基于默认网络贝叶斯模型的轻微型肝性脑病的判别方法

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要：为了将轻微型肝性脑病（MHE）患者从正常人中区分出来,首先使用独立分量分析（ICA）从静息态f M RI中提取默认网络（DM N）,然后使用基于图像模型的多元分析方法（GAM M A）,该算法为基于像素水平贝叶斯方法,用来探索默认网络中的功能整合异常现象和临床参数之间的关系.在没有先验知识的前提下,使用5种机器学习的方法（支持向量机,分类回归树,逻辑回归,贝叶斯网络及C4.5）来进行分类.研究发现DMN中功能整合出现异常,并对MHE有很高的预测能力,准确率达到98%.因此,认为基于GAMMA提取的DMN功能整合异常可作为一个简单、客观的神经影像学标志物来区分MHE,并可成为现有MHE诊断方法的有力补充.

原文链接:http://www.cqvip.com//QK/85321X/201504/667226632.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：贝叶斯 贝叶斯网络 gamma cqvip 学习的方法 基于图像模型的多元分析 贝叶斯模型 机器学习 功能整合 轻微型肝性脑病