论文小结——基于聚类演化随机森林的阿尔兹海默症的多模态数据分析

最新推荐文章于 2024-09-20 11:32:20 发布
最新推荐文章于 2024-09-20 11:32:20 发布
阅读量2.8k 收藏 59
点赞数 12
分类专栏： 基因测序 模型优化 随机森林 文章标签： 决策树 聚类 算法
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43605708/article/details/110367956
版权
该博客介绍了利用聚类演化随机森林（CERF）方法对阿尔兹海默症的多模态数据进行分析，包括fMRI和SNP数据。通过融合特征构建、全局预处理和CERF学习过程，研究发现了异常脑区和潜在致病基因。实验结果显示，CERF在样本分类和特征选择上表现出高效率，尤其是在识别AD与HC之间的差异方面。
摘要由CSDN通过智能技术生成

系列文章目录

基于多模态成像遗传学数据来预测帕金森病相关基因和大脑区域的新型GERNNE方法

基于聚类演化随机森林的阿尔兹海默症的多模态数据分析

<hr style=" border:solid; width:100px; height:1px;" color=#000000 size=1">

前言

这篇博客只是我总结自己对这篇论文的理解，还存在许多理解不到位和理解错误的地方，还请大家批评和指正。
这篇论文题目为：
Multimodal Data Analysis of Alzheimer’s Disease Based on Clustering Evolutionary Random Forest

X. -a. Bi, X. Hu, H. Wu and Y. Wang, “Multimodal Data Analysis of Alzheimer’s Disease Based on Clustering Evolutionary Random Forest,” in IEEE Journal of Biomedical and Health Informatics, vol. 24, no. 10, pp. 2973-2983, Oct. 2020, doi: 10.1109/JBHI.2020.2973324.

提示：以下是本篇文章正文内容，下面案例可供参考

一、全局总览

本篇论文作者

面临的两个问题与挑战：

1. 从小样本的高维信息提取重要信息
2. 缺乏全面的框架

解决与应对方法：

1. 聚类演化随机森林（CERF）
2. AD（阿尔兹海默症）多模态数据综合分析框架

创新点：
- 聚类演化随机森林方法

成果：

1. 发现脑异常区
2. 检测致病基因

局限性：
1.多模态数据融合还有进展空间
2.如何设计合适的指标来捕捉fMRI（功能磁共振）与基因数据之间的相关性

二、方法与流程

1.流程

在这里插入图片描述

  1. 多模态数据预处理
  2. 相关分析方法
  3. 融合特征矩阵
  4. 聚类演化随机森林
  5. 样本分类
  6. 致病基因的提取

2.数据预处理

这些数据是从ADNI数据库中获取的，ADNI数据库是阿尔茨海默病的一个大型公共数据库(链接：ADNI)。大量PET数据，MRI数据和AD患者的基因数据都可以在这里获得。本研究以37例AD患者和35例HC为实验样本，每个样本均有静态的fMRI和SNP数据。

数据预处理方面不是我学习的方向，所以我不能参上我的理解。

用DPARSF对fMRI数据进行标准预处理，如切片定时校正和头部运动调整等。FMRI数据预处理的具体步骤如下：

1. 将原始数据转换为Nifti格式文件。
2. 删除所有样本的前10个时间卷，以确保扫描仪的磁梯度场稳定。
3. 对剩余卷执行片定时校正。
4. 调整头部运动以保证每个样本的大脑处于相同的位置。
5. 使用EPI模板对图像进行规范化。
6. 用高斯核平滑图像的噪声，半高宽为6mm。
7. 利用线性模型消除了物体运动、白质和全局信号等协变量信号干扰。
8. 用0.01Hz到0.08Hz的频率范围对功能时间序列进行滤波。
9. 通过Ilumina Omni 2.5m微芯片获得了样品的SNP信息。
10. Plink用于对SNP数据执行预处理，具体步骤如下：
将样本呼叫率阈值设为95%，以评价基因数据的总体质量。
将基因分型阈值、最小等位基因频率和Hardy-Weinberg平衡检验分别设置为99.9%、4%和1E-4，以消除质量较差的SNPs。

