王鑫　高原　王彬　孫婕　相潔

摘 要：針對早期輕度認知障礙（MCI）根據(jù)醫(yī)學診斷認知量表評估極有可能無法判斷的問題，提出了一種多模態(tài)網(wǎng)絡(luò)融合的MCI輔助診斷分類方法?；趫D論的復(fù)雜網(wǎng)絡(luò)分析方法在神經(jīng)影像領(lǐng)域的應(yīng)用已得到廣泛認可，但采用不同模態(tài)的成像技術(shù)研究腦部疾病對大腦網(wǎng)絡(luò)拓撲結(jié)構(gòu)屬性的影響會產(chǎn)生不同結(jié)果。首先，使用彌散張量成像（DTI）與靜息態(tài)功能磁共振成像（rs-fMRI）數(shù)據(jù)構(gòu)建大腦結(jié)構(gòu)和功能連接的融合網(wǎng)絡(luò)。然后，融合網(wǎng)絡(luò)的拓撲屬性被施以單因素方差分析（ANOVA），選擇具有顯著差異的屬性作為分類特征。最后，利用支持向量機（SVM）留一法交叉驗證對健康組和MCI組分類，估算準確率。實驗結(jié)果表明，所提方法的分類結(jié)果準確率達到94.44%，相較單一模態(tài)數(shù)據(jù)法的分類結(jié)果有明顯提高。所提方法診斷出的MCI患者在扣帶回、顳上回以及額葉和頂葉部分區(qū)域等許多腦區(qū)表現(xiàn)出顯著異常，與已有研究結(jié)果基本一致。

關(guān)鍵詞：多模態(tài);輕度認知障礙;彌散張量成像;靜息態(tài)功能磁共振成像;融合網(wǎng)絡(luò);支持向量機;分類

中圖分類號： TP181文獻標志碼：A

Application of multimodal network fusion in classification of mild cognitive impairment

WANG Xin， GAO Yuan， WANG Bin， SUN Jie， XIANG Jie*

（College of Information and Computer， Taiyuan University of Technology， Taiyuan Shanxi 030024， China）

Abstract： Since the early Mild Cognitive Impairment （MCI） is very likely to be undiagnosed by the assessment of medical diagnostic cognitive scale， a multimodal network fusion method for the aided diagnosis and classification of MCI was proposed. The complex network analysis method based on graph theory has been widely used in the field of neuroimaging， but different effects of brain diseases on the network topology of the brain would be conducted by using imaging technologies based different modals. Firstly， the Diffusion Tensor Imaging （DTI） and resting-state functional Magnetic Resonance Imaging （rs-fMRI） data were used to construct the fusion network of brain function and structure connection. Then， the topological properties of the fusion network were analyzed by One-way ANalysis of VAriance （ANOVA）， and the attributes with significant difference were selected as the classification features. Finally， the one way cross validation of Support Vector Machines （SVM） was used for the classification of healthy group and MCI group， and the accuracy was estimated. The experimental results show that， the classification result accuracy of the proposed method reaches 94.44%， which is significantly higher than that of single modal data method. Many brain regions， such as cingulate gyrus， superior temporal gyrus and parts of the frontal and parietal lobes， of the MCI patients diagnosed by the proposed method show significant differences， which is basically consistent with the existing research results.

Key words： multimodal; Mild Cognitive Impairment （MCI）; Diffusion Tensor Imaging （DTI）; resting-state functional Magnetic Resonance Imaging （rs-fMRI）; fusion network; Support Vector Machine （SVM）; classification

