文宏偉，陸菁菁，何暉光

中國(guó)科學(xué)院 1自動(dòng)化研究所類(lèi)腦智能研究中心 5腦科學(xué)與智能技術(shù)卓越創(chuàng)新中心，北京 100190 2中國(guó)科學(xué)院大學(xué)，北京 100049 3西南大學(xué)心理學(xué)部，重慶 400715 4 中國(guó)醫(yī)學(xué)科學(xué)院 北京協(xié)和醫(yī)學(xué)院 北京協(xié)和醫(yī)院放射科， 北京 100730

神經(jīng)影像技術(shù)泛指能夠直接或間接對(duì)神經(jīng)系統(tǒng)(主要指大腦)結(jié)構(gòu)、功能和藥理學(xué)特性進(jìn)行成像的技術(shù)。當(dāng)前以磁共振成像(magnetic resonance imaging，MRI)為代表的多種神經(jīng)影像技術(shù)已被廣泛應(yīng)用于神經(jīng)精神疾病以及認(rèn)知神經(jīng)科學(xué)等領(lǐng)域，以探索用于腦疾病早期診斷、治療和疾病發(fā)展監(jiān)控的生物標(biāo)志物。研究發(fā)現(xiàn)，神經(jīng)精神疾病患者的大腦存在功能和結(jié)構(gòu)改變，如阿爾茨海默病(Alzheimer disease, AD)[1- 2]、注意力缺陷多動(dòng)障礙(attention deficit hyperactivity disorder, ADHD)[3]和抽動(dòng)穢語(yǔ)綜合征(Tourette syndrome,TS)[4]等。然而此類(lèi)研究采用的是對(duì)圖像中每個(gè)體素單獨(dú)進(jìn)行假設(shè)檢驗(yàn)的傳統(tǒng)方法，因此研究結(jié)果對(duì)臨床診斷和預(yù)后的貢獻(xiàn)十分有限。此外，神經(jīng)影像學(xué)研究往往報(bào)道神經(jīng)精神疾病患者和正常人組間水平的差異，而醫(yī)生在診療中需在個(gè)體水平作出判斷。因此，為了使神經(jīng)影像學(xué)更好服務(wù)于臨床診斷，需提供個(gè)體水平的診斷和預(yù)測(cè)。

近年來(lái)，機(jī)器學(xué)習(xí)方法已廣泛應(yīng)用于多模態(tài)神經(jīng)影像數(shù)據(jù)分析，并能從神經(jīng)影像數(shù)據(jù)中提取出新的信息和感興趣的模式，找到基于大腦影像數(shù)據(jù)的生物學(xué)標(biāo)志物，并從個(gè)體水平區(qū)別神經(jīng)精神疾病患者與正常人。其中涉及機(jī)器學(xué)習(xí)的方法主要包括多任務(wù)/多模態(tài)學(xué)習(xí)、特征提取和選擇、分類(lèi)、核方法、深度學(xué)習(xí)等。通過(guò)這些機(jī)器學(xué)習(xí)方法，對(duì)已有疾病數(shù)據(jù)進(jìn)行有效分析，發(fā)現(xiàn)其中規(guī)律，可準(zhǔn)確對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)和診斷，進(jìn)而幫助尋找與疾病有關(guān)的生物學(xué)標(biāo)志物，從而有效輔助腦疾病的臨床診斷。

1 基于機(jī)器學(xué)習(xí)的神經(jīng)影像分析流程

機(jī)器學(xué)習(xí)基于訓(xùn)練數(shù)據(jù)構(gòu)建統(tǒng)計(jì)模型，從而使計(jì)算機(jī)具有對(duì)新數(shù)據(jù)進(jìn)行預(yù)測(cè)和分析能力。隨著醫(yī)學(xué)成像技術(shù)的發(fā)展，在許多神經(jīng)精神疾病的早期診斷和治療中已越來(lái)越多地用到多模態(tài)影像數(shù)據(jù)，如何針對(duì)神經(jīng)影像數(shù)據(jù)固有的高維度、小樣本、異構(gòu)等特性設(shè)計(jì)出相應(yīng)的有效數(shù)據(jù)分析方法是當(dāng)前研究的關(guān)鍵問(wèn)題之一。分析流程主要包含特征提取、特征選擇、訓(xùn)練分類(lèi)器、泛化能力測(cè)試等。

