段逸凡，王瑜，付常洋，肖洪兵，邢素霞

北京工商大學(xué)人工智能學(xué)院，北京 100048

前言

抑郁癥是最常見(jiàn)的抑郁障礙，以顯著而持久的心境低落為主要臨床特征，是心境障礙的主要類(lèi)型，據(jù)世衛(wèi)組織統(tǒng)計(jì)，目前全球約3 億人患有抑郁癥［1］。醫(yī)生對(duì)抑郁癥的診斷標(biāo)準(zhǔn)一般依照《國(guó)際疾病分類(lèi)》第10 版（ICD-10）［2］和美國(guó)《精神障礙診斷與統(tǒng)計(jì)手冊(cè)》第4版（DSM-IV）［3］。

Huang 等［4］粗略統(tǒng)計(jì)，在我國(guó)抑郁癥的終身患病率為6.9%。根據(jù)該統(tǒng)計(jì)數(shù)據(jù)進(jìn)行估算，到目前為止，我國(guó)患有泛抑郁癥狀的人數(shù)約有9 500 萬(wàn)，預(yù)防控制抑郁癥成為我國(guó)醫(yī)療衛(wèi)生工作的重點(diǎn)之一［5］。在抑郁診斷中，醫(yī)生一般只能通過(guò)對(duì)患者進(jìn)行某些特定問(wèn)題的提問(wèn)來(lái)進(jìn)行診斷，診斷結(jié)果往往會(huì)受到醫(yī)生的主觀影響。磁共振成像技術(shù)能揭示大腦的結(jié)構(gòu)與功能改變情況，抑郁障礙的基礎(chǔ)病理機(jī)制是可塑性功能紊亂［6］，因此可結(jié)合形態(tài)學(xué)測(cè)量方法，深入分析抑郁癥引起的灰白質(zhì)比例、密度、腦葉及腦室形態(tài)等改變。Bora 等［7］對(duì)重癥抑郁癥灰質(zhì)的改變進(jìn)行Meta分析，重癥抑郁癥患者雙側(cè)前扣帶回皮質(zhì)、右側(cè)額中回、額下回、右側(cè)海馬及左側(cè)丘腦等腦區(qū)灰質(zhì)體積明顯降低，背外側(cè)和背中線的前額皮質(zhì)灰質(zhì)減少，并在多次發(fā)作的患者中更明顯。還有證據(jù)證明，抑郁癥自殺患者也存在額葉-紋狀體環(huán)路相關(guān)腦區(qū)的異常［8-9］。以情緒異常為例，抑郁癥情緒相關(guān)回路上突觸連接受損，突觸內(nèi)穩(wěn)態(tài)失衡，其中涉及到若干紊亂的情緒神經(jīng)回路，回路之間相互關(guān)聯(lián)且錯(cuò)綜復(fù)雜，除情緒加工異常外，抑郁及相關(guān)障礙由若干不同內(nèi)表型構(gòu)成［10-12］。有研究認(rèn)為，抑郁癥患者的默認(rèn)模式網(wǎng)絡(luò)（Default Mode Network,DMN）與前扣帶回膝下部和背外側(cè)前額皮層連接增強(qiáng)，是抑郁癥情緒功能失調(diào)的特異性功能表征，抑郁癥的心理行為表現(xiàn)與神經(jīng)系統(tǒng)的結(jié)構(gòu)、功能異常關(guān)系密切，主要涉及海馬、前額皮層、杏仁核等幾個(gè)重要腦區(qū)［13］。不同腦區(qū)異常對(duì)應(yīng)著不同的抑郁癥評(píng)估結(jié)果，為了輔助醫(yī)生更好更準(zhǔn)確地進(jìn)行臨床診斷與治療方案的設(shè)制，目前很多研究者使用單模態(tài)磁共振成像（Magnetic Resonance Imaging, MRI）數(shù)據(jù)進(jìn)行抑郁癥分類(lèi)。針對(duì)功能磁共振成像（functional MRI,fMRI），溫洪等［14］基于廣泛使用的自動(dòng)解剖模板構(gòu)建腦網(wǎng)絡(luò)，發(fā)現(xiàn)抑郁癥患者腦網(wǎng)絡(luò)的特征路徑長(zhǎng)度和腦區(qū)的度、中間中心度等屬性與正常人有明顯差異。付常洋等［15］使用功能腦網(wǎng)絡(luò)提取fMRI 數(shù)據(jù)并進(jìn)行分類(lèi)，實(shí)驗(yàn)結(jié)果顯示診斷效果顯著。針對(duì)結(jié)構(gòu)磁共振成像（structural MRI,sMRI），由于深度學(xué)習(xí)的廣泛使用和優(yōu)秀表現(xiàn)，基于ADNI-Transfer 遷移學(xué)習(xí)方法［16］的三維密集連接深度學(xué)習(xí)網(wǎng)絡(luò)［17］被設(shè)計(jì)和提出，并用來(lái)進(jìn)行特征提取，實(shí)現(xiàn)抑郁癥的準(zhǔn)確分類(lèi)。