0 引言

輕度認知障礙（Mild Cognitive Impairment， MCI）是指有輕度的記憶功能和認知功能損傷，是正常衰老與阿爾茲海默癥（Alzheimers Disease， AD）的過渡狀態(tài)[1]。研究表明，每年約有10%至15%的MCI患者轉(zhuǎn)為AD，明顯高于正常老年人的轉(zhuǎn)化率（約為1%至2%）[2]。因此，MCI的準確診斷對于盡早治療以推遲病情的惡化是非常重要的。實際上，MCI的診斷依舊是基于醫(yī)生臨床診斷和心理測量學評估，極大地浪費了人力物力資源，并且主觀性的判斷很容易造成誤診以及漏診，導致病情的延誤。盡管MCI患者的記憶力表現(xiàn)出現(xiàn)輕微減退，但這并不會對患者的日常生活造成實質(zhì)性影響，所以根據(jù)醫(yī)學診斷認知量表評估極有可能無法判斷早期MCI的認知情況。因此，更好地發(fā)展醫(yī)療輔助診斷工具就更為必要，同時這些工具的開發(fā)在衡量新療法的功效中可以發(fā)揮重要作用。

大腦的解剖結(jié)構(gòu)和功能是密切相關(guān)的，解剖結(jié)構(gòu)決定了功能，而大腦功能又是解剖結(jié)構(gòu)的表征[3-4]。近幾年，基于圖論分析（Graph Theory Analysis）的發(fā)展為人腦連接組的研究提供了所必需的分析方法[5]。對大腦結(jié)構(gòu)網(wǎng)絡(luò)的研究，有助于對大腦不同區(qū)域之間真實的結(jié)構(gòu)連接的直觀了解，進而研究腦結(jié)構(gòu)網(wǎng)絡(luò)的拓撲性質(zhì)。而大腦靜息態(tài)功能網(wǎng)絡(luò)的研究，對理解人腦在不同狀態(tài)下的功能活動規(guī)律并探索大腦的功能組織模式有重要作用。因此大腦的結(jié)構(gòu)網(wǎng)絡(luò)和功能網(wǎng)絡(luò)都可以對整個大腦的狀況進行描述，并且在各種大腦相關(guān)疾病的病理生理機制的研究中有重要作用。然而，使用不同模態(tài)來研究大腦相關(guān)疾病對腦網(wǎng)絡(luò)拓撲屬性影響卻可能會產(chǎn)生不同的結(jié)果[6]。此外，機器學習方法如支持向量機（Support Vector Machine， SVM）算法結(jié)合彌散張量成像（Diffusion Tensor Imaging， DTI）、功能磁共振影像（functional Magnetic Resonance Imaging， fMRI）的研究方法已廣泛應(yīng)用于MCI診斷中[7-9]。

崔會芳等[8]使用基于靜息態(tài)fMRI的有向腦功能網(wǎng)絡(luò)對拓撲屬性進行組間差異分析，將異常的網(wǎng)絡(luò)拓撲屬性值作為分類特征，對正常對照（Normal Control， NC）、早期輕度認知障礙（Early Mild Cognitive Impairment， EMCI）和晚期輕度認知障礙（Late Mild Cognitive Impairment， LMCI）進行了基于SVM的分類研究。Alam等[10]利用結(jié)構(gòu)磁共振影像（structural Magnetic Resonance Imaging， sMRI）數(shù)據(jù)提取腦萎縮的體積特征對NC與MCI進行了分類研究。武政等[7]通過靜息態(tài)fMRI以及sMRI數(shù)據(jù)構(gòu)建腦功能網(wǎng)絡(luò)，將異常的網(wǎng)絡(luò)拓撲屬性和萎縮腦區(qū)的灰質(zhì)體積作為分類特征，對NC、MCI和AD進行分類?，F(xiàn)有研究大都是采用單一模態(tài)或針對大腦的某一個解剖區(qū)域進行研究，然而這種方式的弊端是獲取的特征信息較為單一，且不利于沒有先驗知識的研究者進行研究。雖然也有研究采用了多模態(tài)數(shù)據(jù)進行研究，但只將不同模態(tài)下提取到的特征進行了簡單的合并，沒有充分發(fā)揮多模態(tài)特征的優(yōu)勢。

