本技术公开了一种基于BCL模型的帕金森进展预测方法,涉及医疗影像数据技术领域,包括:S1、获取包含H&Y评分和患者基本信息的临床数据,以及包含MRI图像的图像数据;S2、对MRI图像进行格式转换,结合H&Y评分进行数据标注;S3、对数据标注后的图像进行预处理;S4、使用主成分分析对预处理后的图像进行降维,提取图像的低维特征;S5、构造基于平衡权重调度器的课程学习框架以及分类模型,对降维后的特征进行训练;S6、预测患者的帕金森病进展,并对各个分类模型的预测性能进行评估。本发明能够提供更精确的患者疾病阶段评估,降低数据维度的同时提高了模型的计算效率和泛化能力,增强了模型对难样本的学习能力。
背景技术
帕金森病是一种影响全球数百万人口的神经退行性疾病,早期诊断和疾病进展的监测对于有效治疗至关重要。传统上,帕金森病的诊断主要依赖于临床评估和患者症状的观察。然而,这种方法在疾病早期阶段可能缺乏准确性,并且难以预测疾病的进展速度和严重程度。尽管已有一些研究尝试使用机器学习技术来辅助帕金森病的诊断,但大多数研究集中在初步诊断上,对疾病进展的预测研究相对较少。
随着医疗影像技术的快速发展,MRI等神经影像学方法在神经退行性疾病的研究中得到了广泛应用。MRI图像能够提供详细的脑部结构信息,为帕金森病的研究提供了重要的工具。然而,由于MRI图像的数据维度高、处理复杂,如何有效地从中提取有用的特征并应用于机器学习模型,仍然是一个挑战。因此,基于MRI图像的帕金森病进展预测在研究中相对罕见。
在现有技术中,研究者们已开始探索如何将MRI图像与机器学习技术相结合,以更好地进行帕金森病分类任务。然而,已有的研究大多侧重于帕金森病的二分类任务,缺乏对疾病不同进展阶段的深入分析,而在多分类任务中,仍然存在数据不平衡的问题。此外,现有方法未能充分利用MRI图像在各个阶段的特征差异,导致无法准确反映患者病情的严重性和进展。
实现思路