1.1 特征提取

當(dāng)前常用的神經(jīng)影像預(yù)處理軟件包括SPM，F(xiàn)reeSurfer，F(xiàn)SL等，可從多模態(tài)神經(jīng)影像中提取不同類(lèi)型結(jié)構(gòu)和功能特征指標(biāo)，例如從結(jié)構(gòu) MRI 數(shù)據(jù)中，可提取其灰質(zhì)體積[5- 6]、皮層厚度[5]和面積等形態(tài)學(xué)指標(biāo)作為分類(lèi)特征；在彌散張量成像中，可提取其分?jǐn)?shù)各向異性、軸向彌散度、徑向彌散度和平均彌散度等參數(shù)值為分類(lèi)特征[6]。此外，還可構(gòu)建腦白質(zhì)結(jié)構(gòu)連接矩陣或通過(guò)連接矩陣計(jì)算其網(wǎng)絡(luò)屬性作為特征[7]；從靜息態(tài)功能性磁共振成像(functional MRI, fMRI)數(shù)據(jù)中，可計(jì)算區(qū)域一致性[8]和低頻振幅(amplitude of low-frequency fluctuation, ALFF)[9]等區(qū)域指標(biāo)，還可計(jì)算區(qū)域之間的功能連接(functional connectivity, FC)，或通過(guò)連接矩陣計(jì)算其網(wǎng)絡(luò)屬性作為分類(lèi)特征[10]。

1.2 特征選擇

由于樣本采集困難，神經(jīng)影像領(lǐng)域中的數(shù)據(jù)集通常僅包含幾十到幾百個(gè)樣本，而從神經(jīng)影像中提取的特征維度卻往往很高，一般在幾千到幾萬(wàn)甚至幾十萬(wàn)維。這些高維影像特征的維度遠(yuǎn)遠(yuǎn)大于樣本個(gè)數(shù)，且實(shí)際包含了很多與分類(lèi)問(wèn)題無(wú)關(guān)的特征，若直接使用這些高維特征很可能會(huì)影響分類(lèi)器的性能，導(dǎo)致模型過(guò)擬合，即對(duì)新樣本的準(zhǔn)確預(yù)測(cè)能力較差。因此將預(yù)測(cè)模型應(yīng)用到神經(jīng)影像數(shù)據(jù)之前需先進(jìn)行特征選擇。特征選擇的方法主要分為3類(lèi)，即過(guò)濾式(filter)、包裝式(wrapper)和嵌入式(embedded)。過(guò)濾式通過(guò)某些判據(jù)衡量每個(gè)特征所包含的信息來(lái)評(píng)估特征的好壞，典型的判據(jù)如類(lèi)內(nèi)類(lèi)間距離(Fisher score)，皮爾森相關(guān)系數(shù)和雙樣本t檢驗(yàn)中的p值等；包裝式則針對(duì)分類(lèi)問(wèn)題本身，通過(guò)迭代優(yōu)化特定的分類(lèi)算法，找到針對(duì)該問(wèn)題的最佳特征子集，典型方法如遞歸特征消除法(SVM-RFE)[6]；嵌入式方法將特征選擇融合在模型訓(xùn)練的過(guò)程中，典型方法如決策樹(shù)。

1.3 訓(xùn)練分類(lèi)器

訓(xùn)練分類(lèi)器是通過(guò)已有數(shù)據(jù)訓(xùn)練出的分類(lèi)工具，當(dāng)新的觀察樣本輸入分類(lèi)器后，即可判斷其所屬類(lèi)別。分類(lèi)器依據(jù)學(xué)習(xí)方式可分為監(jiān)督學(xué)習(xí)、非監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)等。目前常用的分類(lèi)算法包括：支持向量機(jī)(support vector machine, SVM)、決策樹(shù)、樸素貝葉斯、神經(jīng)網(wǎng)絡(luò)、K近鄰等。此外，由于醫(yī)學(xué)影像數(shù)據(jù)的復(fù)雜性和多樣性，采用單一的分類(lèi)方法往往不夠有效，集成學(xué)習(xí)方法(Bagging[11]、Boosting[12]等)用于組合單一分類(lèi)方法，多核學(xué)習(xí)(multiple kernel learning, MKL)[6]方法用于組合多個(gè)核函數(shù)，可顯著提高分類(lèi)能力。