本文研究擬對大腦結(jié)構(gòu)連接網(wǎng)絡(luò)和功能連接網(wǎng)絡(luò)進行融合，從多模態(tài)的角度更全面更可靠地研究MCI的病理生理機制，更準確有效地找到MCI患者在腦網(wǎng)絡(luò)拓撲結(jié)構(gòu)上所發(fā)生的變化。本文提出了一種多模態(tài)網(wǎng)絡(luò)融合的MCI輔助診斷分類方法，通過圖論的方法，分析融合網(wǎng)絡(luò)的拓撲屬性差異，形成特征向量，構(gòu)建分類模型，實現(xiàn)對阿爾茨海默癥患者的自動識別，以此來輔助MCI的診斷，為MCI的診斷提供新視角。

1 本文方法

本文基于多模態(tài)融合腦網(wǎng)絡(luò)的分類方法所采用的技術(shù)路線如圖1所示。首先，收集被試的DTI和fMRI數(shù)據(jù)，分別做預(yù)處理構(gòu)建結(jié)構(gòu)和功能連接;接著，融合結(jié)構(gòu)和功能連接得到融合網(wǎng)絡(luò)，計算網(wǎng)絡(luò)全局屬性和局部屬性，并篩選NC、MCI兩組中存在顯著差異的全局屬性，與局部屬性作為分類特征。

1.1 數(shù)據(jù)采集

本文研究采用的DTI與靜息態(tài)fMRI數(shù)據(jù)均來源于阿爾茨海默癥神經(jīng)影像計劃（Alzheimers Disease Neuroimaging Initiative， ADNI）數(shù)據(jù)集（http：//adni.loni.ucla.edu/）。該公開數(shù)據(jù)集旨在通過對患者的各種醫(yī)學成像數(shù)據(jù)的分析來研究AD的病理生理機制，并且此數(shù)據(jù)得到了研究者的廣泛使用，其中包括46例MCI被試以及80例NC被試。被試的年齡、性別、教育、簡易精神狀態(tài)檢查表評分（Mini Mental State Examination， MMSE）、臨床癡呆評定量表評分（Clinical Dementia Rating， CDR）、社會活動功能量表評分（Functional Activities Questionnaire， FAQ）如表1所示。表1中，對NC組與MCI患者進行統(tǒng)計分析，a組為雙尾卡方檢驗，b組為單因素方差檢驗，P值為顯著性差異。兩組被試在教育、性別上沒有顯著差異，而在年齡、MMSE、CDR和FAQ量表評分上有顯著的差異。

數(shù)據(jù)采集使用通用電氣醫(yī)療系統(tǒng)磁共振掃描儀，磁場強度為3T。DTI數(shù)據(jù)掃描參數(shù)設(shè)置為：Flip Angle=90.0°;Gradient Directions=48.0;Matrix=256×256×4320;FOV=0.9×0.9mm2;Slice Thickness=2.0mm;Echo Time（TE）=61ms;Repetition Time（TR）=7800ms。靜息態(tài)fMRI數(shù)據(jù)掃描參數(shù)設(shè)置為：Slice Thickness=3.4mm;Echo Time（TE）=30ms;Repetition Time （TR）=3000ms;Slices=48。

1.2 數(shù)據(jù)預(yù)處理

DTI數(shù)據(jù)的預(yù)處理使用基于FSL5.0和Diffusion Toolkit的PANDA（a Pipeline for Analysing braiN Diffusion imAges）工具（http：//www.nitrc.org/projects/panda）[11]。圖像預(yù)處理步驟為：首先，進行剝頭皮、頭動及渦流校正;隨后，進行重采樣，將圖像配準至加拿大蒙特利爾神經(jīng)病學研究所（Montreal Neurological Institute， MNI）標準空間;然后，進行高斯平滑。

fMRI數(shù)據(jù)的預(yù)處理基于DPARSF（Data Processing Assistant for Resting-State fMRI） v2.3工具[12]。針對每例數(shù)據(jù)的預(yù)處理流程為：首先，將前10s的功能圖像丟棄;隨后，將數(shù)據(jù)進行時間片校正和頭動校正，只保留水平頭動小于1mm或者轉(zhuǎn)動小于1°的被試;接著，將圖像使用平面回波成像（Echo Planar Imaging， EPI）模板空間配準至體素為3mm的MNI標準空間;然后，進行高斯平滑、低頻濾波（0.06～0.11Hz），以降低圖像數(shù)據(jù)中的低頻漂移及高頻的生物噪聲。

