Multi-modal biomarkers study for Alzheimer’s disease classification using Extreme Learning Machine

Abstract

알츠하이머 병 (AD), 치매의 세계에서 가장 흔한 형식이 앞으로 몇년 동안 오를 전망이다. 질병의 치료법은 매우, 질병의 적절한 이해와 정확한 치유 치료의 부족이라고 비싸다. AD과 그 전구기의 조기 진단(마일드 인지 장애(MCI)질병 경과에 지연 가능성이기에 거기에 관심을 갖기에 초점을 맞춰 많은 것이 매우 중요하다.이전 진단과 체계적인 새로운 방법의 개발. 뇌의 조직의 변화가 AD(뇌 MR영상에 지대한)의 가장 민감한 기능이고, 하나는 AD의 중요한 바이오 마커의이라고 생각합니다. 그러나는 MCI와 AD의 진단에 민감한 보호가 있는 여러 바이오 마커에 알츠하이머 병이 다른 가능한 바이오 마커, 점점 더 많은 연구들이 집중, 하지만 있다.사람들은 아직도 이 연구에 비해 결합한 복합 분석의 대부분이 오직 MRI의 볼륨을 사용하는 적절한 바이오 마커 확인했다가 부족하다. 기계 학습 분야에서 같은 영상 데이터에서 형상 배울 수 있는 가능성을 보여 줄 수 있Multimodal 바이오 마커와 기계 학습 기술, 그리고 특별히 깊은 학습 모델이다.MRI며 좀처럼 AD의 자동 분류를 용이하게 한다. 이 논문은 처음으로 알츠하이머 병의 전구기 경도 인지 장애 정보를 준다. 그러고 나서 그것은 가장 중요한 관련 기계 지난 몇년의 연구 학습에 대한 일부의 검토 및 요약 present. 이 지식에 근거하여, 우리는 알츠하이머 병의 영상, 임상적, 그리고 생물적 단위에서 자동 분류 가능성을 점검하기 위한 분석과 실험을 디자인한다.바이오 마커, 개별 기능 설정하고 그것의 합병, perfo과 학습 업무의 매개 변수에 기능 축소와 변경 방법을 사용하여.다양한 기계 학습 기술을 다듬고 분석하였다. 우리는 SVM-RFE 알고리즘을 통해 선택된 데이터 세트에서 훈련된 익스트림 학습 기계가 AD와 다른 모든 증상 그룹 사이의 이진 분류기로 학습 패턴을 사용하여 다른 관련 작업에 비해 최상의 결과를 제공했다는 것을 발견한다. 따라서 이 논문은 주로 분류 작업을 위한 다모달 바이오마커와 익스트림 학습 기계에 초점을 맞추고 있다. 나는 이 논문이 이 문제에 대한 추가 연구를 위한 출발점을 줄 수 있기를 바란다. 제안된 방법을 이용한 건강관리(HC), 알츠하이머병(AD), 마일드 인지장애(MCI)의 분류 성과와 함께 MCI 초기 및 후기 분류 결과를 제시한다. ELM 알고리즘을 사용하여 평가할 때, 구별되는 바이오마커의 조합이 AD 대 HC의 95.15%, MCI 대 HC의 87.81%, MCI 대 AD의 85.93%, EMCI 대 LMCI 분류의 81.73%와 함께 우수한 성능을 발휘하는 것으로 확인되었다. 한편, 복수의 바이오마커의 조합이 확인된 수신기 작동 특성(ROC) 곡선에서 곡선 아래의 영역(AUC)은 더 나은 분류 성능에 도달할 수 있다. 제안된 특징 조합과 선택 알고리즘은 효과적으로 AD와 MCI 환자를 분류하므로 임상 실습에서 AD 분류의 정확성을 도울 수 있다. 또한 우리는 성과를 알츠하이머병 신경영상화 이니셔티브(ADNI) 데이터셋에 대한 교차 검증 방법과 SVM 분류기와 성공적으로 비교한다. 키워드: 알츠하이머병, 다모달 바이오마커, 머신러닝, SVM-RFE, 패턴 인식, 특징 선택 딥러닝, ELM, 서포트 벡터 머신. |Alzheimer’s disease (AD), the most common type of dementia in the world is expected to rise in the coming years. The treatment of disease is highly expensive, there is lack of proper understanding of disease development and precise curative treatment. Early diagnosis of AD and its prodromal stage (Mild cognitive impairment (MCI) is essential for possible delay on disease progression, and thus there is large number of attention focused in the development of new and systematic methods for earlier diagnosis. Structural changes of the brain are consider to be most sensitive feature of the AD (noticeable on brain MR image), and one of the important biomarker of the AD. Yet there is other possible biomarkers for Alzheimer’s disease, more and more researches are focus on multiple biomarkers which have been shown to be sensitive to the diagnosis of MCI and AD, but they still lack to identified the proper biomarkers, most of the multimodal analysis only use the volume of MRI so in this study we combined and compared multimodal biomarkers and the Machine learning technique, and particularly deep learning model from the machine learning field, which might show potential to learn features from imaging data such as structural MRI, and so that facilitate automatic classification of AD. This thesis first give information on Alzheimer’s disease and its prodromal stage mild cognitive impairment. Then it present some reviews and summary over the most relevant and important machine learning research from past few years. Based upon this knowledge, we design and perform analysis and experiments to examine the possibility of automatic classification of Alzheimer’s disease from imaging, clinical and biological biomarkers, using methods of features reduction and alteration in the parameters of the learning task with individual features set and merging of it, and performed and analyzed various machine learning technique. We discover that extreme learning machine trained on a dataset that had been selected via SVM-RFE algorithm, with learning pattern as a binary classifier between AD and all other symptomatic groups provided the best results as compare to other related work. Thus, this thesis mainly focus on the multimodal biomarkers and extreme learning machine for classification task. I hope that this thesis can give a jumping off point for further research on this problem. The performance results of classification of healthy controls (HC), Alzheimer’s disease (AD) and Mild Cognitive Impairment (MCI) using proposed method is presented along with its results in early and late MCI classification. Obtained results validated that the combination of distinct biomarkers perform well with accuracies 95.15% for AD vs HC, 87.81% for MCI vs HC, 85.93%, for MCI vs AD and 81.73% for EMCI vs LMCI classifications respectively, when evaluated using ELM algorithm. Meanwhile, the area under curve (AUC) from receiver operating characteristic (ROC) curve verified combination of multiple biomarkers could reach a better classification performance. The proposed features combination and selection algorithm effectively classify the AD and MCI patient therefore may assist the accuracy of AD classification in clinical practice. Furthermore we successfully compare the performance with SVM classifiers with cross validation method for Alzheimer’s disease neuroimaging initiative (ADNI) datasets. Keywords: Alzheimer’s disease, Multi-modal biomarkers, Machine Learning, SVM-RFE, Pattern Recognition, feature selection Deep Learning, ELM, Support Vector Machine.