[发明专利]一种基于多中心模型的精神分裂症分类方法及系统

说明书

本发明为一种基于多中心模型的精神分裂症分类方法及系统，方法包括一、数据准备：采集样本的脑MRI图像，对脑MRI图像进行处理，提取多个脑结构特征得到特征矩阵；对特征矩阵进行协变量回归处理，然后再进行标准化处理；每个中心都按照此步骤准备各自的数据集；二、每个中心均利用机器学习分类器构建各自的单中心模型，利用各自的数据集训练各自的单中心模型；三、利用各个单中心模型对待分类的测试样本进行分类，得到待分类的测试样本对应每个中心的分类概率值；将每个中心的分类概率值和权重进行加权求和，得到基于多中心模型的分类概率值，将各个单中心模型集成为用于分类的多中心模型。实现各中心的数据共享，每个中心无需共享原始数据。

技术领域

本发明涉及神经疾病诊断技术领域，尤其涉及一种基于多中心模型的精神分裂症分类方法及系统。

背景技术

精神分裂症是一种严重的精神疾病，客观的辅助检查手段是精神分裂症早期诊断的基础，并且有助于精神分裂症的治疗和改善预后。大量的研究表明精神分裂症患者与正常人的大脑结构存在差异，因此目前普遍采用磁共振成像(MRI)获得全面的大脑结构和功能信息，对精神分裂症进行诊断，但是这种诊断结果存在很大的异质性，容易导致诊断结果不准确。

目前虽然有很多结合通过机器学习的方法进行神经影像的分类分析，但是大多具有以下的局限性：1)针对单中心数据，样本量少，有限的样本量往往导致分类模型的泛化性能较差；2)针对所有中心的原始数据进行训练，无法避免原始数据量大的问题及伦理问题。然而，多中心研究可以明显增加样本量以及提升分类模型的泛化能力，在大数据分析中发挥重要作用。

综上所述，本发明提出一种基于多中心模型的分类方法，每个中心只需要利用自己的样本训练各自的单中心模型，通过每个单中心的分类概率值和权重进行加权求和得到基于多中心模型的分类结果，通过多中心模型实现数据共享。

发明内容

针对现有技术的不足，本发明拟解决的技术问题是，提出了一种基于多中心模型的精神分裂症分类方法及系统。

本发明解决所述技术问题采用以下技术方案：

一种基于多中心模型的精神分裂症分类方法，其特征在于，该方法包括以下步骤：

步骤一、数据准备：采集样本的脑MRI图像，对脑MRI图像进行处理，提取多个脑结构特征，这些脑结构特征构成特征矩阵；对特征矩阵进行协变量回归处理，然后再进行标准化处理；每个中心都按照此步骤准备各自的数据集；

步骤二、每个中心均利用机器学习分类器构建各自的单中心模型，利用各自的数据集训练各自的单中心模型；

步骤三、利用各个单中心模型对待分类的测试样本进行分类，得到待分类的测试样本对应每个中心的分类概率值；

根据式(1)计算各个单中心模型在所有单中心模型中的权重；

式(1)中，w_i表示第i个中心的权重，n_i表示第i个中心的样本数，N表示所有中心的样本总数；

利用式(2)将每个中心的分类概率值和权重进行加权求和，得到基于多中心模型的分类概率值P，以此将各个单中心模型集成为多中心模型；

其中，P_i表示第i个中心对应的单中心模型的分类概率值；m表示中心总数；

用多中心模型对待分类的测试样本进行精神分裂症的分类。

当基于多中心模型的分类概率值大于或等于0.5则认为是精神分裂症患者，基于多中心模型的分类概率值小于0.5则认为是正常人。

所述机器学习分类器为XGBoost分类器。