3.融合特征构建

实现的目的：检测基因与脑区之间的相关性

  1. 首先采用AAL（自动解剖标记模板），将fMRI数据分割成90个脑区，得到脑区时间序列。
  2. SNP基因根据相应基因分组，Msnp基因数大于阈值len都保留
  3. 将SNP中的四种碱基(A、T、C和G)转换成不同的数字(如1、2、3和4)，然后通过转换的方法得到基因的数字序列。
  4. 把基因序列和大脑时间序列的长度调整为2len并分别采用Pearson相关分析、典型相关分析(CCA)和距离相关分析(DCA)作为构建脑区基因对的候选方法。

4.构建聚类演化随机森林（CERF）

CERF的功能：应对小样本问题，处理高维融合特征。

内容：将聚类进化和随机森林相结合，实现了自适应集成学习。通过对随机森林中决策树的分层聚类，从高维特征中逐步筛选出HC和AD之间最容易识别的特征。


引入聚类演化的思想，通过重复聚类演化，提高分类器的多样性和准确性。

假设样本集是S={x,y}Nn=1。然后，训练集A={xAa,yAa}nAa=1，验证集B={xBb,yBb}nBb=1和测试集C={xCc,yCc}nCc=1按5：3：2的比例从样本中随机选取。xAa={BG1a,BG2a,… BGma}和yAa={−1,+1}，xAa表示训练集合A中的一个样本，BGma指示m-样本的特征，yAa指示示例的相应类标签“+1”为HC，“−1”为AD。

总结一句话，将总样本按照5：3：2的比例随机分为训练集A，验证集B，测试集C。+1为正常，-1为阿尔兹海默症。
xAa表示训练集合A中的一个样本，BGma指示m-样本的特征，

由于本文没有给出代码，所以我觉的自己能力不够，复现不出来。下面的公式只能理解大概，没有代码，确实不能理解的很透彻。主要还是学习整体的框架流程：

  1. G=fix(√m)
    特征G和正常样本都是从训练集中随机抽选的
    G特征数量
    m集合样本总数
    fix（x）四舍五入函数

在这里插入图片描述
利用GINI函数找到不同特征的最优分类点，并构造一个决策树。
P_K是分类结果为K的概率。

在这里插入图片描述
BGm 表示m-所有样本的特征
这里算的是当特征值BGm是j时候的基尼指数
N 是A组的样本总量，n1和n2分别是样本子集A1和A2中的样本数

  1. 然后计算所有特征值的基尼系数。BGm，选择与最小基尼系数对应的值作为最优分类点。还计算了所有特征的最优二进制分类点。2, 3公式构造了一个决策树。

  2. 上述决策树的构造重复了P次。得到P决策树，并组装成初始随机森林。

  3. 文章这里使用不一致度量、关联度量和kappa相似性度量来检测相似性。

  4. 不一致度量
    在这里插入图片描述
    计算不一致度量，我认为差异度更好听一些。
    这里
    T_ij：训练集上dti和dtj正确分类的样本数量
    Ri_j: 训练集上只有dti正确分类的样本数量
    Rj_i: 训练集上只有dtj正确分类的样本数量
    F_ij：训练集上，dti和dtj分类都不正确的样本数量

DM_ij越小，代表两个分类器相似性越高。

  1. kappa相似性度量
    在这里插入图片描述
  2. 关联度量：

在这里插入图片描述

5.聚类演化随机森林（CERF）学习过程

输入：实验数据集{X，Y}

输出：聚类进化随机森林

初始化{X，Y}，D，E，I.

{X，Y}是实验数据集，

D是初始决策树的数目。

E是聚类进化的步长。

I是集群进化的时代。

数据集分为训练集，验证集，测试集

I=1

为K=1至D：

选择{{rm{x，Y}}_{rm{tra_k}

随机选择一个特征子集训练
随机选择样本

决策树分类精度的

→检验k

最终达到

随机森林=决策树集合

从公式(7)–(9)

决策树间相似性的计算

随机林中的决策树聚类

保持决策树在每个簇中的最高精度→删除低效树

D=n−ie，i=i+1

{随机森林}新的=保留决策树的集合

直到{随机森林}的精度新的达到顶峰

均值分类

即通过得到的随机森林集合里所有的分类器一起分类，综合所有分类结果，等权重，如果超过一般认为是正样本就预测为正。

参数优化

  • 决策树的数目和聚类演化的次数
    在[a,b],[c,d]之间，通过训练找到最优值
    [300,500]和[1，25]
    决策树的数目初始值300，
    聚类演化的次数初始值1。

