最近几年, 由于电子计算机和通信技术的发展, 电子医疗成为一个新型的领域, 得到快速发展, 许多医疗形式逐步出现^[1–3], 预测和诊断疾病是一个重要方面. 从医疗检测和可穿戴设备上, 获得健康状态信息, 医师能为病人做出诊断, 或预测病人病情未来发展情况, 帮助病人延缓病情.

偏头痛是一种比较常见的疾病, 会出现经常性的头痛, 同时伴随有畏光、呕吐、恶心等生理反应的慢性神经综合征^[4]. 偏头痛发病率较高, 在医学界多年研究中, 也没有找到偏头痛致病机制的有效依据, 对于偏头痛的诊断还缺乏足够的生物学标志^[4,5].

静息态功能核磁共振成像技术, 是一种非侵入式探测神经元活动的测量方法, 受到很多学者关注. 静息态功能核磁共振成像, 在分析大脑网络中起着重要的作用^[6–8], 已经应用在分析各种精神疾病上^[9], 比如: 老年痴呆^[10]、帕金森^[11]和精神分裂症^[12].

近年来, 由于深度学习在语音识别和图像处理中, 取得突破性的进展, 被广泛应用在各种工程领域. 最近, 国内外很多学者将深度学习用于功能核磁共振成像数据分析, 诊断阿尔茨海默症, 得到相对理想的预测效果. 在用深度学习诊断阿尔茨海默症中, 更多论文采用softmax分类器与深度模型一起训练. 此类算法根据softmax分类器分类正确率为依据, 调整深度模型各个隐藏层神经单元的权重, 使得分类正确率达到一个理想的结果之后停止迭代. 此类算法与传统的浅层分类器相比, 分类正确率更高^[13,14]. 由于此类算法在提取数据特征时, 用到大量的先验信息, 即已经拥有大量的确诊病例, 可以在实验样本数相对丰富的条件下, 训练网络达到理想效果. 由于阿尔茨海默症临床症状表现明显, 在确诊上相对容易, 获得较多的实验样本并不困难. 而偏头痛在临床诊断上相对复杂, 病例确诊相对困难, 较难获取大量实验样本数据. 采用softmax分类器与深度模型一起训练的算法, 因为实验样本较少效果并不理想. 本文采用深度学习的深度自编码器算法, 该算法根据输入样本数据和输出样本数据的差异, 更新各隐藏层神经元权重, 因此在提取实验样本数据特征时, 不需要知道实验样本数据是健康被试或偏头痛患者. 该算法不需要过多确诊病例样本来训练神经网络, 提取有效特征. 这符合人们在对偏头痛的致病机理尚不明确的前提下, 有效检测偏头痛. 本文最后实验结果说明, 深度自编码器获取的数据特征, 应用到各种分类算法中都能提高分类正确率.

1 数据的采集与预处理

本文偏头痛数据为上海交通大学附属第六人民医院(东院)经过临床确诊的24例数据, 去除不合格的数据后还剩17例, 平均年龄为45.6岁. 同期选取了100个正常人作为健康对照组, 平均年龄43.5岁. 该fMRI数据采用Siemens MRI仪(3T)数据获取时, 要求被试者保持大脑清醒, 并平躺于MRI仪器内, 不做任何思考. 扫描参数: 采用单次激发敏感梯度回波平面成像, 切片数为38, 覆盖整个脑区, TR 3.0 s, 扫描分辨率为64×64, 片内分辨率为4 mm×4 mm, 片厚度4 mm.

采用SPM8^[15] 对静息态功能磁共振数据进行预处理, 主要进行时间层矫正、头动矫正、图像标准化等步骤. 在头动矫正过程中, 配准时在任何方向上位移>1.5 mm或头部转动>1.5°的数据均被丢弃; 带通滤波器参数为0.01 Hz<f<0.1 Hz, 以降低低频漂移及高频的生物噪音.

自动解剖标签模板^[16]将小脑去除在外, 大脑被分为90个脑区. 通过计算每个脑区之间的皮尔森相关系数, 可以获得一个90×90的对称矩阵. 然后获取该对称矩阵的上三角部分, 并且将其所有元素放在一行, 作为一个被试样本的特征数据.