由于多模態(tài)數(shù)據(jù)融合方法能夠提取到更多的有效信息，He 等［18］結(jié)合多集典型相關(guān)分析（Multi-Set Canonical Correlation Analysis, MCCA）和聯(lián)合獨(dú)立成分分析（Joint Independent Component Analysis,JICA）的方法進(jìn)行特征融合，最后輸入分類(lèi)器進(jìn)行分類(lèi)，結(jié)果顯示多模態(tài)數(shù)據(jù)融合能夠提取更加豐富完備的特征，明顯優(yōu)于單一模態(tài)特征的準(zhǔn)確率。因此，本文將fMRI 數(shù)據(jù)與sMRI 數(shù)據(jù)信息進(jìn)行融合，提出基于取fMRI 和sMRI 雙模態(tài)數(shù)據(jù)融合的抑郁癥分類(lèi)算法，期望可以提取MRI 數(shù)據(jù)中更豐富的信息，以實(shí)現(xiàn)對(duì)抑郁癥患者與健康對(duì)照組更加準(zhǔn)確的分類(lèi)，從而更好地輔助醫(yī)生進(jìn)行抑郁癥臨床診斷。首先利用功能腦網(wǎng)絡(luò)和深度學(xué)習(xí)網(wǎng)絡(luò)分別提取fMRI 和sMRI數(shù)據(jù)特征，并計(jì)算類(lèi)概率，然后將兩種分類(lèi)結(jié)果使用軟投票法和加權(quán)投票法進(jìn)行融合，得出最終分類(lèi)結(jié)果。實(shí)驗(yàn)結(jié)果顯示，兩種投票法均達(dá)到較高準(zhǔn)確率，可有效輔助醫(yī)生進(jìn)行抑郁癥的臨床診斷。

1 研究方法與評(píng)價(jià)標(biāo)準(zhǔn)

本文在決策層對(duì)fMRI數(shù)據(jù)與sMRI數(shù)據(jù)的融合與分類(lèi)進(jìn)行研究，探討了軟投票法與加權(quán)投票法兩種決策層融合方式對(duì)分類(lèi)結(jié)果的影響，并且都取得了比單模態(tài)數(shù)據(jù)更好的分類(lèi)效果。首先分別對(duì)fMRI數(shù)據(jù)和sMRI數(shù)據(jù)進(jìn)行特征提取與決策，使用多尺度腦網(wǎng)絡(luò)的構(gòu)建方法［15］對(duì)fMRI數(shù)據(jù)進(jìn)行特征提取，然后使用支持向量機(jī)（Support Vector Machine,SVM）［19］獲得fMRI數(shù)據(jù)的輸出類(lèi)概率，同時(shí)使用ADNI-Transfer遷移學(xué)習(xí)后的3D-DenseNet264模型［17］，對(duì)sMRI數(shù)據(jù)進(jìn)行特征提取，并分類(lèi)，獲得類(lèi)概率結(jié)果。獲得fMRI和sMRI兩種分類(lèi)結(jié)果后，在決策層進(jìn)行融合，即在fMRI和sMRI兩種模態(tài)數(shù)據(jù)分別完成分類(lèi)決策的基礎(chǔ)上，對(duì)兩種分類(lèi)的決策結(jié)果綜合分析，得出最終決策結(jié)果，框架示意圖如圖1所示。