三、实验结果

1.融合特征构造结果

AAL模板分成90个脑区
对每个脑区提取平均时间序列
同时SNP提取序列长度30以上的36个基因，并截取序列前60碱基对

然后通过三种相关分析方法就算相关系数，其中pearson方法性能最好。

2.各最优参数

在这里插入图片描述
当初始决策树的数量和最优聚类进化次数分别为300和10时。

最优决策树数量和聚类演化次数

最优进化次数与初始决策树数量的关系曲线
最优进化次数与初始决策树数量的关系曲线
最终随机森林的分类准确率(决策树初始数为340，聚类进化次数为7)接近90%。

最佳融合特征提取

提取最终随机林中每个决策树选择的所有“脑区-基因对”，并计算每个“脑区-基因对”的频率。频率越高，HC与AD的差异越大。因此，频率最高的400对“脑区-基因对”被认为是“重要的脑区-基因对”，其频率大于12的特征列于下表。

在这里插入图片描述
重要脑区-频率大于12的基因对

用前290个“重要脑区-基因对”构建子集时，随机林的分类准确率最高达91.3%。因此，前290对“脑区-基因对”是“最佳脑区-基因对”。
在这里插入图片描述
基于不同子集的传统随机森林的精确性。

3.异常脑区和基因提取

在这里插入图片描述
主要的异常脑区。不同脑区的权重显示在图9(A)。不同脑区在大脑中的位置显示在图9(B)。脑区结节大小越大，AD与脑区的相关性越明显。
在这里插入图片描述
主要致病基因的频率。基因频率越高，AD与AD的相关性越显著。

四、总结与展望

总的来说和我上次读的论文大致没啥区别。除了用决策树代替ANN，研究的PD变成了AD，其他基本不变。但是这篇论文，里面存在一些不知道什么语言的类似这种
begin{equation*} {\rm{FB}}{{\rm{G}}{\rm{j}}} = \sum\limits{{\rm{i}} = 1}^{\rm{m}} {{\rm{FB}}{{\rm{G}}_{{\rm{i}},
看的我很难受，不好理解。其他方面我理解的还可以。
如果想看好这篇论文，可以看我之前的博客。
可学习性一般，对我这种新手没有太大学习价值。
首先没代码，就没法复现。
其次，在没代码的基础上，就没办法吃透。
最终，只能学到一种方法思路，框架。但是现阶段还难以用上。
最好还是学有代码的论文。