1.3 網(wǎng)絡(luò)構(gòu)建

本文研究將分別構(gòu)建大腦結(jié)構(gòu)連接網(wǎng)絡(luò)和功能連接網(wǎng)絡(luò)，并且基于個體水平來構(gòu)建大腦網(wǎng)絡(luò)。

1.3.1 結(jié)構(gòu)連接網(wǎng)絡(luò)構(gòu)建

節(jié)點是網(wǎng)絡(luò)中最基本的元素，本文研究采用自動化解剖標記（Automated Anatomical Labeling， AAL）模板[13]，將預(yù)處理后圖像劃分為90個大腦區(qū)域，其中左右半球各45個腦區(qū)。然后，采用PANDA工具包進行白質(zhì)纖維追蹤來構(gòu)建確定性結(jié)構(gòu)網(wǎng)絡(luò)。使用確定性纖維束追蹤算法計算出腦區(qū)間的纖維數(shù)（Fiber Number， FN）與部分各向異性指數(shù)（Fractional Anisotropy，F(xiàn)A），由此得到一個90×90纖維束數(shù)量矩陣與一個90×90部分各向異性指數(shù)矩陣。在重建結(jié)構(gòu)連接網(wǎng)絡(luò)（Structural Connectivity， SC）過程中，當兩個節(jié)點之間的纖維束數(shù)量大于3時，則存在連接[14]，并且FA作為結(jié)構(gòu)連接網(wǎng)絡(luò)（SC）權(quán)重。

1.3.2 功能連接網(wǎng)絡(luò)構(gòu)建

在本文研究中，不同大腦區(qū)域間的功能關(guān)系由大腦區(qū)域的時間序列之間的同步性來表示。與結(jié)構(gòu)網(wǎng)絡(luò)構(gòu)建類似，功能網(wǎng)絡(luò)構(gòu)建也需要通過AAL模板將大腦劃分為90個腦區(qū)，將每個腦區(qū)內(nèi)所包含的所有體素的時間序列進行平均。然后，使用多元線性回歸分析的方法來消除部分由頭動和全局腦信號引起的誤差。最后，計算每兩腦區(qū)間的平均時間序列的皮爾遜相關(guān)性，由此得到一個90×90的相關(guān)矩陣。將功能連接網(wǎng)絡(luò)（Functional Connectivity， FC）中的節(jié)點與結(jié)構(gòu)網(wǎng)絡(luò)中的節(jié)點以類似的方式進行處理[14]，并將相關(guān)矩陣的絕對值作為功能連接網(wǎng)絡(luò)（FC）的權(quán)重。

1.4 網(wǎng)絡(luò)融合

網(wǎng)絡(luò)融合旨在將每個被試的大腦結(jié)構(gòu)連接網(wǎng)絡(luò)和功能連接網(wǎng)絡(luò)的信息集成到融合網(wǎng)絡(luò)中。首先，將結(jié)構(gòu)連接矩陣與功能連接矩陣進行Min-Max標準化，計算過程如式（1）所示：

z=（x-min）/（max-min）（1）

式中：z為標準化結(jié)構(gòu)連接網(wǎng)絡(luò)矩陣SCz或標準化功能連接網(wǎng)絡(luò)矩陣FCz中的任一元素，即SCzi， j或FCzi， j。SCzi， j表示標準化結(jié)構(gòu)連接網(wǎng)絡(luò)矩陣SCz中第i行、第j列的元素;FCzi， j表示標準化功能連接網(wǎng)絡(luò)矩陣FCz中第i行、第j列的元素。x為結(jié)構(gòu)連接網(wǎng)絡(luò)矩陣SC或功能連接網(wǎng)絡(luò)矩陣FC中與z對應(yīng)的元素;min為結(jié)構(gòu)連接網(wǎng)絡(luò)矩陣SC或功能連接網(wǎng)絡(luò)矩陣FC中元素的最小值;max為結(jié)構(gòu)連接網(wǎng)絡(luò)矩陣SC或功能連接網(wǎng)絡(luò)矩陣FC中元素的最大值。

