Page 103 - 心理健康及心理危机

第三章 精神卫生疾病及躯体化症状

学习方法（Bagging、Boosting 等）用于组合单一分类方法，多核学习（multiple

kernel learning，MKL）方法用于组合多个核函数，可显著提高分类能力。
4. 泛化能力测试
机器学习方法可有效筛选出与疾病高度相关的重要特征，并利用已学习的特

征构建一个分类模型，然后提取未知样本（待诊断受试者）相对应的影像特征，
并输入分类器得到预测结果（类别），从而实现个体水平的诊断。为了评估机器
学习模型预测新样本类别的能力（又称模型的泛化能力），嵌套式交叉验证通常
被用于分类器泛化能力测试并可在样本较少时，一定程度上避免分类器的过度学

习以及对分类方法的过高评价。
5. 深度学习
随着深度学习和大数据的发展，特征提取、选择和分类器设计均可基于深度
学习的框架和方法来完成。区别于传统的浅层学习（如 SVM），深度学习可通

过深层非线性网络结构学习特征，并通过组合低层特征形成更加抽象的深层表示
（属性类别或特征），实现复杂函数逼近，从而可以学习到数据集的本质特征。
深度学习可克服传统浅层机器学习在复杂分类问题中的局限性，从而大大提高
辅助诊断能力。当前常用深度学习模型与架构包括：深度限制波尔兹曼机（deep

restricted boltzmann machine，DRBM）、深度置信网络（deep belief networks，
DBN）、深度递归神经网络（deep recurrent neural networks，DRNN）、深度卷
积神经网络（deep convolutional neural networks，DCNN）等。值得一提的是，
DCNN 当前已在皮肤癌分类、糖尿病视网膜病变检测等领域取得了出色成果。

（二）基于机器学习的疾病智能诊断及预测
在临床上，神经精神性疾病的诊断、不同疾病亚型区分和预后评估十分重要。
目前，以 AD/ 轻度认知障碍、注意力缺陷多动障碍、抽动秽语综合征等为代表
的神经精神性疾病对公共健康造成了巨大影响。随着大数据的深入应用，机器学

习已经进入医疗领域。基于机器学习方法自动分类患者和正常人的医学影像数据
可实现个体水平的智能诊断，同时也可提取医学影像数据中内在的、带有判别信
息的生物标志物用于病理研究。
1. 阿尔茨海默病 / 轻度认知障碍

Dai 等使用平均皮层厚度构建皮层厚度网络，进一步使用网络边的权重作
为特征来区分 AD 患者和正常人（normal control，NC），分类正确率可高达

91