1.4 泛化能力測(cè)試

機(jī)器學(xué)習(xí)方法可有效篩選出與疾病高度相關(guān)的重要特征，并利用已學(xué)習(xí)的特征構(gòu)建一個(gè)分類(lèi)模型，然后提取未知樣本(待診斷受試者)相對(duì)應(yīng)的影像特征，并輸入分類(lèi)器得到預(yù)測(cè)結(jié)果(類(lèi)別)，從而實(shí)現(xiàn)個(gè)體水平的診斷。為了評(píng)估機(jī)器學(xué)習(xí)模型預(yù)測(cè)新樣本類(lèi)別的能力(又稱(chēng)模型的泛化能力)，嵌套式交叉驗(yàn)證通常被用于分類(lèi)器泛化能力測(cè)試[5- 6]并可在樣本較少時(shí)，一定程度上避免分類(lèi)器的過(guò)度學(xué)習(xí)以及對(duì)分類(lèi)方法的過(guò)高評(píng)價(jià)[13]。

1.5 深度學(xué)習(xí)

隨著深度學(xué)習(xí)[14]和大數(shù)據(jù)的發(fā)展，特征提取、選擇和分類(lèi)器設(shè)計(jì)均可基于深度學(xué)習(xí)的框架和方法來(lái)完成。區(qū)別于傳統(tǒng)的淺層學(xué)習(xí)(如SVM)，深度學(xué)習(xí)可通過(guò)深層非線(xiàn)性網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)特征，并通過(guò)組合低層特征形成更加抽象的深層表示(屬性類(lèi)別或特征)，實(shí)現(xiàn)復(fù)雜函數(shù)逼近，從而可以學(xué)習(xí)到數(shù)據(jù)集的本質(zhì)特征[15]。深度學(xué)習(xí)可克服傳統(tǒng)淺層機(jī)器學(xué)習(xí)在復(fù)雜分類(lèi)問(wèn)題中的局限性，從而大大提高輔助診斷能力。當(dāng)前常用深度學(xué)習(xí)模型與架構(gòu)包括：深度限制波爾茲曼機(jī)(deep restricted boltzmann machine, DRBM)[16]、深度置信網(wǎng)絡(luò)(deep belief networks, DBN)[17]、深度遞歸神經(jīng)網(wǎng)絡(luò)(deep recurrent neural networks, DRNN)[18]、深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural networks, DCNN)[19]等。值得一提的是，DCNN當(dāng)前已在皮膚癌分類(lèi)[20]、糖尿病視網(wǎng)膜病變檢測(cè)[21]等領(lǐng)域取得了出色成果。

2 基于機(jī)器學(xué)習(xí)的疾病智能診斷及預(yù)測(cè)

在臨床上，神經(jīng)精神性疾病的診斷、不同疾病亞型區(qū)分和預(yù)后評(píng)估十分重要。目前，以AD/輕度認(rèn)知障礙、注意力缺陷多動(dòng)障礙、抽動(dòng)穢語(yǔ)綜合征等為代表的神經(jīng)精神性疾病對(duì)公共健康造成了巨大影響。隨著大數(shù)據(jù)的深入應(yīng)用，機(jī)器學(xué)習(xí)已經(jīng)進(jìn)入醫(yī)療領(lǐng)域。基于機(jī)器學(xué)習(xí)方法自動(dòng)分類(lèi)患者和正常人的醫(yī)學(xué)影像數(shù)據(jù)可實(shí)現(xiàn)個(gè)體水平的智能診斷，同時(shí)也可提取醫(yī)學(xué)影像數(shù)據(jù)中內(nèi)在的、帶有判別信息的生物標(biāo)志物用于病理研究。