2 深度学习模型 2.1 自动编码器

自动编码器可以自动获取待分析数据的特征, 而不需要专家通过先验知识提取特征. 经典自动编码器有一个输入层、一个隐藏层和一个输出层. 输入层和输出层的神经元个数相等. 自动编码器是无监督学习方法, 复杂的高维数据被自动编码为低维数据. 自动编码器尝试逼近一个恒等函数, 从而使得输出值 $\hat{ x}$ 接近于输入值x. 自动编码器由两个函数组成, 第一个是编码函数, 映射高维数据到隐藏特征h, ${\theta _1} = \{ {{w}^{(1)}}, {{b}^{(1)}}\} $ 分别表示权重和偏置. 第二个是解码函数, 映射隐藏特征h到 $\hat{ x}$ , $\hat{ x}$ 是输入数据x的一个近似值 $\hat{ x} \approx {x}$ , ${\theta _2} = \{ {{w}^{(2)}}, $ $ {{b}^{(2)}}\} $ 与第一个函数参数意义相同. $f:{R^N} \to {R^K}$ 和 $g:{R^k} \to $ $ {R^n}$ 代表数据维数的映射规则, N表示输入数据的维数, K表示隐藏层神经元的个数.

具体说, 编码函数映射向量 ${x} \in {R^N}$ 到隐藏特征 ${h} \in {R^k}$ 公式表示为:

${h} = {\partial _1}({{w}_1}{x} + {{b}_1})$

(1)

${\partial _1}( \cdot )$ 表示激活函数, w₁是一个N×K的矩阵, b₁表示偏置向量. 解码函数映射隐藏特征h到x的重构数据 $\hat{ x}$ 公式表示为:

$\hat{ x} = {\partial _2}({{w}_2}{x} + {{b}_2})$

(2)

${\partial _2}$ 、w₂和b₂表示的意义与公式(1)相同.

自动编码器的参数 $\theta = \{ {\theta _1},{\theta _2}\} $ 通过减小损失函数值来确定, 损失函数能最小化重构误差使得 $\hat{ x} \approx {x}$ , 公式如下:

${L_H}\left( {{x},\hat{ x}} \right) = - \sum\limits_{i = 1}^d {{{x}_{{i}}}\log {{\hat{ x}}_{{i}}}} + (1 - {{x}_{{i}}})\log (1 - {\hat{ x}_{{i}}})$

(3)

这是一个最基本的自动编码器的构成, 下面将介绍如何将它们组合在一起构造出深度模型.

2.2 构造深度自动编码器

如图1所示构造具有3个隐藏层的自动编码器. 可以看出, 第一个隐藏层神经元个数少于输出层神经元个数. 第二个隐藏层神经元个数少于第一个隐藏层神经元个数, 以此类推, 每一个隐藏层神经元个数都少于前面隐藏层神经元个数, 最后输出层神经元个数扩大到与输入层神经元个数相同. 加入输出层是为了损失函数可以估算, 最后输出数据与输入数据的区别, 从而可以根据区别程度, 更新自动编码器的权重. 自动编码器自动提取的突显特征在最后一个隐藏层, 用第三个隐藏层输出的数据, 作为自动编码器自动获得的特征. 通过逐渐减少隐藏层神经元个数, 迫使自动编码器学习输入数据低维表示. 这种结构能捕获到输入数据特征在特定空间上的分布, 并且将高维的复杂数据降低到低维数据. 用Adadelta优化算法训练整个网络, 它能根据学习环境自动调节学习参数. 激活函数采用非线性函数Relu, 通过采用非线性激活函数, 自动编码器能学习到, 不同于采用主成分分析得到的数据特征. 自动编码器获得的特征, 可以用带有少量参数的非线性函数表示更复杂的函数. 因此, 深度模型完全不同于浅层模型^[17]

深度自动编码器中, 输入层、输出层、各个隐藏层神经元个数和激活函数如表1所示, 此模型迭代训练7000次之后, 作为训练完成的深度自动编码器.

3 实验步骤与结果 3.1 实验过程与步骤

本文用两种方法训练分类器, 其一, 如图2(a)所示, 用自动解剖标签模板获得fMRI样本特征, 训练传统分类器, 测试分类正确率. 其二, 如图2(b)所示, 用模板获得的特征训练自动编码器, 已训练的自动编码器提取精细特征之后, 训练传统分类器.

