用于阿尔茨海默病诊断的权值分布特征学习

针对当前基于机器学习的早期阿尔茨海默病（AD）诊断中有标记训练样本不足的问题，提出一种基于多模态特征数据的权值分布稀疏特征学习方法，并将其应用于早期阿尔茨海默病的诊断.具体来说，该诊断方法主要包括两大模块：基于权值分布的Lasso特征选择模型（WDL）和大间隔分布分类机模型（LDM）.首先，为了获取多模态特征之间的数据分布信息，对传统Lasso模型进行改进，引入权值分布正则化项，从而构建出基于权值分布的Lasso特征选择模型；然后，为了有效地利用多模态特征之间的数据分布信息，以保持多模态特征之间的互补性，直接采用大间隔分布学习算法训练分类器.选取国际阿尔茨海默症数据库（ADNI）中202个多模态特征的被试者样本进行实验，分类AD最高平均精度为97.5%，分类轻度认知功能障碍（MCI）最高平均精度为83.1%，分类轻度认知功能障碍转化为AD（pMCI）最高平均精度为84.8%.实验结果表明，所提WDL特征学习方法可从串联的多模态特征学到性能更优的特征子集，并能根据权值分布获取多模态特征之间的数据分布信息，从而提高早期阿尔茨海默病诊断的性能