圖1 本文提出方法框架示意圖Figure 1 Schematic diagram of the framework of the proposed method

1.1 軟投票法決策層融合策略

投票法是集成學(xué)習(xí)中一種針對(duì)分類(lèi)問(wèn)題的融合策略，基本思想是選擇所有機(jī)器學(xué)習(xí)算法當(dāng)中輸出最多的那個(gè)類(lèi)別，作為最終分類(lèi)結(jié)果［20］。機(jī)器學(xué)習(xí)算法中，分類(lèi)的輸出有兩種類(lèi)型：一種是直接輸出類(lèi)標(biāo)簽，另一種是輸出類(lèi)概率，使用前者進(jìn)行分類(lèi)稱(chēng)為硬投票，使用后者進(jìn)行分類(lèi)稱(chēng)為軟投票。由于本研究為二分類(lèi)問(wèn)題，輸出類(lèi)標(biāo)簽只有兩類(lèi)，很容易出現(xiàn)投票平局的情況，故選擇軟投票策略進(jìn)行決策層數(shù)據(jù)的融合。

本研究將樣本分成抑郁癥患者組和健康對(duì)照組兩類(lèi)，規(guī)定抑郁癥患者為正類(lèi)（positive），健康對(duì)照者為負(fù)類(lèi)（negative），因此定義健康對(duì)照者數(shù)據(jù)標(biāo)簽為0，抑郁癥患者數(shù)據(jù)標(biāo)簽為1，在最終分類(lèi)時(shí)都可映射在0 到1 之間，故對(duì)每一個(gè)被試，投票后分類(lèi)標(biāo)簽如式（1）所示：

其中，L表示經(jīng)過(guò)軟投票法后的類(lèi)標(biāo)簽，Lf表示fMRI數(shù)據(jù)的輸出類(lèi)概率，Ls表示sMRI數(shù)據(jù)的輸出類(lèi)概率，定義最終類(lèi)標(biāo)簽L為0 時(shí)表示健康對(duì)照者，為1 時(shí)表示抑郁癥患者。

1.2 加權(quán)投票法決策層融合策略

加權(quán)投票法是一種計(jì)入權(quán)重的投票方法，等同于加權(quán)平均法［21］。每個(gè)弱學(xué)習(xí)器的分類(lèi)票數(shù)乘以權(quán)重，并將各個(gè)類(lèi)別的加權(quán)票數(shù)求和，最大值對(duì)應(yīng)的類(lèi)別即為最終類(lèi)別。普通的投票法將每種數(shù)據(jù)各自的分類(lèi)結(jié)果都賦予相同的權(quán)重，但考慮到各數(shù)據(jù)信息對(duì)最終分類(lèi)結(jié)果的貢獻(xiàn)不一致，故本文嘗試使用加權(quán)投票法為每一種分類(lèi)結(jié)果賦予不同權(quán)重。

定義fMRI 數(shù)據(jù)的分類(lèi)結(jié)果為L(zhǎng)f，其權(quán)重wf的計(jì)算方法如式（2）所示：

其中，Snf、Recallf分別代表對(duì)fMRI數(shù)據(jù)進(jìn)行分類(lèi)后，所使用分類(lèi)器的準(zhǔn)確度和召回率。準(zhǔn)確率和召回率兩個(gè)指標(biāo)同時(shí)用來(lái)評(píng)價(jià)最終的分類(lèi)性能，規(guī)定抑郁癥患者為正類(lèi)（positive），健康對(duì)照者為負(fù)類(lèi)（negative）。TP（true positive）為將正類(lèi)預(yù)測(cè)為正類(lèi)的樣本個(gè)數(shù)，F(xiàn)N（false negative）為將正類(lèi)預(yù)測(cè)為負(fù)類(lèi)的樣本個(gè)數(shù)，F(xiàn)P（false positive）為將負(fù)類(lèi)預(yù)測(cè)為正類(lèi)的樣本個(gè)數(shù)，TN（true negative）為將負(fù)類(lèi)預(yù)測(cè)為負(fù)類(lèi)的樣本個(gè)數(shù)。

