《本文同步发布于“脑之说”微信公众号欢迎搜索关注~~》
??近些年来，大量的神经影像模式识别研究尝试利用结构MRI或DTI数据来对精神分裂患者（schizophreniaSZ）进行分类。尽管这些研究可以实现较高的分类准确率但是利用多模态神经影像数据来对SZ特别是首发精神分裂（first-episodeschizophrenia，FES）进行分类的研究并不多见大量的研究表明，不同模态的成像数据可以从不同角度和侧面揭示疾病的异常变化结构MRI数据为脑组织的整体形态学特性提供了极好的研究窗口，而DTI數据则反映了与白质相关的微观结构信息多模态数据的融合可以进一步揭示疾病大脑病理生理机制。因此同时利用结构MRI和DTI数据作为分類特征似乎可以得到比单模态数据更加可靠的分类结果。 

Study》的研究论文该研究融合多模态结构脑影像数据特征（包括灰质体积GMV，皮层厚喥皮层褶皱，分数各向异性FA平均弥散率MD）来对FES进行分类。

2.数据预处理、特征提取和选择  

??T1数据采用FreeSurfer软件进行处理提取Desikan–Killiany图谱中每個脑区的GMV、皮层厚度、皮层褶皱（共计68个脑区）。DTI数据采用FSL工具包提取JohnsHopkins University DTI-based 白质图谱的每个纤维束的FA和MD（共48个纤维束）。在获得这些特征之後通过Gini系数来选择重要的特征。
??分类算法采用 梯度提升迭代决策树（Gradient Boosting Decision Tree, GBDT）在具体的操作中，以Dataset1作为训练和验证集以不同阈值的Gini系數来选择重要的特征，输入到GBDT分类器中从而确定最优的特征集合。
??在用Dataset1数据集确定好特征集合之后那么在Dataset2中进行实际的分类。分類过程在采用10倍交叉验证整个数据分析的流程如图1所示。
????????????????????????图1

1.单一模态特征的分类結果  

??研究者先测试了利用单一模态数据特征进行FES分类的效果表1列出了FA和皮层褶皱（gyrification）两种单一模态数据特征中最重要的几个脑区的特征（Gini系数最大n个脑区）。基于Dataset1利用这4个FA特征进行交叉验证分类，得到分类准确率为70.27%而利用独立的测试样本Dataset2，得到的分类准确率为60.12%；利用6个脑区的gyrification作为特征集合在Dataset1中得到的交叉验证分类准确率为67.93%，而在Dataset2中得到的准确率仅为63.41%而对于单一模态数据特征的GMV、皮层厚度和MD来說，在Dataset1上获得的准确度分别为63.5%、66.47%、66.0%而在Dataset2上获得的分类准确率分别为54.7%，60.94%67.43%。

2.融合多模态数据特征进行分类  

??研究者发现通过融合4种特征（皮层厚度、褶皱、FA和MD）可以获得最高的分类准确率。表2列举了从这4种特征种选择的最重要的一些特征基于这些特征，在Dataset1中可以获得75.05%嘚分类准确率和75.12%的AUC；而在独立的测试样本Dataset2中得到的发呢类准确率为76.54%和77.86%的AUC图2展示了这些特征所在脑区的位置。
????????????????????????图2

??本文的研究结果表明相比单一模态数据，利用多模态融合的方法似乎可以得到更加良好的分类准确率囷稳定性这也进一步印证了，不同模态的脑影像数据只能从某一个方面或者侧面反映疾病的异常变化而通过多模态融合的方法能够更加全面、客观地理解疾病的神经机制。
注：文章原文可以加赵老师微信索要（微信号：kervin_zhao）