探索数据驱动的脑血流自动调节机能评价理论与方法

Cerebrovascular disease has become the major cause of death in China. The most common type is arterial stenosis. Cerebral autoregulation (CA) is a critical mechanism for maintaining blood flow. It has been shown that CA is critically important for diagnosis and treatment of arterial stenosis. However, there is currently no clinically accepted assessment of CA. One may model CA as a system and derive a series of autoregulatory variables. We then need a mapping function to extract features from the variables in order to discriminate CA. We therefore propose a deep neural network to approximate the mapping function. In order to achieve this, we need to solve two problems: 1. Labeling CA variables with no gold standard; 2. Taking use of the unlabeled CA variables. First, we will label the CA variables according to the pathological and physiological characteristics of arterial stenosis. Then, we will use a semi-supervised learning combining the labeled and unlabeled variables for training the deep neural network. In order to satisfy smoothness assumption for a semi-supervised learning, we will design and study two complementary types of the semi-supervised models based on Stacked Autoencoder and Variational Autoencoder, respectively. We believe that the proposed data-driving approaches can provide clinicians and patients with more accurate assessment of CA.

脑血管病已成为我国居民的“第一杀手”，其中绝大多数是动脉狭窄型脑血管病。脑血流自动调节机能（CA）是关键的血流动力学保护机制。研究证实，CA的状态对于诊断和治疗动脉狭窄型脑血管病具有重要的临床价值，但目前仍然缺乏被广泛认可的评价方法。通过建立CA系统模型可以获得一系列CA变量，但是仍需要有效的特征提取方法将CA变量映射为判别CA的特征。我们因此拟构建一个深度神经网络来逼近这种映射关系。为此需要解决两个难题：1.在无金标准的情况下，获取标签变量；2.有效利用无标签变量。我们首先利用动脉狭窄型脑血管病特有的生理病理特征获取标签变量，然后再通过半监督学习结合数量充足的无标签变量来训练出目标深度神经网络。为了满足半监督学习所需的平滑性假设，我们分别设计了基于栈式自编码器和变分自编码器两种互补的半监督学习模型。我们相信基于这种数据驱动的新理论可以获得准确判别CA的新方法，为医生和患者服务。

脑血管病已成为我国居民的“第一杀手”，其中绝大多数是动脉狭窄型脑血管病。脑血流自动调节机能（CA）是关键的血流动力学保护机制。研究证实，CA的状态对于诊断和治疗动脉狭窄型脑血管病具有重要的临床价值，但目前仍然缺乏被广泛认可的评价方法。通过建立CA系统模型可以获得一系列CA变量，但是仍需要有效的特征提取方法将CA变量映射为判别CA的特征。我们因此拟构建一个深度神经网络来逼近这种映射关系。为此需要解决两个难题：(1)在无金标准的情况下，获取标签变量；(2)有效利用无标签变量。我们首先利用动脉狭窄型脑血管病特有的生理病理特征获取标签变量，然后再通过半监督学习结合数量充足的无标签变量来训练出目标深度神经网络。为了满足半监督学习所需的平滑性假设，我们分别设计了基于栈式自编码器和变分自编码器两种互补的半监督学习模型。已完成的关键成果如下：（1）首次提出一种新型半监督学习模型降低标签数据数量的同时提升准确率，并首次将判别脑血流自动调节受损的准确率提升至90%以上；（2）提出基于深度嵌入聚类方法的脑血流自动调节判别模型，这是首次提出采用无监督学习的方法判别脑血流自动调节是否受损的研究；（3）提出无带宽限制的传递函数分析思想，发表综述论文；（4）提出了基于卷积自编码器的半监督多尺度融合感知模型，将多尺度融合感知思想延伸到无监督学习，结合深度嵌入聚类模型又进一步提出了基于多尺度融合感知的无监督深度聚类模型，分类结果优于传统方法；（5）将半监督神经网络移植至嵌入式系统，实现脑血流自动调节实时判别。我们相信基于这种数据驱动的新理论可以获得准确判别CA的新方法，为医生和患者服务。

内容获取失败，请点击重试