接单元；

所述数据清洗单元，用于对医疗就诊信息和脑部磁共振成像数据进行整理和清洗；

所述特征筛选单元，用于对清洗后的数据进行有效特征的提取；

所述特征拼接单元，用于对提取的有效特征进行拼接以作为预测模型的输入数据。

优选的，所述参数控制模块包括初始化单元、参数控制单元和模型构建训练单元；

所述初始化单元，用于初始化预测过程中涉及的相关参数；

所述参数控制单元，用于控制参数和模型的训练过程；

所述模型构建训练单元，用于分别在每组样本中构建和训练对应的模型，样本包括认知正常、轻微认知损伤和阿尔兹海默症。

优选的，所述预测结果生成模块包括预测分数输出单元和分数明显衰退样本甄别单元；

所述预测分数输出单元，用于输出用户的精神状态预测评分；

所述分数明显衰退样本甄别单元，用于判断病情在未来可能恶化的用户，并显示在智能终端。

优选的，所述数据清洗单元对医疗就诊信息和脑部磁共振成像数据进行清洗，包括：

医疗就诊信息集合记为c，脑部磁共振成像图片数据集合记为m，保留医疗就诊信息集合记为c和脑部磁共振成像图片数据集合m中均无缺失的样本，即医疗就诊信息集合c和脑部磁共振成像图片数据集m样本的交集部分，因此针对集合c每个样本保留初诊和2年后复诊的记录，集合m每个样本只保留初诊的图像数据。

优选的，所述特征筛选单元对清洗后的数据进行有效特征的提取，提取过程为：

对医疗就诊信息集合c中有效特征进行提取，得到医疗特征集合fclinical，包括：用户年龄、初次诊断结果样本、受教育年限、性别、初诊时精神状态评分、复诊时相对初诊精神状态评分的变化值、apoe等位基因2和apoe等位基因4；

将脑部磁共振成像图片数据集合m通过结构化处理程序将图像信息转化为结构化的大脑区域的统计数据特征集合fm，并选取相关性最高的前k个特征得到脑部磁共振成像数据特征集合fchosen。

优选的，所述特征拼接单元对提取的有效特征进行拼接，拼接过程为：

公式(1)中，fclinical表示筛选后的医疗就诊信息的有效特征集合，fchosen表示筛选后的脑部磁共振成像图片数据的有效特征集合，i表示预处理后的输入数据的集合。

优选的，根据预处理后的输入数据的集合i进行模型构建：

公式(2)中，w表示支持向量机超平面的权重参数，w^t表示权重参数的倒置，yi∈{+1,-1}表示类标记，当yi等于+1时为正例，等于-1时为负例，b表示支持向量机超平面的超参数；xi代表阿尔兹海默症三个不同阶段的输入数据：在认知正常阶段，xi＝(x1,x2,…,xi,…,x15)，其中(x1,x2,…,x10)分别表示年龄、分组、性别、受教育年限、apoe等位基因2、apoe等位基因4、基线mmse分数、两年后的mmse分数、记忆功能评分、执行功能评分，(x11,x12,…,x15)分别表示不同大脑区域面积、褶皱深度、区域体积、厚度、曲率均值；在轻微认知损伤或阿尔兹海默症阶段，xi＝(x1,x2,…,xi,…,x14)，其中(x1,x2,…,x10)与认知正常阶段相同，(x11,x12,…,x14)分别表示不同大脑区域面积、褶皱深度、区域体积、厚度。

优选的，所述服务器判断病情可能恶化的用户：

比较用户的精神状态评分衰退是否超过3分，如果分数衰退大于或等于3分，判断用户在接下来的两年中病情可能恶化，将诊断结果显示在智能终端上，及时对用户进行提醒并建议接收相关治疗。

综上所述，由于采用了上述技术方案，与现有技术相比，本发明至少具有以下有益效果：

本发明通过在装置中输入医疗数据和脑部磁共振成像图片数据，经过装置处理后输出用户未来的精神状态评分，并预测未来精神状态评分的变化，甄别病情在未来可能发生恶化的用户，以便及时为用户提供治疗，以缓解病程发展。

附图说明：

图1为根据本发明示例性实施例的一种基于支持向量机的阿尔兹海默症检测装置示意图。

图2为根据本发明示例性实施例的对用户未来精神状态评分预测结果准确度对比示意图。

图3为根据本发明示例性实施例的对评分明显衰退用户的预测结果对比示意图。

具体实施方式

下面结合实施例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。

在本发明的描述中，需要理解的是，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本发明提出一种基于支持向量机的阿尔兹海默症检测装置，包括智能终端、脑部磁共振成像装置和服务器。脑部磁共振成像装置和智能终端连接，智能终端和服务器电连接。