同理，定義sMRI 數(shù)據(jù)的分類(lèi)結(jié)果為L(zhǎng)s，其權(quán)重ws的計(jì)算方法如式（3）所示：

其中，Sns、Recalls分別表示對(duì)sMRI 數(shù)據(jù)進(jìn)行分類(lèi)后得到的準(zhǔn)確率和召回率。

本文定義健康對(duì)照組的數(shù)據(jù)標(biāo)簽為0，抑郁癥患者的數(shù)據(jù)標(biāo)簽為1，故對(duì)每一個(gè)被試，經(jīng)加權(quán)投票后的分類(lèi)標(biāo)簽如式（4）所示：

其中，Lw表示經(jīng)過(guò)加權(quán)投票法后的類(lèi)標(biāo)簽，Lf表示fMRI數(shù)據(jù)的輸出類(lèi)概率，Ls表示sMRI數(shù)據(jù)的輸出類(lèi)概率。

1.3 評(píng)價(jià)標(biāo)準(zhǔn)

針對(duì)本文的二分類(lèi)器性能選擇以下4 個(gè)評(píng)價(jià)標(biāo)準(zhǔn)來(lái)進(jìn)行評(píng)價(jià)。特異度Sp，表示所有負(fù)例中被正確預(yù)測(cè)的實(shí)例所占比例，即在所有沒(méi)有患病的人當(dāng)中，有多少人得到陰性結(jié)果。其計(jì)算公式為：

召回率Recall，表示正確預(yù)測(cè)為正的樣本占全部實(shí)際為正的樣本比例，即在所有患病的人中，有多少人得到陽(yáng)性結(jié)果。其計(jì)算公式為:

F1 是對(duì)精度和召回率進(jìn)行綜合評(píng)價(jià)的指標(biāo)，目的是使二者同時(shí)達(dá)到最高時(shí)取一個(gè)平衡，其值更接近于較小的那個(gè)指標(biāo)，當(dāng)這兩個(gè)指標(biāo)值相近時(shí)，F(xiàn)1 評(píng)分的值最大。其計(jì)算公式為：

精度Sn，表示正確預(yù)測(cè)為正的樣本占全部預(yù)測(cè)為正的樣本比例，即在所有預(yù)測(cè)為陽(yáng)性的樣本中，有多少是真的陽(yáng)性。其計(jì)算公式（8）為：

2 試驗(yàn)準(zhǔn)備

2.1 試驗(yàn)數(shù)據(jù)

本試驗(yàn)所用數(shù)據(jù)集中共有174 個(gè)樣本數(shù)據(jù)，其中有99個(gè)首都醫(yī)科大學(xué)附屬安定醫(yī)院招募的抑郁障礙患者和75個(gè)報(bào)紙廣告上招募的在年齡、性別、受教育程度均匹配的健康對(duì)照者。由北京師范大學(xué)認(rèn)知神經(jīng)科學(xué)和學(xué)習(xí)國(guó)家重點(diǎn)實(shí)驗(yàn)室采集，使用設(shè)備為第3代特斯拉磁共振掃描儀（西門(mén)子公司，德國(guó)埃爾）。數(shù)據(jù)集中所有樣本均依據(jù)美國(guó)精神障礙診斷與統(tǒng)計(jì)學(xué)手冊(cè)第4版所列標(biāo)準(zhǔn)，經(jīng)過(guò)嚴(yán)格篩選且簽署知情同意書(shū)。

