[发明专利]分阶段估计AD进展时间线的判别式事件模型设计方法

说明书

本发明提供的一种分阶段估计AD进展时间线的判别式事件模型设计方法主要包括以下步骤：首先将事件定义为生物标志物值从正常到异常和从异常变为恶化，代表病情从CN变化为MCI和从MCI变化为AD；其次对所获取的横截面数据进行预处理；再次对不同的生物标记物分别训练高斯混合模型；然后计算疾病进展时间线；最后得到每一位病人的病情分期。本发明通过对AD病程进展中的三个阶段CN、MCI和AD的生物标志物事件建模，实现MCI的提早检出，尽可能早对AD风险的患者进行预防和干预，延缓AD疾病进程。

技术领域

本发明涉及一种分阶段估计阿尔兹海默症疾病进展时间线的判别式事件模型设计方法，属于智慧医疗之辅助诊断技术领域。

背景技术

阿尔兹海默症(Alzheimer’s disease，简称AD)是一种典型的进行性痴呆症，具有发病率高，病程不可逆的特征。一旦确诊为AD，目前尚无有效的治疗手段，故对AD病情的早期诊断、早期干预就十分必要。

AD的病情发展包括从认知正常CN到轻度认知障碍MCI再到AD的三个阶段。基于判别事件建模DEBM(Discriminative Event Based Model)是一种数据驱动技术，这种模型既不依赖于症状分期，也不依赖于时间序列数据的存在，可以通过横截面数据(Cross-sectional data)，得到阿尔兹海默症的疾病进展时间线模型，辅助MCI的检出。

发明内容

本发明的目的是：尽可能早对AD风险的患者进行预防和干预，延缓AD疾病进程。

为了达到上述目的，本发明的技术方案是提供了一种分阶段估计AD进展时间线的判别式事件模型设计方法，其特征在于，在只有横截面数据情况下达到检测MCI迹象的目的，包括以下步骤：

步骤1、进行事件定义，将判别式事件模型中事件的定义为：生物标志物值从正常值变为异常值以及从异常值到恶化两个阶段，以利于MCI的早期检出；

步骤2、数据预处理

将生物标志物中的TAU和p-TAU转化为对数尺度，使得到的分布具有较小的偏差，将CSF以及认知评分与年龄、性别、颅内容积进行回归，然后校正这些因素的影响，随后使用这些生物标志物进行实验；

步骤3、训练高斯混合模型

设生物标志物的测量值随着疾病的严重程度增加而增加或降低，即成正相关或负相关，随着数据量的增多病人的病情符合高斯分布，分别采用CN、MCI、AD三类病人数据对高斯混合模型进行初始化，随后采用所有的病人数据对高斯混合模型进行优化，直到权重和高斯参数收敛；

步骤4、计算疾病进展时间线

在得到高斯混合模型之后，采用贝叶斯分类器对MCI-CN和MCI-AD进行分类，其中，MCI-CN为CN和MCI高斯模型相交的部分，MCI-AD为MCI和AD高斯模型相交的部分，使用三类高斯模型的权重作为先验概率，通过贝叶斯公式得到后验概率，从而得到CN到MCI以及MCI到AD的两个生物标志物异常序列，采用概率Kendall’s Tau距离来计算事件序列中相邻交换的损失。然后对两个估计序列分别引入两个伪事件来估计中心顺序中第一个生物标志物变的异常到一个假设的正常值，以及估计中心顺序中最后一个生物标志物变得异常到疾病时间线的结束值，从而计算得到CN到MCI和MCI到AD两条疾病进展时间线；

步骤5、患者病情分期

使用每个病人的生物标志物数据分别计算病人在CN-MCI阶段和MCI-AD阶段上的分期概率，根据概率论中的链式法则并且除去归一化因子，得到最终的每个患者在这两个阶段的病情概率；此时得到两个阶段分期概率，分别代表病人病情从CN到MCI和从MCI到AD的一个概率变化，对比所得到的两个分期概率，求两个阶段中较大值，如果属于从MCI到AD则概率值加1，以此得到一个总的病人分期。