脑部磁共振成像装置，用于获取用户的脑部磁共振成像数据并发送到智能终端。

智能终端，用于接收脑部磁共振成像数据和输入医疗就诊信息，并将脑部磁共振成像数据和医疗就诊信息发送到服务器进行处理。

服务器，用于根据脑部磁共振成像数据和医疗就诊信息输出用户未来的精神状态预测评分以辅助医生诊断，并反馈到智能终端。

本实施例中，在智能终端中输入脑部磁共振成像数据和医疗就诊信息，医疗就诊信息集合记为c，脑部磁共振成像图片数据集合记为m。

本实施例中，服务器中包括数据预处理模块、参数控制模块和预测结果生成模块。

数据预处理模块包括数据清洗单元、特征筛选单元和特征拼接单元。数据清洗单元，用于对收集到的医疗信息和脑部磁共振成像数据进行整理和清洗，去掉冗余和有缺失的部分得到清理后的数据；特征筛选单元，用于对清洗后的数据进行有效特征的提取；特征拼接单元，用于拼接提取的有效特征以作为后续基于支持向量机的老年人阿尔兹海默症的预测模型的输入数据。

参数控制模块包括初始化单元、参数控制单元和模型构建训练单元。初始化单元，用于初始化预测过程中涉及的相关参数；参数控制单元，用于控制参数和模型的训练过程；模型构建训练单元，用于分别在每组样本中(认知正常、轻微认知损伤和阿尔兹海默症)构建和训练对应的模型。

预测结果生成模块包括预测分数输出单元和分数明显衰退样本甄别单元。预测分数输出单元，用于输出预测精神状态评分；分数明显衰退样本甄别单元，用于鉴别病情在未来可能恶化的用户，并及时给出提示。

本实施例中，服务器中数据清洗单元首先需要对脑部磁共振成像数据和医疗就诊信息进行清洗得到清洗后的数据，以便进行缺失值检查和冗余信息处理，提高检测的精度。清洗过程为：由于基于支持向量机的老年人阿尔兹海默症的预测模型的输入要求，最终数据只保留医疗信息和图像数据均无缺失的样本，即医疗就诊信息集合c和脑部磁共振成像图片数据集m样本的交集部分；收集的数据中对同一样本可能有不同时期的多条数据，因此针对集合c每个样本保留初诊和2年后复诊的记录，集合m每个样本只保留初诊的图像数据。

本实施例中，服务器中特征筛选单元对清洗后的数据进行有效特征的提取，提取过程为：

对医疗就诊信息集合中有效特征的提取，从而得到医疗特征集合记为fclinical，有效特征包括：用户年龄、初次诊断结果(认知正常cn、轻微认知损伤mci或阿尔兹海默症ad)、受教育年限、性别、初诊时精神状态评分(精神状态评分可在智能终端上进行评测)、复诊时相对初诊精神状态评分的变化值(2年后复诊时的精神状态评分-初诊时的精神状态评分)、载脂蛋白e的等位基因类型，载脂蛋白e的基因类型又包括等位基因2型基因(rs429358)的数量和等位基因4型基因(rs7412)数量。

脑部磁共振成像图片数据集合m将通过结构化处理程序将图像信息转化为结构化的大脑区域的统计数据特征集合fm，然后再经过如下特征筛选流程挑选出有限个最有效的结构化统计数据特征集合fchosen：

a.初始化空的集合fchosen，用于存放筛选出来的特征；

b.依次计算结构化的大脑区域的统计数据特征集合fm中每个特征与预测结果的相关系数；

统计数据特征集合fm中特征包括不同大脑区域面积、褶皱深度、区域体积、厚度等2150个特征，相关系数的计算公式为：其中x表示特征，y表示预测结果，cov(x，y)表示x与y的协方差，var(x)表示x的方差，var(y)表示y的方差；

c.根据得到的相关系数的大小对fm中的所有特征进行排序；

d.取相关性最高的前k个特征加入fchosen。

本实施例中，服务器中特征拼接单元对提取的有效特征进行拼接，作为基于支持向量机的老年人阿尔兹海默症预测模型的输入数据，拼接方式为：

公式(1)中，fclinical表示筛选后的医疗就诊信息的有效特征集合，fchosen表示筛选后的脑部磁共振成像图片数据的有效特征集合，i表示最终经过预处理的输入数据的集合。最后对上述得到的所有信息在各自的维度上进行归一化处理，所有特征将被缩放到0到1之间。

本实施例中，服务器中参数控制模块用于构建基于支持向量机的老年人阿尔兹海默症预测模型，并对集合i进行处理，从而得到预测评分。

参数控制模块中初始化单元配置为初始化支持向量机超平面的权重参数w；初始化松弛变量的惩罚系数c。初始化模型针对不同分组所采用的不同svm核函数kernel，包括多项式核和高斯核函数，多项式核函数的参数包括：初始化多项式维度d，初始化样本间交叉项系数γ，初始化偏移量c；高斯核函数的参数只需要初始化样本间距离系数γ。初始化训练过程中停止训练的误差精度tol；初始化训练时模型的最大迭代轮数max_iter；初始化训练过程中所使用的最大内存cache_size；初始化训练过程中随机数发生器的种子random_state。