根据自动解剖模板获取的特征, 作为原始特征, 自动编码器自动获得的特征, 作为精细特征, 分别用这两种特征, 比较各种分类算法达到的正确率. 分别用线性支持向量机(线性-SVM)、k近邻、径向基核函数支持向量机(RBF-SVM)和决策树进行分类. 分类算法各参数配置为scikit-learn软件包中, 各种算法的默认配置. 首先, 选10个偏头痛原始特征和10个健康人原始特征, 作为训练数据, 训练以上4种分类器和深度自动编码器. 将剩下的7个偏头痛数据, 加上另外随机选取的7个健康对照组数据, 作为测试数据, 验证各种分类器分类正确率. 发现7个偏头痛数据, 不管是在原始特征作为分类器的输入数据下, 还是在精细特征作为分类器的输入数据下, 7个偏头痛数据都能进行正确分类. 而7个健康人数据, 在原始特征作为分类器的输入数据下, 出现个别错误.

由于偏头痛数据采集困难, 数据样本不多, 而仅有的7个测试数据都被各个分类器正确分类, 无法在大样本下, 检验各个分类器将偏头痛分进健康对照组的错误率. 健康对照组样本数量相对较多, 可以在健康对照组中, 检验各个分类器将健康人分进偏头痛的错误率. 将其余83个健康人数据, 作为测试数据, 检验各个分类器的分类性能.

3.2 实验结果

实验结果如表2、表3和图3所示, 具体讨论在第4节中.

4 讨论

如表2所示, 用83个健康人数据, 在原始特征下训练的分类器, 分类健康人的实验结果. RBF-SVM在原始特征作为训练数据下, 分类效果最差, 决策树效果次之. 线性-SVM分类效果好于RBF-SVM, 可能由于原始特征在原始维度空间中, 数据分布已经较好的达到线性可分程度. 用RBF-SVM将数据映射到更高维的空间中, 寻找分类超平面, 分类效果反而没有线性-SVM分类效果好, 说明在原始空间中的数据映射到高维空间中, 支持向量机没有找到很好的分类超平面分类数据.

如表3所示, 经过深度学习提取特征之后, RBF-SVM分类效果和线性-SVM分类效果都有所提高, 并且高于其他分类器分类效果. RBF-SVM将精细特征映射到高维空间后, 能找到更好的分类超平面分类数据. 说明, 深度学习提取的特征分布, 更适合映射到高维空间, 寻找到更好的分类超平面.

如图3所示, 分别用精细特征和原始特征训练各个分类器, 得到的分类正确率. 从图中可以看出, 经过深度学习提取的精细特征, 在分类正确率上, 明显高于用原始特征训练的各个分类器. 可以说明, 深度学习提取的特征, 可以提高一些分类器分类效果, 在预测偏头痛上, 拥有更高预测效果.

自动解剖标签模板提取的原始特征, 训练分类器, 各个分类器的平均分类正确率, 能达到88.86%. 说明, 偏头痛病人存在特殊的脑功能网络, 这个脑功能网络与正常人的脑功能网络, 存在一定差异, 使得用传统分类器也能达到较高的分类正确率. 但是, 因为拥有多层结构来提取特征, 深度学习拥有更完美的方式表达特征. 在我们构建的自动编码器中, 输入的大脑区域相关性, 被表达为更高层次的描述. 各个分类器的平均分类正确率, 达到93.07%就是最好的证明.

在深度学习中, 输入数据经过已经训练好的自动编码器, 提取出拥有更好分类界限的特征, 为传统分类器提高分类效果. 在自动编码器每个隐藏层中, 每个神经元的权重, 能表达新的物理学和生理学意义. 通过分类挑选和校验大量的权重, 能找到某2个脑区的相关系数, 对于预测偏头痛起到更重要的作用.

5 结论与展望

偏头痛在临床诊断中没有影像学诊断标准, 通过我们对偏头痛患者静息态功能磁共振的研究, 提出一种深度学习的特征提取方法, 在不需要较多先验知识的前提下, 提取出精细特征, 提高各种分类器分类效果. 经过深度学习提取的特征, 在各种分类器分类结果中, 都能有效提高分类正确率. 进一步研究, 可以获得更多的偏头痛数据, 用更多的样本数据训练分类器, 从而提高分类器分类效果, 为临床诊断偏头痛提供重要的影像参考.