×
刘晓丽;王建忠;任福龙;孔骏

组引导融合拉普拉斯稀疏组拉索用于模拟阿尔茨海默病进展。 （英语） Zbl 1507.92044号

计算。数学。方法医学。 2020年，文章ID 4036560，23 p.（2020）。
摘要：阿尔茨海默病（AD）是痴呆症的最大病因，给患者及其家人带来了严重负担，主要表现在经济、心理和情感方面。为了评估AD的进展并开发新的治疗方法，有必要推断患者认知能力随时间的变化轨迹，以确定连接脑萎缩和AD进展模式的生物标记物。在本文中，提出了一种称为组引导融合拉普拉斯稀疏组Lasso（GFL-SGL）的结构化正则化回归方法，通过考虑在不同时间点对相同认知得分的多重预测来推断疾病进展（纵向分析）。提出的GFL-SGL同时利用了MRI特征中的相关结构以及稀疏群拉索（SGL）范数任务之间的相关结构，并提出了一种新的群引导融合拉普拉斯（GFL）正则化方法。这种组合有效地结合了多个纵向时间点与一般加权（无向）依赖关系图之间的相关性以及特征中有用的固有组结构。此外，还导出了一种基于交替方向乘法器（ADMM）的算法来优化该方法的非光滑目标函数。在阿尔茨海默病神经成像倡议（ADNI）数据集上的实验表明，所提出的GFL-SGL优于其他一些最先进的算法，并有效地融合了多模态数据。我们的方法确定的认知相关成像生物标记物的紧凑集合与临床研究结果一致。

MSC公司：

92 C50 医疗应用（通用）
68T05年 人工智能中的学习和自适应系统
62H30型 分类和区分；聚类分析（统计方面）
PDF格式BibTeX公司 XML格式引用
\textit{X.Liu}等人，计算。数学。方法医学2020，文章编号4036560，23页（2020；Zbl 1507.92044）
全文： 内政部

