脑功能连接模型在机器学习中分类鲁棒性研究——以静息态功能磁共振定位癫痫发作侧为例

摘要

机器学习能促进静息态功能磁共振成像(rfMRI)在癫痫中应用,尽管Pearson相关性的传统功能连接(FC)模型作为成像算法有较多报道,但其分类鲁棒性却少有研究.提出特异于健康人的癫痫患者FC指数模型,与FC在有监督机器学习分类敏感性和稳定性上进行比较,以期为提取癫痫患者功能影像学标记提供新算法.搜集20名结构像标记为海马阳性的内侧颞叶癫痫患者(各10名纳入左侧、右侧2组)和142名来自连接组学且与患者相同年龄段健康人的rfMRI数据;以健康人群为参照,构建个体患者FC特异性指数模型,为每个脑区功能打分;通过ROC敏感性分析曲线和曲线下面积(AUC)提取指数模型,对发作侧敏感脑区获得功能影像标记;以其指数作为特征向量,分别输入至概率神经网络和支持向量机,对患者发作侧分类;10次随机交叉验证分析稳定性,再分别对敏感脑区之间和患者之间的特征向量做线性相关性分析,以探求影响稳定性的内在原因.最后,用FC代替指数模型做同上处理,并比较两种功能连接模型的分类稳定性.结果显示,以FC为特征向量的AUC为0.76,而特异性指数的特征向量AUC为0.84,指数模型的分类敏感性高于FC.另外,FC的分类精度在25％～100％之间强烈波动,方差高达25.99％,且特征向量平均相关系数为0.67,相关性较强;而指数模型则在75％～100％之间较小波动,方差低至7.10％,且特征向量平均相关系数为0.28,相关性较小.在机器学习癫痫定侧中,静息态功能连接特异性指数模型表现出较强的分类鲁棒性,远优于传统模型,特征向量相关性较大可能是影响后者稳定性的主要原因.