2.1 阿爾茨海默病/輕度認(rèn)知障礙

Dai等[22]使用平均皮層厚度構(gòu)建皮層厚度網(wǎng)絡(luò)，進(jìn)一步使用網(wǎng)絡(luò)邊的權(quán)重作為特征來(lái)區(qū)分AD患者和正常人(normal control, NC)，分類(lèi)正確率可高達(dá)90.4%。張超等[23]基于多任務(wù)學(xué)習(xí)特征選擇方法與極限學(xué)習(xí)機(jī)(extreme learning macchine, ELM)分類(lèi)輕度認(rèn)知障礙(mild cognitive impairment, MCI)和正常老人，分類(lèi)正確率最高達(dá)88.10%。李慧卓等[24]選擇雙側(cè)海馬體積及ALFF作為分類(lèi)特征，采用Adaboost集成分類(lèi)器對(duì)AD與MCI、MCI與NC、AD與NC進(jìn)行分類(lèi)，正確率分別達(dá)98.08%、80.36%和100%。在基于深度學(xué)習(xí)模型的研究中，呂鴻蒙等[25]提出了一種增強(qiáng)的AlexNet網(wǎng)絡(luò)模型，在ADNI[25- 26]數(shù)據(jù)庫(kù)上對(duì)AD與MCI、MCI與NC、AD與NC進(jìn)行分類(lèi)，正確率分別達(dá)90.52%、84.80%和96.14%。

2.2 注意力缺陷多動(dòng)障礙

Dai等[5]采用融合多模態(tài)神經(jīng)影像特征的ADHD分類(lèi)框架，分別從結(jié)構(gòu)MRI和fMRI中提取4種特征，并基于MKL融合4種特征訓(xùn)練出一個(gè)多核分類(lèi)器，并在ADHD- 200數(shù)據(jù)集[27]上取得了61.54%的分類(lèi)正確率。朱莉等[28]采用一種基于粗分割和深度學(xué)習(xí)的 ADHD分類(lèi)算法，首先對(duì)ADHD- 200數(shù)據(jù)集的腦部MRI進(jìn)行頭骨剝離、高斯核平滑等預(yù)處理；其次對(duì)大腦的右側(cè)尾狀核、左側(cè)楔前葉和左側(cè)額上回部位的MRI進(jìn)行粗分割；最后利用3層卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行分類(lèi)，在右側(cè)尾狀核腦區(qū)處進(jìn)行分類(lèi)，最高正確率可達(dá) 77.27%。在基于深度學(xué)習(xí)模型的研究中，Kuang等[29]將ADHD- 200數(shù)據(jù)集的fMRI數(shù)據(jù)基于brodmann模板劃分為48個(gè)區(qū)域，然后采用DBN模型進(jìn)行分類(lèi)，最后基于扣帶回皮質(zhì)的特征取得了最高72.73%的分類(lèi)正確率。

2.3 抽動(dòng)穢語(yǔ)綜合征

Greene等[30]基于全腦靜息態(tài)FC特征，應(yīng)用多變量模式分析(multivariate pattern analysis, MVPA)自動(dòng)分類(lèi)42例TS患兒與42名年齡、性別匹配的健康兒童，分類(lèi)正確率達(dá)74%。Liao等[31]應(yīng)用同源體素功能連接(voxel-mirrored homotopic connectivity, VMHC)分析TS男孩皮層下的雙側(cè)大腦半球同源腦區(qū)間FC與正常男孩的差異，然后基于有顯著差異的VMHC為特征，應(yīng)用MVPA方法分類(lèi)24例TS男孩與32名健康男孩，分類(lèi)正確率高達(dá)92.86%。Wen等[32]提出采用相似網(wǎng)絡(luò)融合(similarity network fusion, SNF)算法[32- 33]構(gòu)建每個(gè)受試者多稀疏度融合的腦網(wǎng)絡(luò)，并基于圖論分析和SVM自動(dòng)分類(lèi)TS患兒和正常兒童，最終分別基于融合后的結(jié)構(gòu)和功能網(wǎng)絡(luò)取得了89.13%和88.79%的高分類(lèi)正確率[10]。此外，Wen等[6]基于多模態(tài)神經(jīng)影像提取多類(lèi)型灰白質(zhì)特征，并采用多核學(xué)習(xí)分類(lèi)器為每種特征的核函數(shù)分配權(quán)重，融合全部特征自動(dòng)分類(lèi)44例TS患兒和48名正常兒童，取得了94.24%的分類(lèi)正確率。該研究同時(shí)表明基于多模態(tài)影像特征的多核學(xué)習(xí)方法，相比基于單一模態(tài)數(shù)據(jù)的分類(lèi)方法，能夠更全面反映樣本不同層面特征，從而提取更多有效特征以進(jìn)一步提高分類(lèi)的準(zhǔn)確性。