参数控制单元配置为控制基于支持向量机的老年人阿尔兹海默症预测装置的参数和模型的训练过程，控制模型面对不同分组(认知正常，轻微认知损伤和阿尔兹海默症)，构建或使用不同的参数，在预测的过程中将输入数据对应分组的参数传递给后续的预测结果生成模型。

模型训练单元配置为结合初始化相关参数训练基于支持向量机的老年人阿尔兹海默症的预测模型，模型的构建过程为：

根据输入数据的初诊结果将样本分为认知正常(cn)、轻微认知损伤(mci)和阿尔兹海默症(ad)三组。不同组间由于样本数据分布不同将采用不同的核函数来建模预测：cn和ad组用多项式核函数，mci用径向基核函数。在各组内分别使用参数控制单元传递的初始化参数训练模型，模型的输入数据为经过预处理的包含用户医疗信息和脑部磁共振成像数据的已知特征集合i。构造目标函数如下：

公式(2)中，w表示支持向量机超平面的权重参数，w^t表示权重参数的倒置，yi∈{+1,-1}表示类标记，当yi等于+1时为正例，等于-1时为负例，b表示支持向量机超平面的超参数。xi代表阿尔兹海默症三个不同阶段的输入数据：在正常的认知水平(cn)阶段xi＝(x1,x2,…,xi,…,x15)，其中(x1,x2,…,x10)分别表示年龄、分组(基线状态)、性别、受教育年限、apoe等位基因2、apoe等位基因4、基线mmse分数、两年后的mmse分数、记忆功能评分、执行功能评分，(x11,x12,…,x15)分别表示不同大脑区域面积、褶皱深度、区域体积、厚度、曲率均值；在轻微认知损伤(mci)和阿尔兹海默症(ad)阶段xi＝(x1,x2,…,xi,…,x14)，其中(x1,x2,…,x10)与cn阶段相同，(x11,x12,…,x14)分别不同大脑区域面积、褶皱深度、区域体积、厚度。由于求的最大值相当于求的最小值，所以上述目标函数等价于：

为了增强模型的泛化性能并且提高预测精度，在目标函数中加入松弛变量得到：

公式(4)中，ξi是松弛变量，对应于样本xi偏离决策边界的量。在各个组内(cn、mci和ad)分别通过求解上述的目标函数得到svm模型超平面的权重系数w和松弛变量的惩罚系数c，核函数对应的相关参数使用网格搜索以取得最佳值。本发明在此处使用了python和sklearn开源机器学习库来实现这一过程。

本实施例中，服务器的预测结果生成模块对输入数据i做出未来精神状态评分预测评分，自动完成辅助诊断，并将诊断反馈到智能终端。

分数输出单元根据模型预测得出的用户在未来2年后的精神状态评估分数。

分数明显衰退样本甄别单元配置为根据输出的用户在未来2年后的精神状态评估分数判断用户的病情是否会在接下来的2年中恶化。具体判断方法为：比较用户的精神状态评分衰退是否超过阈值(3分)，这个标准根据相关生物医学研究得到。如果分数衰退大于或等于阈值，判断用户在接下来的两年中病情可能恶化，将诊断结果显示在智能终端上，及时对用户进行提醒并建议接收相关治疗。

本发明旨在结合医疗诊断信息和大脑磁共振扫描图像数据，以快速准确的方式对阿尔兹海默症的发展规律进行分析，从而对病症未来的发展做出预测，以帮助医生对用户的临床诊断和治疗，提高了预测的准确性。同时通过预测未来精神状态评分的变化，甄别病情在未来可能发生恶化的用户，及时为用户提供治疗，以减缓病程发展。

图2为应用本发明前和应用本发明后对用户未来精神状态评分预测结果准确度对比图，皮尔森系数越大说明预测越准确。由图2可以得出，应用了本发明的装置后，用户医疗信息和脑部磁共振成像数据作为输入，对用户未来精神状态评分预测的准确度相较于不应用本发明的情况有了明显的提升。具体地，由图2可以得到，运用了本发明的预测装置和方法后，以皮尔森系数衡量的预测分数准确度相对于原先提升了约15.6％。

图3为应用本发明前和应用本发明后对评分明显衰退(病情恶化)用户的预测结果对比，auroc值越大说明预测越准确。由图3可以得出，应用本发明的装置后，提高了模型在对阿尔兹海默症进程中病情恶化患者的预测精度。在临床应用中，可以更好的为用户提供快速、可靠的未来疾病发展趋势预测。

通过以上预测方法与过程，可以提高对用户未来精神状态评分和阿尔兹海默症病程发展的预测准确度，对阿尔兹海默症的临床预测和治疗具有重要意义。

本领域的普通技术人员可以理解，上述各实施方式是实现本发明的具体实施例，而在实际应用中，可以在形式上和细节上对其作各种改变，而不偏离本发明的精神和范围。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除