然后，對得到的標準化結(jié)構(gòu)連接網(wǎng)絡(luò)矩陣SCz和標準化功能連接網(wǎng)絡(luò)矩陣FCz進行融合，從而得到基于結(jié)構(gòu)連接網(wǎng)絡(luò)與功能連接網(wǎng)絡(luò)的融合網(wǎng)絡(luò)矩陣FSC，計算過程[15]如式（2）所示：

FSC=ω（SCz）2+（1-ω）（FCz）2（2）

式中：ω為權(quán)值，取值范圍為0～1。取ω=ωm滿足min{COV（（ωm·SCzi， j），（1-ωm）·FCzi， j）}，即：當標準化結(jié)構(gòu)連接矩陣與標準化功能連接矩陣的方差最小，期望標準化結(jié)構(gòu)連接矩陣與標準化功能連接矩陣的數(shù)據(jù)盡可能地相似。其意義是考慮到個體差異的情況，盡可能地將結(jié)構(gòu)和功能對大腦描述狀況進行融合，同時將大腦結(jié)構(gòu)連接網(wǎng)絡(luò)和功能連接網(wǎng)絡(luò)的異常連接信息都盡可能集中在融合網(wǎng)絡(luò)中。ωm的取值范圍為[0.01，0.99]，步長為0.01，并與m=1，2，…，99的取值一一對應(yīng)（即ω1=0.01， ω2=0.02，…，ω99=0.99）。同時，為了排除由于噪聲而不是病理原因造成的連接，本文研究對每一組被試的連接進行非參數(shù)符號檢驗并去除假連接[16]。

1.5 網(wǎng)絡(luò)統(tǒng)計特征及分析

在構(gòu)建融合網(wǎng)絡(luò)之后，為了更好地描述復(fù)雜網(wǎng)絡(luò)的拓撲結(jié)構(gòu)需要一些方法來檢測網(wǎng)絡(luò)特征，因此對網(wǎng)絡(luò)進行屬性的計算。使用不同的網(wǎng)絡(luò)拓撲屬性指標可以從不同方面對融合網(wǎng)絡(luò)進行刻畫和分析。在本文用到了一些最基本的概念，如：1）節(jié)點度描述了網(wǎng)絡(luò)節(jié)點之間互相連接的情況，刻畫了主要網(wǎng)絡(luò)演化的特性，節(jié)點在網(wǎng)絡(luò)中的地位越重要則節(jié)點的度也就越大[5]。在加權(quán)網(wǎng)絡(luò)中，節(jié)點度表示一個節(jié)點與其他節(jié)點連接的強度[17]。2）介數(shù)中心度是用來度量網(wǎng)絡(luò)中節(jié)點對網(wǎng)絡(luò)相對重要性的統(tǒng)計指標。3）標準化聚類系數(shù)反映了網(wǎng)絡(luò)的局部功能的差異。4）標準化路徑長度代表了整個網(wǎng)絡(luò)信息的傳遞效率。5）大腦網(wǎng)絡(luò)的小世界屬性代表了一個高效的系統(tǒng)，其中大腦網(wǎng)絡(luò)中功能分離與整合并存。為確保能夠?qū)⒎蛛x模塊內(nèi)的信息進行高效整合，大腦網(wǎng)絡(luò)需要使得模塊化處理以及模塊之間快速的信息傳輸共存[18]。

1.6 分類模型

SVM分類器是基于統(tǒng)計學習理論的機器學習算法，其主要思想是尋找一個超平面，使兩組不同的高維數(shù)據(jù)盡可能地被超平面隔離，其特色在于通過核函數(shù)實現(xiàn)特征空間映射，通過結(jié)構(gòu)風險最小化原則來盡可能地提升分類器的泛化能力，即較少量的訓練樣本也可以確保測試集的較小誤差，從而有效地解決了分類中常見的小樣本、高維數(shù)、非線性和局部極小點等問題，因此此分類器被MRI信號分類研究廣泛使用[19-21]。而在本文研究中，由于樣本量的限制，使用SVM算法更為合適。