参考文献：

[1] 老年痴呆症协会，2016年老年痴呆症事实和数字，老年痴呆症和痴呆症，12，4，459-509（2016）·doi:10.1016/j.jalz.2016.03.001
[2] Misra，C。；范，Y。；Davatzikos，C.，MCI患者脑萎缩的基线和纵向模式及其在预测短期转化为AD中的应用：来自ADNI的结果，Neuroimage，44，1415-1422（2009）·doi:10.1016/j.neuroimage.2008.10.031
[3] 韦纳，M.W。；Veitch，D.P。；Aisen，P.S.，阿尔茨海默病神经成像倡议的最新出版物：回顾改善阿尔茨海默氏病临床试验、阿尔茨海姆病与痴呆、阿尔茨哈默病与痴呆的进展，13，4，e1-e85·文件编号：10.1016/j.jalz.2016.11.007
[4] 徐，L。；吴，X。；Chen，K。；Yao，L.，阿尔茨海默病和轻度认知障碍的基于多模态稀疏表征的分类，生物医学中的计算机方法和程序，122，2，182-190（2015）·doi:10.1016/j.cmpb.2015.08.004
[5] 高X.W。；Hui，R。；Tian，Z.，基于深度学习网络的CT脑图像分类，生物医学中的计算机方法和程序，138，49-56（2017）·doi:10.1016/j.cmpb.2016.10.007
[6] 汤博，T.N。；McIntyre，N.J.，《最小精神状态检查：综合评述》，《美国老年医学会杂志》，40，9，922-935（1992）·文件编号：10.1111/j.1532-5415.1992.tb01992.x
[7] Ye，J。；法纳姆，M。；Yang，E.，使用基线ADNI数据预测MCI到AD转换的稀疏学习和稳定性选择，BMC神经病学，12，1，1（2012）·doi:10.1186/1471-2377-12-46
[8] Ye，J。；Chen，K。；Wu，T.，阿尔茨海默病研究中的异构数据融合，第14届ACM SIGKDD国际知识发现和数据挖掘会议论文集-KDD 08·数字对象标识代码：10.1145/1401890.1402012
[9] 周，J。；袁，L。；刘杰。；Ye，J.，预测疾病进展的多任务学习公式，第17届ACM SIGKDD知识发现和数据挖掘国际会议论文集，ACM
[10] 周，J。；刘杰。；Narayan，V.A。；Ye，J.，通过融合稀疏群套索建模疾病进展，第18届ACM SIGKDD知识发现和数据挖掘国际会议论文集，ACM
[11] Caruana，R.，归纳迁移的多任务学习特定问题，机器学习，28，1，41-75（1997）
[12] Argyriou，A。；Evgeniou，T。；Pontil，M.，Convex多任务特征学习，机器学习，73，3，243-272（2008）·Zbl 1470.68073号 ·doi:10.1007/s10994-007-5040-8
[13] Gonçalves，A。；Zuben，F.V。；Banerjee，A.，使用高斯copula模型的多任务稀疏结构学习，机器学习研究杂志，17，33，1-30（2016）·Zbl 1360.68675号
[14] 张，D。；Shen，D.，阿尔茨海默病多元回归和分类变量联合预测的多模式多任务学习，神经影像，59，2，895-907（2012）·doi:10.1016/j.neuroimage.2011.09.069
[15] Wan，J。；张，Z。；Yan，J.，稀疏贝叶斯多任务学习预测阿尔茨海默病神经成像测量的认知结果，IEEE计算机视觉和模式识别会议论文集（CVPR）
[16] 刘，X。；曹，P。；赵，D。；Banerjee，A.，表征阿尔茨海默病的多任务备用套索，第五届医学和医疗数据挖掘研讨会论文集
[17] Tibshirani，R。；桑德斯，M。；Rosset，S。；朱，J。；K.奈特，《通过融合套索实现的稀疏与平滑》，《皇家统计学会杂志：B辑（统计方法）》，67，1，91-108（2005）·Zbl 1060.62049号 ·文件编号：10.1111/j.1467-9868.2005.00490.x
[18] 黄，L。；Jin，Y。；高，Y。；Thung，K.-H。；Shen，D.，使用基于软分裂稀疏回归的随机森林对阿尔茨海默病的纵向临床评分预测，衰老的神经生物学，46，180-191（2016）·doi:10.1016/j.neurobiolaging.2016.07.005
[19] 刘，X。；曹，P。；Gonçalves，A.R。；赵，D。；Banerjee，A.，用融合拉普拉斯稀疏群套索建模阿尔茨海默病进展，ACM数据知识发现交易（TKDD），12，6，65（2018）·数字对象标识代码：10.1145/3230668
[20] 严，J。；李·T。；Wang，H.，使用l2，1范数预测认知结果的皮层表面生物标志物，老龄化神经生物学，36，S185-S193（2015）·doi:10.1016/j.neurobiolaging.2014.07.045
[21] 刘，X。；Goncalves，A。；曹，P。；Z.大泽。；Arindam，B.，《使用多任务稀疏组套索模拟阿尔茨海默病认知评分》，计算机化医学成像和图形，计算机化医疗成像和图形》，66，100-114·doi:10.1016/j.compmedimag.2017.11.001
[22] 曹，P。；刘，X。；Liu，H.，广义融合组套索正则化多任务特征学习预测阿尔茨海默病认知结果，生物医学中的计算机方法和程序，162，19-45（2018）·doi:10.1016/j.cmpb.2018.04.028
[23] 刘，X。；曹，P。；Zhao，D.，小组指导的稀疏组套索多任务学习用于预测阿尔茨海默病的认知性能，《脑信息学国际会议论文集》，斯普林格
[24] 周，J。；刘杰。；Narayan，V.A。；Ye，J.，通过多任务学习建模疾病进展，NeuroImage，78，233-248（2013）·doi:10.1016/j.neuroimage.2013.03.073