2.2 數(shù)據(jù)預(yù)處理

2.2.1 fMRI 數(shù)據(jù)預(yù)處理fMRI 數(shù)據(jù)使用基于Matlab語(yǔ)言的磁共振圖像處理工具DPARSFA 軟件進(jìn)行預(yù)處理，具體流程如圖2所示。首先去掉前10 個(gè)時(shí)間點(diǎn)的數(shù)據(jù)，以減少掃描前期信號(hào)穩(wěn)定性不足對(duì)試驗(yàn)帶來(lái)的干擾，然后分割出腦疾病分布所在的腦灰質(zhì)部分，接著對(duì)磁共振圖像進(jìn)行時(shí)間尺度校正，在容許的頭動(dòng)范圍內(nèi)，使用算法校正信號(hào)，使其靠近真實(shí)值，把不同的樣本數(shù)據(jù)對(duì)齊到同一個(gè)標(biāo)準(zhǔn)空間，移除信號(hào)中的高頻信息，將線性趨勢(shì)去除，避免其對(duì)信號(hào)正確性的影響，最后去除低頻生理信號(hào)（比如呼吸和心跳）和高頻隨機(jī)噪聲。

2.2.2 sMRI 數(shù)據(jù)預(yù)處理sMRI 數(shù)據(jù)使用基于Matlab語(yǔ)言的磁共振圖像處理工具DPARSFA 軟件進(jìn)行預(yù)處理，具體流程如圖3所示。首先把不同的樣本數(shù)據(jù)對(duì)齊到同一個(gè)標(biāo)準(zhǔn)空間，去除非腦組織，然后分割出腦疾病分布所在的腦灰質(zhì)部分，最后移除信號(hào)中的高頻信息，增加更大空間尺度上信號(hào)的信噪比，通過(guò)犧牲空間分辨率減少個(gè)體間位置不匹配問(wèn)題。

圖3 sMRI數(shù)據(jù)預(yù)處理流程圖Figure 3 Flowchart of sMRI data preprocessing

2.3 試驗(yàn)配置

將現(xiàn)有數(shù)據(jù)集進(jìn)行預(yù)處理后的所有數(shù)據(jù)按照8：1：1 的比例進(jìn)行劃分，分成訓(xùn)練集、驗(yàn)證集以及測(cè)試集，試驗(yàn)中全部采用五折交叉驗(yàn)證，所有網(wǎng)絡(luò)在訓(xùn)練中均使用交叉熵?fù)p失函數(shù)與Adam 優(yōu)化算法［22］，因?yàn)樘卣鲾?shù)據(jù)的維數(shù)巨大，導(dǎo)致特征向量不緊致，同時(shí)增加運(yùn)算成本，不利于后期的分類(lèi)研究，故需進(jìn)行特征選擇和降維，防止后期分類(lèi)模型訓(xùn)練過(guò)程中的過(guò)擬合，增強(qiáng)模型泛化能力。試驗(yàn)中特征選擇與降維均使用主成分分析（Principal Components Analysis,PCA）方法［23］，試驗(yàn)選擇徑向基核函數(shù)（Radial Basis Function,RBF）的SVM進(jìn)行分類(lèi)，采用基于Python語(yǔ)言的機(jī)器學(xué)習(xí)模塊Scikit-learn［24］，輔助完成SVM 算法的實(shí)現(xiàn)。

試驗(yàn)環(huán)境搭載在一臺(tái)帶有一塊NVIDIA TITAN Xp GPU、四核Intel Xeon E3-1230 v5 3.41GHz 處理器的TP1201 服務(wù)器上，編程語(yǔ)言為Python3.6，深度學(xué)習(xí)框架為PyTorch1.0，數(shù)據(jù)預(yù)處理工具為Matlab2013a。

3 試驗(yàn)結(jié)果與分析

3.1 單獨(dú)fMRI數(shù)據(jù)分類(lèi)

在單獨(dú)fMRI 數(shù)據(jù)分類(lèi)構(gòu)建腦網(wǎng)絡(luò)中，將串聯(lián)融合后的特征使用PCA 進(jìn)行特征選擇和降維，再應(yīng)用RBF 核函數(shù)的SVM 分類(lèi)器進(jìn)行五折交叉驗(yàn)證，具體試驗(yàn)結(jié)果的分類(lèi)精度、特異度、召回率和F1評(píng)分如表1所示。

表1 不同尺度腦網(wǎng)絡(luò)下的分類(lèi)效果對(duì)比（%）Table 1 Comparison of classification performances under different scales of brain networks (%)