此外，機(jī)器學(xué)習(xí)在精神分裂癥[34]、帕金森病[35]、自閉癥[36- 37]、抑郁癥[38]、強(qiáng)迫癥[39]等神經(jīng)精神疾病的智能診斷和預(yù)測(cè)研究中也取得了很大進(jìn)步。

3 小結(jié)和展望

機(jī)器學(xué)習(xí)在神經(jīng)精神疾病智能診斷及預(yù)測(cè)研究中進(jìn)步巨大，但仍有很大發(fā)展空間：(1)多數(shù)研究是基于全腦影像數(shù)據(jù)進(jìn)行特征選擇，分類(lèi)正確率很大程度上取決于感興趣區(qū)選擇的好壞，設(shè)計(jì)算法自動(dòng)尋找合理的感興趣區(qū)域?qū)⑹俏磥?lái)的研究重點(diǎn)。(2)當(dāng)前研究仍以傳統(tǒng)淺層學(xué)習(xí)算法為主，在實(shí)際應(yīng)用中依然存在較大問(wèn)題，如傳統(tǒng)淺層學(xué)習(xí)算法需利用先前經(jīng)驗(yàn)知識(shí)從原始數(shù)據(jù)中人工提取特征來(lái)訓(xùn)練模型，但特征選取難度較大，模型可能存在過(guò)擬合問(wèn)題，泛化能力難以保證，無(wú)法利用高維特征之間的關(guān)系所提供的有效信息[40]。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)領(lǐng)域的新興技術(shù)，可在很大程度上改進(jìn)淺層學(xué)習(xí)中的問(wèn)題，大幅提高算法從神經(jīng)影像中學(xué)習(xí)特征的能力，將成為未來(lái)研究的熱門(mén)方向。(3)由于大量神經(jīng)精神疾病臨床圖像數(shù)據(jù)缺乏有效的數(shù)據(jù)標(biāo)注，發(fā)展以非監(jiān)督學(xué)習(xí)為主的機(jī)器學(xué)習(xí)模型完成這些數(shù)據(jù)的自動(dòng)標(biāo)注，將是未來(lái)的研究熱點(diǎn)。(4)當(dāng)前研究采用的數(shù)據(jù)集主要是同源數(shù)據(jù)集，往往規(guī)模較小，因此會(huì)在一定程度上影響提出方法的分類(lèi)性能，但在實(shí)際臨床應(yīng)用中，往往存在大量的異源數(shù)據(jù)，這時(shí)傳統(tǒng)方法未必能很好地解決此類(lèi)問(wèn)題，需充分利用機(jī)器學(xué)習(xí)領(lǐng)域的其他方法，如遷移學(xué)習(xí)等，設(shè)計(jì)特定的腦疾病分析方法，從而改善分類(lèi)表現(xiàn)，尋找更多對(duì)腦疾病敏感的生物學(xué)標(biāo)志物，更好輔助腦疾病的診斷。

神經(jīng)精神疾病的臨床癥狀復(fù)雜多樣[41]，其診斷是醫(yī)療系統(tǒng)中更偏向于勞動(dòng)密集型的工作之一，這恰恰也是機(jī)器學(xué)習(xí)的擅長(zhǎng)領(lǐng)域。普通醫(yī)療體系不能永遠(yuǎn)保持精確又快速的診斷，神經(jīng)影像技術(shù)和以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)技術(shù)的不斷發(fā)展，不僅能大幅削減成本，其輔助診斷結(jié)果亦能實(shí)時(shí)獲取。機(jī)器學(xué)習(xí)可幫助醫(yī)生提供更準(zhǔn)確更有效率的診斷，從而進(jìn)一步提高神經(jīng)精神疾病的臨床診斷水平。

[1] He Y, Chen Z, Evans A. Structural insights into aberrant topological patterns of large-scale cortical networks in Alzheimer’s disease[J]. J Neurosci, 2008, 4: 4756- 4766.