[25] Tibshirani，R。；桑德斯，M。；Rosset，S。；朱，J。；K.奈特，《通过融合套索实现的稀疏与平滑》，《皇家统计学会期刊B：统计方法》，67，1，91-108（2005）·Zbl 1060.62049号 ·文件编号：10.1111/j.1467-9868.2005.00490.x
[26] Wasserman，L.，《所有非参数统计》（2006），美国纽约州纽约市：Springer-Verlag，纽约州纽约州美国·1099.62029兹比尔
[27] 博伊德，S。；北卡罗来纳州帕里赫。；朱，E。；佩莱托，B。；Eckstein，J.，《通过交替方向乘数法进行分布式优化和统计学习》，《机器学习的基础和趋势》，3，1，1-122（2011）·Zbl 1229.90122号 ·doi:10.1561/220000016
[28] Ye，G.-B。；Xie，X.，大规模融合套索的分裂Bregman方法，计算统计与数据分析，55，4，1552-1569（2011）·Zbl 1328.65048号 ·doi:10.1016/j.csda.2010.10.021
[29] 邓，W。；赖，M.-J。；彭，Z。；Yin，W.，O（1/k）收敛的并行多块ADMM（2013），https://arxiv.org/abs/1312.3040
[30] Yu，Y.，使用近似平均值的更好近似和更快算法，《神经信息处理系统（NIPS）进展论文集》
[31] Yu，Y.，关于近端图的分解，神经信息处理系统（NIPS）进展论文集
[32] 袁，L。；刘杰。；Ye，J.，重叠群套索的有效方法，IEEE模式分析和机器智能学报，35，9，2104-2116（2013）·doi:10.1109/tpami.2013.17
[33] 蔡J.-F。；Osher，S。；Shen，Z.，Split-Bregman方法和基于帧的图像恢复，多尺度建模与仿真，8，2，337-369（2009）·Zbl 1189.94014号 ·doi:10.1137/090753504
[34] 韦纳，M.W。；艾森，P.S。；Jack，C.R.，《阿尔茨海默病神经成像倡议：进展报告和未来计划》，阿尔茨海默氏病与痴呆，6，3，202-211（2010）·doi:10.1016/j.jalz-2010年3月007日
[35] Wan，J。；张，Z。；Rao，B.D.，通过相关和非线性感知稀疏贝叶斯学习识别阿尔茨海默病认知损伤的神经解剖学基础，IEEE医学成像学报，33，7，1475-1487（2014）·doi:10.1109/tmi.2014.2314712
[36] Stonnington，C.M。；楚，C。；Klöppel，S。；Jack，C.R。；阿什伯恩，J。；Frackowiak，R.S.J.，预测阿尔茨海默病磁共振扫描的临床评分，《神经影像》，51，4，1405-1413（2010）·doi:10.1016/j.neuroimage.2010.03.051
[37] 刘，F。；Wee，C.-Y。；陈，H。；Shen，D.，阿尔茨海默病和轻度认知损伤识别的模态间关系约束多模态多任务特征选择，NeuroImage，84，466-475（2014）·doi:10.1016/j.neuroimage.2013.09.015
[38] 德雷珀，N.R。；Smith，H.，《应用回归分析》（2014），美国新泽西州霍博肯：美国新泽西霍博肯John Wiley&Sons·Zbl 0158.17101号
[39] 刘杰。；Ye，J.，线性时间的有效欧几里德投影，第26届机器学习国际年会论文集，ACM
[40] 徐，L。；吴，X。；Li，R.，多模式神经成像生物标记物预测进展性轻度认知功能障碍，《阿尔茨海默病杂志》，51，4，1045-1056（2016）·doi:10.3233/jad-151010
[41] 维瑟，P。；Verhey，F。；霍夫曼，P。；谢尔滕斯，P。；Jolles，J.，内侧颞叶萎缩预测轻度认知障碍患者的阿尔茨海默病，《神经病学、神经外科和精神病学杂志》，72，4，491-497（2002）
[42] 朱，X。；苏克，H.-I。；李，S.-W。；Shen，D.，用于多类神经退行性疾病识别的子空间正则化稀疏多任务学习，IEEE生物医学工程学报，63，3，607-618（2016）·doi:10.1109/tbme.2015.2466616
[43] Gutman，文学学士。；Wang，Y。；Yanovsky，I.，赋予阿尔茨海默病成像生物标记物权力，衰老的神经生物学，36，S69-S80（2015）·doi:10.1016/j.neurobiolaging.2014.05.038
[44] Echávarri，C。；阿尔滕，P。；Uylings，H.，作为阿尔茨海默病早期生物标志物的海马旁回萎缩，脑结构与功能，215，3-4，265-271（2011）·doi:10.1007/s00429-010-0283-8
[45] van Hoesen，G.W。；海曼，B.T。；Damasio，A.R.，阿尔茨海默病的内鼻皮层病理学，海马，1，1，1-8（1991）·doi:10.1002/hipo.450010102
[46] Greene，S.J。；Killiany，R.J.，顶叶下叶亚区在阿尔茨海默病进展中受到影响，《衰老的神经生物学》，31，8，1304-1311（2010）·doi:10.1016/j.neurobiolaging.2010.04.026
[47] 张，M。；Yang，Y。；张，H。；沈，F。；Zhang，D.，L_2，基于p-范数和样本约束的AD诊断特征选择和分类，神经计算，195104-111（2016）·doi:10.1016/j.neucom.2015.08.111
[48] 张，D。；Wang，Y。；周，L。；袁，H。；Shen，D.，阿尔茨海默病和轻度认知障碍的多模式分类，《神经影像》，55，3，856-867（2011）·doi:10.1016/j.neuroimage.2011.01.008
[49] 袁，L。；Wang，Y。；汤普森，P.M。；Narayan，V.A。；Ye，J.，联合分析不完整多模态神经成像数据的多源学习，第18届ACM SIGKDD国际知识发现和数据挖掘会议论文集，ACM
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。