從表1中的數(shù)據(jù)可以看出，在相同特征數(shù)量的情況下，融合多尺度腦網(wǎng)絡(luò)特征后的分類(lèi)精度，相比單獨(dú)空間尺度下的腦網(wǎng)絡(luò)分類(lèi)精度有所提升，特異度、召回率和F1 評(píng)分也都有所提升，表明特征選擇能夠?qū)Ψ诸?lèi)器的訓(xùn)練起到積極影響，提高分類(lèi)器的泛化能力。融合多尺度腦網(wǎng)絡(luò)特征后，再對(duì)特征進(jìn)行篩選，能更好地利用多尺度腦網(wǎng)絡(luò)信息。

3.2 單獨(dú)sMRI數(shù)據(jù)分類(lèi)

在單獨(dú)sMRI數(shù)據(jù)分類(lèi)中，將預(yù)處理過(guò)后的sMRI數(shù)據(jù)分層輸入網(wǎng)絡(luò)，輸入尺寸為121×145 像素，并采用投票算法，即對(duì)于每個(gè)被試，測(cè)試結(jié)果為正類(lèi)的層超過(guò)一半時(shí)判定為正類(lèi)，否則判定為負(fù)類(lèi)，將二維網(wǎng)絡(luò)三維化。

從表2中的數(shù)據(jù)可以看出，對(duì)網(wǎng)絡(luò)進(jìn)行三維化操作后分類(lèi)精度、召回率、特異度和F1評(píng)分均有了顯著提升，如3D-DenseNet264 的分類(lèi)精度比二維的DenseNet264 提升了8.29%，表明三維網(wǎng)絡(luò)能夠有效挖掘出抑郁癥sMRI數(shù)據(jù)中豐富的層間信息。

表2 2D網(wǎng)絡(luò)與3D網(wǎng)絡(luò)試驗(yàn)結(jié)果對(duì)比（%）Table 2 Comparison of test results between 2D networks and 3D networks(%)

將3D-DenseNet264 用ADNI 數(shù)據(jù)庫(kù)做了預(yù)訓(xùn)練，并進(jìn)行遷移學(xué)習(xí)（ADNI-Transfer），與直接用抑郁癥數(shù)據(jù)訓(xùn)練（None）的實(shí)驗(yàn)結(jié)果，以及Chen 等［25］使用的遷移學(xué)習(xí)方法（Med3D-Transfer）和用ADNI 數(shù)據(jù)庫(kù)遷移學(xué)習(xí)（ADNI-Transfer）在3D-ResNet 系列網(wǎng)絡(luò)做的試驗(yàn)進(jìn)行對(duì)比。

由表3中的數(shù)據(jù)可以看出，引入遷移學(xué)習(xí)后，3D-DenseNet264 在經(jīng)過(guò)ADNI-Transfer 操作之后分類(lèi)精度提升了3.25%，網(wǎng)絡(luò)的分類(lèi)性能有了提升，這說(shuō)明遷移學(xué)習(xí)能夠?qū)⑵渌I(lǐng)域的知識(shí)引入到抑郁癥sMRI 數(shù)據(jù)的分類(lèi)任務(wù)中，一定程度上解決了樣本不充足問(wèn)題，從而加快模型訓(xùn)練的效率，提升模型最終的泛化能力。進(jìn)行ANDI-Transfer 的3D-ResNet200網(wǎng)絡(luò)的分類(lèi)精度要比進(jìn)行Med3D-Transfer 的3D-ResNet200 網(wǎng)絡(luò)高出1.95%，ADNI-Transfer 遷移學(xué)習(xí)方法在特異度、召回率、F1 評(píng)分和精度上均有更優(yōu)表現(xiàn)。

表3 遷移學(xué)習(xí)試驗(yàn)結(jié)果對(duì)比（%）Table 3 Comparison of the test results of transfer learning experiments(%)

3.3 fMRI和sMRI數(shù)據(jù)決策層融合后的分類(lèi)

