26、阿尔茨海默病与语音障碍的智能诊断方法

阿尔茨海默病与语音障碍的智能诊断方法

阿尔茨海默病患者的识别

在医疗诊断领域，对于阿尔茨海默病（AD）患者的识别是一个重要的研究方向。这里介绍一种基于紧凑图半监督学习（CGSSL）的方法，用于识别NACC数据集中的AD患者。

模型阶段

此阶段旨在识别NACC数据集中的病例是否属于AD患者，即估计病例属于AD患者的概率。实际中，我们可能会获得一些关于NACC中哪些病例是AD患者的先验信息，将这些病例标记形成标记矩阵，目标是将已知病例的标签信息传播到未知病例。

对于每个病例$x_j$，定义其标签向量为$y_j = [a_j; n_j; p_j]^T$，分别代表$x_j$属于AD患者、非AD患者和可能AD患者的概率。具体来说：
- 若$x_j$属于AD患者，设$a_j = 1$，$n_j = p_j = 0$；
- 若$x_j$属于非AD患者，设$n_j = 1$，$a_j = p_j = 0$；
- 若$x_j$是未标记病例，将其视为可能AD患者，设$p_j = 1$，$a_j = n_j = 0$。

定义好标签矩阵后，就可以使用提出的CGSSL来估计未标记病例的标签。

诊断过程

基于GGSSL预测未标记样本的标签。设$Y = [y_1; y_2; …; y_{l + u}] \in R^{(c + 1) \times (l + u)}$为所有样本的初始标签，对于标记样本$x_j$，若$x_j$属于第$i$类，则$y_{ij} = 1$，否则$y_{ij} = 0$；对于未标记样本$x_j$，若$i = c + 1$，则$y_{ij} = 1$，否则$y_{ij} =