[2] Lo CY, Wang PN, Chou KH, et al. Diffusion tensor tractography reveals abnormal topological organization in structural cortical networks in Alzheimer’s disease[J]. J Neurosci, 2010, 30: 16876- 16885.

[3] Cao Q, Shu N, An L, et al. Probabilistic diffusion tractography and graph theory analysis reveal abnormal white matter structural connectivity networks in drug-naive boys with attention deficit/hyperactivity disorder[J]. J Neurosci, 2013, 33: 10676- 10687.

[4] Wen H, Liu Y, Wang J, et al. Combining tract- and atlas-based analysis reveals microstructural abnormalities in early Tourette syndrome children[J]. Hum Brain Mapp, 2016, 37: 1903- 1919.

[5] Dai D, Wang J, Hua J, et al. Classification of ADHD children through multimodal magnetic resonance imaging[J]. Front Syst Neurosci, 2012, 6: 63- 63.

[6] Wen H, Liu Y, Rekik I, et al. Multi-modal multiple kernel learning for accurate identification of Tourette syndrome children[J]. Pattern Recognit, 2017, 63: 601- 611.

[7] Wen H, Liu Y, Rekik I, et al. Disrupted topological organization of structural networks revealed by probabilistic diffusion tractography in Tourette syndrome children[J]. Hum Brain Mapp, 2017，38:3988- 4008.

[8] Zang Y, Jiang T, Lu Y, et al. Regional homogeneity approach to fMRI data analysis[J]. Neuroimage, 2004, 22: 394- 400.

[9] Zang YF, He Y, Zhu CZ, et al. Altered baseline brain activity in children with ADHD revealed by resting-state functional MRI[J]. Brain Dev, 2007, 29: 83- 91.

[10] Wen H, Liu Y, Rekik I, et al. Combining disrupted and discriminative topological properties of functional connectivity networks as neuroimaging biomarkers for accurate diagnosis of early tourette syndrome children[J]. Mol Neurobiol, 2017. doi: 10.1007/s12035- 017- 0519- 1. [Epub ahead of print].

[11] Breiman L. Bagging predictors[J]. Mach Learn, 1996, 24: 123- 140.

[12] Schapire RE, Freund Y, Bartlett P, et al. Boosting the margin: a new explanation for the effectiveness of voting methods[J]. Ann Stat, 1998, 26: 1651- 1686.

[13] Wilson SM, Ogar JM, Laluz V, et al. Automated MRI-based classification of primary progressive aphasia variants[J]. Neuroimage, 2009, 47: 1558- 1567.

[14] Hinton GE, Salakhutdinov RR. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313: 504.

[15] 孫志軍, 薛磊, 許陽(yáng)明, 等. 深度學(xué)習(xí)研究綜述[J]. 計(jì)算機(jī)應(yīng)用研究, 2012, 29: 2806- 2810.

[16] Zou X, Wang G, Yu G. Protein function prediction using deep restricted boltzmann machines[J]. Biomed Res Int,2017, 2017: 1729301.

[17] Hinton GE. Deep belief networks[J]. Scholarpedia, 2009, 4: 5947.

[18] Graves A, Mohamed A, Hinton GE. Speech recognition with deep recurrent neural networks [C]. IEEE International Conference on Acoustics, Speech and Signal Processing, 2013:6645- 6649.

[19] Krizhevsky A, Sutskever I, Hinton GE. ImageNet classific-ation with deep convolutional neural networks[C]. Advances in Neural Information Processing Systems，2012: 1097- 1105.

[20] Esteva A, Kuprel B, Novoa RA, et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature, 2017, 542: 115.

[21] Gulshan V, Peng L, Coram M, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs[J]. JAMA, 2016, 316: 2402.

[22] Dai D, He H, Vogelstein JT, et al. Accurate prediction of AD patients using cortical thickness networks[J]. Mach Vis Appl, 2013, 24: 1445- 1457.