將fMRI 數(shù)據(jù)和sMRI 數(shù)據(jù)在決策層進(jìn)行融合，其分類(lèi)效果與fMRI 數(shù)據(jù)和sMRI 數(shù)據(jù)單獨(dú)進(jìn)行分類(lèi)時(shí)的最好結(jié)果進(jìn)行比較，以驗(yàn)證雙模態(tài)數(shù)據(jù)融合的優(yōu)越性；同時(shí)，在決策層的融合中使用了軟投票法和加權(quán)投票法兩種方法進(jìn)行對(duì)比分析。具體試驗(yàn)結(jié)果如表4所示。

表4 各種方法對(duì)比試驗(yàn)結(jié)果（%）Table 4 Comparison of classification performances among different methods(%)

由表4中的試驗(yàn)結(jié)果可以看出，通過(guò)軟投票法進(jìn)行的決策層數(shù)據(jù)融合策略，可以使精度上升至91.35%，特異度、召回率和F1 評(píng)分也有所提高，普通的投票法將每種數(shù)據(jù)各自的分類(lèi)決策都賦予相同的權(quán)重，而加權(quán)投票法直接利用算法輸出的類(lèi)概率進(jìn)行統(tǒng)計(jì)，避免了普通投票法出現(xiàn)投票平局的情況，此時(shí)的精度以及特異度較單一模態(tài)數(shù)據(jù)分類(lèi)時(shí)有所提升。當(dāng)兩種模態(tài)數(shù)據(jù)分別給予不同權(quán)重，進(jìn)行投票法決策融合時(shí)，可以將兩種數(shù)據(jù)單獨(dú)使用時(shí)分類(lèi)效果之間存在的差距進(jìn)行有效修正，且前期進(jìn)行的特征選擇與降維處理使模型精度提高而又不會(huì)過(guò)擬合，使精度上升至92.31%，特異度上升至92.08%，F(xiàn)1評(píng)分上升至94.58%，召回率上升至96.62%。由試驗(yàn)結(jié)果可以看出，使用軟投票法和加權(quán)投票法兩種融合方法，均能顯著提升最終的分類(lèi)結(jié)果，并且加權(quán)投票法在試驗(yàn)中顯示出更好的性能。

4 總結(jié)

目前抑郁癥的診斷，醫(yī)生基本只能依據(jù)患者某些特定問(wèn)題的答案，因此存在患者故意隱瞞，或過(guò)于依賴(lài)醫(yī)生主觀判斷的問(wèn)題，而利用機(jī)器學(xué)習(xí)和腦部醫(yī)學(xué)影像輔助診斷抑郁癥，可以有效避免或緩解上述問(wèn)題的不利影響。為此，本文將決策層融合策略應(yīng)用到抑郁癥的結(jié)構(gòu)和fMRI 輔助診斷中，更好地提取數(shù)據(jù)中的有效信息，獲得了較單一模態(tài)數(shù)據(jù)更加優(yōu)秀的試驗(yàn)結(jié)果。針對(duì)fMRI 數(shù)據(jù)，基于復(fù)雜網(wǎng)絡(luò)理論，構(gòu)建多尺度功能腦網(wǎng)絡(luò)，提取局部和全局網(wǎng)絡(luò)特征，計(jì)算類(lèi)概率，針對(duì)sMRI 數(shù)據(jù)，基于三維密集連接深度學(xué)習(xí)網(wǎng)絡(luò)，充分挖掘數(shù)據(jù)中的空間結(jié)構(gòu)信息，然后引入遷移學(xué)習(xí)，對(duì)網(wǎng)絡(luò)模型進(jìn)行預(yù)訓(xùn)練，提取數(shù)據(jù)特征，計(jì)算類(lèi)概率，最后運(yùn)用加權(quán)投票法和軟投票法對(duì)兩種數(shù)據(jù)特征的類(lèi)概率進(jìn)行融合，得到最終分類(lèi)結(jié)果。試驗(yàn)結(jié)果表明，本文提出的決策層融合方法，分類(lèi)精度、特異度、召回率和F1 評(píng)分均有顯著提升，尤其是加權(quán)投票法融合策略，分類(lèi)精度和特異度高達(dá)92.31%和92.08%，證明本文提出方法能夠更好地輔助醫(yī)生對(duì)抑郁癥做出正確的分析與診斷。