融合網(wǎng)絡(luò)基于全局屬性與局部屬性的計算產(chǎn)生了大量的原始特征。在構(gòu)建分類器模型的過程中，特征的數(shù)量也是對模型進行評價的重要指標之一。因為低維度的特征空間將減小模型的復(fù)雜度，以此減少分類器訓練和測試的時間，并且原始特征集中可能有不相關(guān)或冗余的特征降低分類器的性能;所以本文研究在構(gòu)建分類器模型的過程中，按照特征的貢獻度將特征排序，先加入貢獻度最高的特征，再加入較低貢獻度的特征。全局屬性和局部屬性的特征選擇結(jié)果分別如表2、表3所示，本文研究將融合網(wǎng)絡(luò)屬性的單因素方差分析（One-way ANalysis of VAriance， ANOVA）結(jié)果中的F值和P值作為特征貢獻度高低的依據(jù)，其中F值是方差分析中的一個指標，F(xiàn)值越大結(jié)果越可靠。

為此，本文研究采用單因素方差分析方法，對NC和MCI兩組融合網(wǎng)絡(luò)的拓撲屬性進行比較分析[22]，提取差異顯著的全局屬性以及局部屬性作為分類特征（如表2～3所示特征選擇結(jié)果），選擇SVM徑向基核函數(shù)（Radial Basis Function， RBF）算法來構(gòu)建分類模型。在本文研究中，通過對分類結(jié)果使用留一法交叉驗證來對分類模型的性能進行評價。每次從待分類樣本中選擇一個用于測試樣本集，其余作為訓練樣本集，對樣本進行分類實驗以獲取分類靈敏度、特異度、準確率、受試者工作特征（Receiver Operating Characteristic， ROC）曲線和ROC曲線下面積（Area Under Curve， AUC）。對所有樣本都重復(fù)進行一次，并將所有結(jié)果取均值用以評價分類性能。這一方法已經(jīng)廣泛地應(yīng)用在同類研究中。

2 實驗與結(jié)果分析

2.1 特征選擇結(jié)果

對NC和MCI兩組的融合網(wǎng)絡(luò)的拓撲屬性進行單因素方差分析，取P值小于0.001為兩組被試間差異具有統(tǒng)計學意義，提取差異顯著的全局與局部屬性作為分類特征，結(jié)果如圖2所示。其中MCI的全局屬性如節(jié)點度等出現(xiàn)了顯著差異，如圖2（a）所示顯著差異的全局屬性;如圖2（b）所示，在融合網(wǎng)絡(luò)的局部屬性分析中MCI患者的顳下回、丘腦等14個腦區(qū)的節(jié)點度發(fā)現(xiàn)顯著降低。

2.2 SVM分類結(jié)果

不同網(wǎng)絡(luò)模型的SVM分類結(jié)果如表4所示。

將所得到的差異全局屬性和局部屬性作為特征使用交叉驗證對患者以及正常被試進行分類，每次隨機從待分類樣本中選擇一個樣本作為測試樣本集，其余為訓練樣本集，然后得到準確率為93.65%;在加入MMSE、CDR、FAQ量表得分之后，準確率為94.44%。在使用同樣的選擇特征方法且同樣的數(shù)據(jù)集情況下，基于結(jié)構(gòu)網(wǎng)絡(luò)對MCI進行分類其準確率為72.22%，而基于功能網(wǎng)絡(luò)的MCI分類準確率為77.78%，均小于融合網(wǎng)絡(luò)的分類準確率。在多模態(tài)但不使用文中融合方法而將分別從結(jié)構(gòu)網(wǎng)絡(luò)與功能網(wǎng)絡(luò)選擇出的特征進行合并的情況下對MCI進行分類，準確率為80.16%，小于基于融合網(wǎng)絡(luò)的分類準確率。

