[发明专利]阿尔兹海默疾病进程预测方法

说明书

本发明公开了一种阿尔兹海默疾病进程预测方法，患者在固定时间间隔内测量得到多视图数据，阿尔兹海默疾病进程预测方法包括对多视图数据进行预处理；使用多视图融合神经网络处理多视图数据，得到各视图共享的隐表示矩阵；在隐表示矩阵中引入最小门控单元，以对缺失的多视图数据进行填充以及预测未来时间点的评分数据；并使用多视图数据对多视图融合神经网络和最小门控单元进行协同训练，以实现对疾病发展进程的预测。本发明通过多视图融合神经网络为每个时间点的多视图数据习得各视图间共享的隐表示矩阵，同时，最小门控单元预测得到的下一个时间点的数据用于填补缺失的数据，利用最小门控单元进行未来任意时间点的评分数据预测。

技术领域

本发明涉及一种阿尔兹海默疾病进程预测方法，属于医学人工智能领域。

背景技术

阿尔兹海默症(Alzheimer’s Disease，AD)是一种不可逆转的、渐进性的神经退化性慢性疾病，它会逐步破坏患者的记忆力和认知能力，并最终导致患者死亡。目前世界范围内有超过5000万的AD患者，据估计，患者的数量将在2050年达到1.14亿AD不仅给患者自身带来了无尽的痛苦和精神压力，也同时给患者家庭和整个社会带来了巨大的经济负担。遗憾的是，AD疾病只能被控制而并不能被完全治愈。它通常会持续很长时间，且发展缓慢。因此，在病人症状前阶段进行早期检测并及时实施干预性治疗以避免病情恶化就显得尤为重要，对AD病情发展的精准预测能够帮助医生和病人选择最合适的治疗策略。

对于AD疾病进程的预测，传统做法大多依赖于利用统计学方法来处理核磁共振成像数据(MRI)，正电子发射断层扫描数据(PET)以及人口统计学数据等医疗数据，例如回归模型，风险预测模型等，这些统计模型提供了不同的方法模拟风险因素和健康状况之间的统计关系。然而，统计模型有着依赖过多假设的缺点，此外，现实世界中的因素更加复杂，机器学习模型能够在迭代训练过程中确定更多的决定性因素。例如，稀疏学习或稳定性选择可以用来解决特征选择的问题。

根据建模方式的不同，关于AD进程预测，主流的机器学习模型可以分为三类：多任务模型、时间序列模型和深度学习模型。其中，多任务模型基于线性回归算法，希望通过优化目标函数来学习出权重以拟合第t个时间点的评分与数据的线性关系，而对于多个时间点的预测问题，多任务模型通过学习出权重矩阵同时预测多个时间点的输出，中的每一列对应一个时间点预测问题；时间序列模型认为疾病的进展是由不同时期的临床表现驱动的，则可以基于事件驱动建模，那么疾病预测就需要使用马尔可夫随机场(Markov Random Field,MRF)，MRF模型是基于AD病理状态的进展状态，所使用的转移概率是基于这两种流行病的病理情况，因此是可靠的，这使得估计的疾病的终身风险更加准确；深度学习技术通过构建多层神经网络，以期望从原始特征中直接提取出深层信息，并将其用于预测疾病发展情况,在AD疾病进展的研究中，最常用的深度学习模型是循环神经网络(Recurrent Neural Networks,RNN),相比于其他模型，RNN在处理时序数据上更具有优势，RNN利用其能够记忆历史信息的特性，可以学习出不同时间点之间的关系依赖。此外，AD数据由于获取困难和成本过高，使得原始数据中经常存在缺失，而RNN可以补充不完整的数据，进一步提高模型的预测性能。

AD患者数据包含MRI、PET、人口统计学数据等不同类型的异构但互补的视图数据，结合使用这些视图数据有利于发现和鉴别患者疾病发展过程中的所有细微变化，并为医生的诊断提供可靠支撑。一些模型仅利用单一视图数据进行预测，然而已有文献表明，相比于使用单一的视图数据，同时利用多个视图的数据往往能提供更准确的预测结果以及更稳定的性能表现，并能够帮助研究者对病情有更加全面深入的了解，这也使得预测结果在医学方面更容易被接受。

尽管现有的方法提供了良好的准确性，但对于多视图数据的不充分利用、多视图数据的部分缺失和完全缺失以及是否有更合适的循环神经网络来进行预测，这些问题仍值得探讨。

发明内容