您的账号已在其他设备登录,您当前账号已强迫下线,
如非您本人操作,建议您在会员中心进行密码修改

确定
收藏 | 浏览281 | 下载76

目的:用支持向量机(SVM)模型方法基于脑核磁共振成像(MRI)影像学数据对阿尔茨海默病(AD)的不同进程进行预测分析。方法美国ADNI数据库中543个研究对象的271项MRI数据,以及简易智力状态检查(MMSE)量表得分、年龄、性别和受教育程度作为研究指标,提取出有用的特征量并结合SVM模型方法构建综合预测模型,用有组间差异的特征指标实现疾病的分类预测。结果基于SVM综合模型方法用54项有组间差异的特征指标预测不同进程AD的准确性为97.53

作者:范炤;杨亚超;许凡宇;齐雪丹

来源:中华生物医学工程杂志 2016 年 22卷 2期

知识库介绍

临床诊疗知识库该平台旨在解决临床医护人员在学习、工作中对医学信息的需求,方便快速、便捷的获取实用的医学信息,辅助临床决策参考。该库包含疾病、药品、检查、指南规范、病例文献及循证文献等多种丰富权威的临床资源。

详细介绍
热门关注
免责声明:本知识库提供的有关内容等信息仅供学习参考,不代替医生的诊断和医嘱。

收藏
| 浏览:281 | 下载:76
作者:
范炤;杨亚超;许凡宇;齐雪丹
来源:
中华生物医学工程杂志 2016 年 22卷 2期
标签:
阿尔茨海默病 磁共振波谱学 预测 轻度认知障碍 支持向量机 Alzheimer’s disease Magnetic resonance spectroscopy Mild cognitive impairment Support vector machine
目的:用支持向量机(SVM)模型方法基于脑核磁共振成像(MRI)影像学数据对阿尔茨海默病(AD)的不同进程进行预测分析。方法美国ADNI数据库中543个研究对象的271项MRI数据,以及简易智力状态检查(MMSE)量表得分、年龄、性别和受教育程度作为研究指标,提取出有用的特征量并结合SVM模型方法构建综合预测模型,用有组间差异的特征指标实现疾病的分类预测。结果基于SVM综合模型方法用54项有组间差异的特征指标预测不同进程AD的准确性为97.53