[23] 張超, 胡斌, 鄭煒豪. 腦皮層形態(tài)學(xué)多特征融合的輕度認(rèn)知障礙的分類(lèi)研究[J]. 小型微型計(jì)算機(jī)系統(tǒng), 2016, 37: 2558- 2561.

[24] 李慧卓, 相潔, 秦嘉瑋, 等. 基于Adaboost的輕度認(rèn)知障礙和阿爾茨海默病分類(lèi)[J]. 中國(guó)醫(yī)學(xué)影像技術(shù), 2016, 32: 623- 627.

[25] 呂鴻蒙, 趙地, 遲學(xué)斌. 基于增強(qiáng)AlexNet的深度學(xué)習(xí)的阿爾茨海默病的早期診斷[J]. 計(jì)算機(jī)科學(xué), 2017, (S1): 50- 60.

[26] Mueller SG, Weiner MW, Thal LJ, et al. The Alzheimer’s disease neuroimaging initiative[J]. Neuroimaging Clin N Am, 2005, 15: 869.

[27] Consortium H. The ADHD- 200 Consortium: A model to advance the translational potential of neuroimaging in clinical neuroscience[J]. Front Syst Neurosci, 2012, 6: 62.

[28] 朱莉, 張麗英, 韓云濤,等. 基于卷積神經(jīng)網(wǎng)絡(luò)的注意缺陷多動(dòng)障礙分類(lèi)研究[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2017, (1): 99- 105.

[29] Kuang D, Guo X, An X, et al. Discrimination of ADHD based on fMRI data with deep belief network[C]. International Conference on Intelligent Computing, 2014: 225- 232.

[30] Greene DJ, Church JA, Dosenbach NUF, et al. Multivariate pattern classification of pediatric tourette syndrome using functional connectivity MRI[J]. Dev Sci, 2016，19:581- 598.

[31] Liao W, Yu Y, Miao HH, et al. Inter-hemispheric intrinsic connectivity as a neuromarker for the diagnosis of boys with tourette syndrome[J]. Mol Neurobiol, 2017，54:2781- 2789.

[32] Wen H, Liu Y, Wang S, et al. Multi-threshold white matter structural networks fusion for accurate diagnosis of early tou-rette syndrome children[C]. International Society for Optics and Photonics, 2017: 101341Q- 101341Q- 13.

[33] Wang B, Mezlini AM, Demir F, et al. Similarity network fusion for aggregating data types on a genomic scale[J]. Nat Methods, 2014, 11: 333- 337.

[34] Qi J, Tejedor J. Deep multi-view representation learning for multi-modal features of the schizophrenia and Schizo-affective disorder[C]. IEEE International Conference on Acoustics, Speech and Signal Processing, 2016:116- 118.

[35] Adeli E, Wu G, Saghafi B, et al. Kernel-based joint feature selection and Max-Margin classification for early diagnosis of Parkinson’s disease[J]. Sci Rep, 2017, 7：41069.

[36] Crippa A, Salvatore C, Perego P, et al. Use of machine learning to identify children with autism and their motor abnormalities[J]. J Autism Dev Disord, 2015, 45: 2146- 2156.

[37] Wang J, Wang Q, Peng J, et al. Multi-task diagnosis for autism spectrum disorders using multi-modality features: a multi-center study[J]. Hum Brain Mapp, 2017，38:3081- 3097.

[38] Chekroud AM, Zotti RJ, Shehzad Z, et al. Cross-trial prediction of treatment outcome in depression: a machine learning approach[J]. Lancet Psychiatry, 2016, 3: 243.

[39] Hoexter MQ, Miguel EC, Diniz JB, et al. Predicting obsessive-compulsive disorder severity combining neuroimaging and machine learning methods[J]. J Affect Disord, 2013, 150: 1213- 1216.

[40] 陳詩(shī)慧, 劉維湘, 秦璟, 等. 基于深度學(xué)習(xí)和醫(yī)學(xué)圖像的癌癥計(jì)算機(jī)輔助診斷研究進(jìn)展[J]. 生物醫(yī)學(xué)工程學(xué)雜志, 2017, (2): 314- 319.

[41] Huys QJM, Maia TV, Frank MJ. Computational psychiatry as a bridge from neuroscience to clinical applications[J]. Nat Neurosci, 2016, 19: 404- 413.