2.3 結(jié)果分析

本文研究結(jié)果表明，MCI患者的融合網(wǎng)絡(luò)中的一些屬性都與正常對照組存在一定差異，這些差異與已有的研究結(jié)論較為一致。其中在全局屬性上，MCI患者的節(jié)點度下降，說明患者的大腦部分區(qū)域已經(jīng)開始萎縮。基于節(jié)點進一步分析，本文研究找到了節(jié)點度屬性顯著下降的主要腦區(qū)，其中主要包括扣帶回、顳上回以及額葉和頂葉部分腦區(qū)等，可見MCI的萎縮模式與AD相似，富含核心節(jié)點的大腦區(qū)域（如頂葉、扣帶回和額葉）在MCI和AD患者中容易受損[23]。此外，現(xiàn)有研究表明，MCI患者的認知功能受損的情況并非由個別腦區(qū)受損萎縮所導致，而是在全腦中多個腦區(qū)均有不同程度的損傷。文獻[16]的研究發(fā)現(xiàn)，MCI患者都存在廣泛的異常連接，這些異常連接涉及周圍區(qū)域，可能會導致他們經(jīng)歷早期的記憶衰退，但是患者的核心連接相對保存了下來;并且，失常腦區(qū)大多與記憶、聽覺、語言、注意力等認知功能聯(lián)系緊密，部分腦區(qū)屬于默認網(wǎng)絡(luò)，而默認網(wǎng)絡(luò)與各種高級認知密切相關(guān)。本文研究結(jié)果發(fā)現(xiàn)，MCI患者在認知功能障礙的行為表現(xiàn)是一致的，即MCI患者除了有輕度的記憶功能障礙之外，其他認知的功能如語言功能、視覺功能以及注意力功能等都受到了不同程度的影響。

此外，本文研究結(jié)果表明，本文所提融合網(wǎng)絡(luò)的MCI患者介數(shù)中心度、標準化聚類系數(shù)、標準化路徑長度、小世界屬性和模塊化都顯著升高，與已有研究存在一致性。文獻[26]利用靜息態(tài)fMRI研究發(fā)現(xiàn)，MCI組小世界屬性異常、聚類系數(shù)和最短路徑長度升高。文獻[27]研究也表明MCI患者的腦網(wǎng)絡(luò)屬性中小世界屬性存在顯著異常。同時，本文基于結(jié)構(gòu)功能連接的融合網(wǎng)絡(luò)研究結(jié)果也發(fā)現(xiàn)，融合網(wǎng)絡(luò)技術(shù)對MCI的研究更有效并且更全面地發(fā)現(xiàn)了拓撲屬性上的差異性。由于患者腦網(wǎng)絡(luò)模式出現(xiàn)異常相關(guān)、患者腦網(wǎng)絡(luò)最優(yōu)腦結(jié)構(gòu)組織逐漸喪失，出現(xiàn)了異常的模塊分離以及整合，導致大腦信息交流傳遞出現(xiàn)異常[28]。

從分類準確率來看，本文所提方法的分類準確率高于已有基于單模態(tài)的分類研究，不同方法的MCI分類結(jié)果如表5所示。如：文獻[10]利用sMRI數(shù)據(jù)取腦萎縮的體積特征進行分析，MCI患者與NC組之間的分類準確率為86.54%;文獻[8]采用靜息態(tài)fMRI數(shù)據(jù)構(gòu)建大腦有向功能網(wǎng)絡(luò)，提取異常的網(wǎng)絡(luò)屬性值作為分類特征，EMCI與NC分類準確率為88.24%（41個特征），LMCI與NC分類準確率為94.12%（38個特征）， 均低于本文方法NC與MCI分類的分類準確率（94.44%，23個特征）。本文方法使用更少的特征達到了更高的分類準確率，有效降低了計算量，減少了分類器訓練和測試的時間，并且LMCI患者為MCI的晚期階段，腦網(wǎng)絡(luò)拓撲結(jié)構(gòu)已經(jīng)產(chǎn)生了顯著的改變，因此相比之下本文方法構(gòu)建的分類模型的性能更優(yōu)。文獻[9]將基于腦功能網(wǎng)絡(luò)的異常屬性作為分類特征，EMCI和NC的分類準確率為75.33%，LMCI和NC的分類準確率為83.79%。現(xiàn)有的分類方法中只針對單一模態(tài)數(shù)據(jù)進行研究，必然會使得信息不夠充分，進而導致整體的分類性能受到局限。因此，先將多模態(tài)成像數(shù)據(jù)融合再進行分類研究的方法已經(jīng)被越來越多的研究認可。

[23]ZHAO Z， FAN F， LU J， et al. Changes of gray matter volume and amplitude of low-frequency oscillations in amnestic MCI： an integrative multi-modal MRI study [J]. Acta Radiologica， 2015， 56（5）： 614-621.