随机森林分类聚类及降维在 Python 中的实现
Byte_O_O的博客
09-05 456
通过使用随机森林分类器进行分类、K-means 聚类算法进行聚类以及主成分分析进行降维，我们可以对数据集进行多个视角的分析和处理。接下来，我们将使用 K-means 聚类算法对数据集进行聚类。K-means 是一种迭代算法，将数据集划分为预先指定的 K 个簇，以最小化每个簇内部数据点与簇中心之间的平方距离。随机森林分类器是由多个决策树组成的集成模型，它通过对每个决策树的预测结果进行投票来确定最终的分类结果。PCA 是一种常用的降维算法，通过线性变换将高维数据映射到低维空间，以保留数据的主要特征。
机器学习实战——疫情数据分析与预测
热门推荐
Hello大家好，我是Dream，如果帮得到你，那我深感荣幸！交流学习、商务合作：https://bbs.csdn.net/topics/614347534
07-27 9万+
机器学习如何做到疫情可视化——疫情数据分析与预测实战 本文将带领大家爬取11个国家以及中国31个省（自治区、直辖市）在2022.0101-2022.06.19的新冠疫情数据。并且采用机器学习模型对2022.6.20-2022.6.30每一天的全国确诊人数、死亡人数、治愈人数进行预测，**做出疫情可视化图形并且求出最终的相关系数R2！...
Nature子刊：用于阿尔茨海默病痴呆评估的多模态深度学习模型
悦影科技
11-07 2530
在全球范围内，每年有近1000万新发痴呆病例，其中阿尔茨海默病（AD）最为常见。需要新的措施来改善对各种病因导致认知障碍的个体的诊断。作者报告了一个深度学习框架，该框架以连续方式完成多个诊断步骤，以识别具有正常认知（NC）、轻度认知障碍（MCI）、AD和非AD痴呆（nADD）的人。作者展示了一系列能够接受常规收集的临床信息的灵活组合的模型，包括人口统计、病史、神经心理学测试、神经影像学和功能评估。然后，作者表明这些框架与执业神经科医生和神经放射科医生的诊断准确性相比具有优势。最后，作者在计算机视觉中应用可解
fMRI中基于随机神经网络簇的阿尔茨海默氏病分析
03-14
fMRI中基于随机神经网络簇的阿尔茨海默氏病分析
全面介绍！多模态数据与大模型
最新发布
Z4400840的博客
09-20 1622
确实，在我众多的讨论中，我深信，多模态系统，尤其是 LMM，将比大语言模型有更深远的影响。去年，几乎每周都有研究团队推出自己的LMM，比如 DeepMind 的 Flamingo、Salesforce 的 BLIP、微软的 KOSMOS-1、Google 的 PaLM-E，还有腾讯的 Macaw-LLM。我们常见的语言模型是根据前面的文本 Token 来猜测下一个 Token 是什么，但Flamingo 进行了创新，它同时考虑了文字和图片，根据前面的文本和视觉 Token 预测下一个文本 Token。
医疗影像分类 | 阿尔兹海默症分类识别（2D+3D模型）（数据集为3D MRI扫描图像）
LiRongLu_的博客
12-08 2306
数据集为人的头部3D MRI扫描图像，包含三种类别，分别是健康样本、轻度认知障碍样本和阿尔茨海默症样本。使用该影像数据训练模型算法，在独立的测试数据集中以尽量高的准确率把这三种类别的样本区分开来。每个样本都是3D的数据图像。
层次聚类python实现_层次聚类和随机森林（python实现）
weixin_39813009的博客
12-02 929
层次聚类步骤：假设有N个待聚类的样本，对于层次聚类来说，基本步骤就是：1、(初始化)把每个样本归为一类，计算每两个类之间的距离，也就是样本与样本之间的相似度；2、按一定规则选取符合距离要求的类别，完成类间合并；3、重新计算新生成的这个类与各个旧类之间的相似度；4、重复2和3直到所有样本点都归为一类，结束。随机森林步骤：从原始训练集中使用Bootstraping方法随机有放回采样选出m个样本，共进行...
进化聚类（Evolutionary Clustering）
个人记录使用
03-06 3946
动态社区发现除了最经典的两步思想之外，还有一些算法借鉴的进化聚类的思想，该定义在2006年的KDD会议上由Chakrabarti提出，下面就对这片论文做一个梳理。 论文题目：Evolutionary Clustering 摘要：我们关注随时间演化的聚类问题。进化聚类需要同时优化两个存在冲突的指标（criteria）：1.任何时间点上的聚类应该遵循当前数据的特点；2.在一个时间片（timeste...
大数据-算法-基于组学数据整合分析的阿尔兹海默病研究.pdf
04-17
本文主要讨论了基于组学数据整合分析的阿尔兹海默病研究，涵盖了大数据、算法、数据结构、聚类等多个方面。 首先，阿尔兹海默病是一种神经退行性疾病，在老年人群中发病率较高，对其的科学探究具有重要意义。为了更...