[24]接標，張道強.面向腦網(wǎng)絡(luò)的新型圖核及其在MCI分類上的應(yīng)用[J].計算機學報，2016，39（8）：1667-1680.（JIE B， ZHANG D Q. The novel graph kernel for brain networks with application to MCI classification [J]. Chinese Journal of Computers， 2016， 39（8）： 1667-1680.）

[25]CHEN X， ZHANG H， ZHANG L， et al. Extraction of dynamic functional connectivity from brain grey matter and white matter for MCI classification [J]. Human Brain Mapping， 2017， 38（10）： 5019-5034.

[26]WANG J， ZUO X， DAI Z， et al. Disrupted functional brain connectome in individuals at risk for Alzheimers disease [J]. Biological Psychiatry， 2013， 73（5）： 472-481.

[27]王湘彬，趙小虎，江虹，等.輕度認知功能障礙患者大腦fMRI網(wǎng)絡(luò)小世界特性[J].中國醫(yī)學影像技術(shù)，2014，30（5）：790-793.（WANG X B， ZHAO X H， JIANG H， et al. Small-worldness of brain fMRI network in patients with mild cognitive impairment [J]. Chinese Journal of Medical Imaging Technology， 2014， 30（5）： 790-793.）

[28]WANG J， KHOSROWABADI R， NG K K， et al. Alternations in brain network topology and structural-functional connectome coupling relate to cognitive impairment [J]. Frontiers in Aging Neuroscience， 2018， 10： Article No. 404.

This work is partially supported by the National Natural Science Foundation of China （61873178， 61876124， 61503272）， the Key Research and Development Program of Shanxi Province （International Science and Technology Cooperation） （201803D421047）， the Natural Science Foundation of Shanxi Province （201801D121135）， the Natural Science Foundation for Young Scientists of Shanxi Province （201701D221119）.

WANG Xin， born in 1996， M. S. candidate. His research interests include intelligent information processing， brain informatics.

GAO Yuan， born in 1995， M. S. candidate. Her research interests include intelligent information processing， brain informatics.

WANG Bin， born in 1983， Ph. D.， associate professor. His research interests include psychology， intelligent information processing， brain informatics.

SUN Jie， born in 1994， M. S. candidate. Her research interests include intelligent information processing， brain informatics.

XIANG Jie， born in 1970， Ph. D.， professor. Her research interests include intelligent information processing， brain informatics， big data management and analysis.

收稿日期：2019-05-28;修回日期：2019-07-25;錄用日期：2019-07-29。

基金項目：國家自然科學基金資助項目（61873178，61876124，61503272）;山西省重點研發(fā)計劃國際科技合作項目（201803D421047）;山西省自然科學基金資助項目（201801D121135）;山西省青年科技研究基金資助項目（201701D221119）。

作者簡介：王鑫（1996—），男，山西忻州人，碩士研究生，主要研究方向：智能信息處理、腦信息學; 高原（1995—），女，山西長治人，碩士研究生，主要研究方向：智能信息處理、腦信息學; 王彬（1983—），男，四川內(nèi)江人，副教授，博士，主要研究方向：心理學、智能信息處理、腦信息學; 孫婕（1994—），女，山西太原人，碩士研究生，主要研究方向：智能信息處理、腦信息學; 相潔（1970—），女，山西太原人，教授，博士生導師，博士，主要研究方向：智能信息處理、腦信息學、大數(shù)據(jù)管理與分析。

文章編號：1001-9081（2019）12-3703-06DOI：10.11772/j.issn.1001-9081.2019050901