基于进化加权随机支持向量机聚类的阿尔茨海默氏病进展分析
03-14
基于进化加权随机支持向量机聚类的阿尔茨海默氏病进展分析
基于谱系聚类的随机子空间模态参数自动识别 (2012年)
05-15
针对随机子空间模态识别过程因人为参与造成识别结果不准确的问题，提出在随机子空间识别过程中引入谱系聚类算法实现模态参数自动识别。通过两种不同状态矩阵计算方法所得到的模态之间的相似程度以及各阶模态的能量...
基于自适应学习的演化聚类算法
01-13
演化聚类算法(ECM) 是一种有效的在线聚类算法, 能够根据输入数据实时调整聚类. 但是, 该聚类算法依赖于预先设置的最大距离阈值, 而且对数据输入次序敏感. 针对这些问题, 提出一种基于自适应学习的演化算法(SALECM), 在无法获取数据先验知识的情况下, 无需人为预先定义参数, 可自适应地调整聚类. 实验结果表明, 与 ECM相比, SALECM可提高在线聚类的自适应性能, 也能在一定程度上缓解数据输入次序对算法的影响.
DMSC(深度多模态子空间聚类基于Pytorch的实现)，融合方式为亲和融合，空间融合很容易也可以实现。
04-17
DMSC(深度多模态子空间聚类基于Pytorch的实现)，融合方式为亲和融合，空间融合很容易也可以实现。
大数据分析案例-基于随机森林算法构建电影票房预测模型
m0_64336780的博客
01-31 1万+
本研究旨在利用随机森林算法构建一种高效的电影票房预测模型，通过综合考虑各种影响因素，提高预测准确性，为电影产业相关方提供科学的决策依据。通过该研究，可以更好地理解影响电影票房的关键因素，为电影从业者提供更全面的市场分析和预测服务。本实验通过对电影数据进行数据可视化、特征工程、建模分析，使用随机森林算法构建预测模型。总的来说，基于随机森林算法构建的电影票房预测模型为电影产业提供了一种强大的工具。然而，对于实际应用，还需要综合考虑业务背景、市场趋势等因素，将模型预测结果与实际情况相结合，形成更全面的决策依据。
多模态子空间聚类（Multimodal Subspace Clustering, MSC）
...
07-20 972
多模态子空间聚类是一种强大的数据聚类技术，它能够从不同模态的数据中抽取共享的子空间结构，从而更准确地理解和聚类数据。在现实世界中，数据经常以多种形式存在，如图像、文本、音频等，这些不同的数据类型或视图携带了关于同一对象或场景的互补信息。在多模态子空间聚类中，我们假定每个模态（或视图）的数据都位于不同的子空间中，但这些子空间在某种意义上是相关的，即它们。MSC 的目标是在这些不同的模态或视图中发现共享的子空间结构，从而更准确地理解和聚类数据。，每个模态的数据集包含相同数量的数据点，但可能有不同的特征维度。
论文调研-多模态聚类
Willowii的博客
08-05 967
这个目标函数通过H的L1，2-norm和S的Frobenius 范数项，鼓励模型选择重要的视图和多阶图，同时保持共识图的质量。这样，每个视图的嵌入特征都会在新的张量中与其它视图的特征相邻，从而有助于捕捉视图间的相关性。②局部传播模型：它首先从不完整的数据集中的完整子集获取高质量的伪标签，然后通过图卷积网络将这些伪标签传播到同一视图的不完整样本上，学习视图特定的标签空间，并通过类别概率的平均融合来构建统一的标签空间。基于图的多视图聚类算法通过对不同视图的一阶图进行一致图学习，获得了较好的聚类性能。
【论文复现】基于多模态深度学习方法的单细胞多组学数据聚类（【生物信息学】实验二：多组学数据融合：scMDC）
天地玄黄 魑魅魍魉 风花雪月 商角徵羽 暂时停更 十月重见
10-18 2775
本文复现了：基于多模态深度学习方法的单细胞多组学数据聚类
阿尔兹海默症国内外研究现状
01-26
根据提供的引用内容，以下是阿尔兹海默症国内外研究现状的介绍： 1. 《脑机接口技术创新与产业发展研究报告（2021年）》：该报告可能没有直接涉及阿尔兹海默症的研究现状，因为它主要关注脑机接口技术的创新和产业发展。但是，脑机接口技术在神经科学领域有广泛的应用，包括对阿尔兹海默症等神经系统疾病的研究。 2. 《脑机接口标准化白皮书（2021版）》：该白皮书介绍了脑机接口技术的基本概念、技术实现原理、技术系统组成以及全球脑机接口相关产业情况。虽然没有具体提到阿尔兹海默症的研究现状，但它可能提供了脑机接口技术在神经科学领域的应用和发展趋势，这对于阿尔兹海默症的研究也具有参考价值。 综上所述，根据提供的引用内容，没有直接提到阿尔兹海默症的国内外研究现状。然而，脑机接口技术在神经科学领域有广泛的应用，包括对阿尔兹海默症等神经系统疾病的研究。因此，可以通过进一步的文献调研和专业期刊来了解阿尔兹海默症的国内外研究现状。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值