高斯混合模型

Parent: ai_keywords

高斯混合模型（Gaussian Mixture Model, GMM）

【核心定义】

高斯混合模型是一种基于概率密度估计的生成式无监督学习算法，假设观测数据由多个高斯分布（成分）按一定权重线性叠加产生。其数学表达为：
p(x) = Σ π_k · N(x | μ_k, Σ_k)
其中 π_k 为混合系数（满足 Σπ_k=1），N(x|μ_k,Σ_k) 为第 k 个高斯成分的密度函数。通过期望最大化（EM）算法迭代求解参数，实现软聚类（每个样本以概率属于各成分）。

【关键技术点】

  1. EM 算法求解
    E步计算每个样本属于各成分的后验概率（责任度），M步基于后验概率更新均值、协方差及混合权重。迭代收敛至局部最优。

  2. 协方差约束与模型选择
    可选用全协方差、对角协方差或球状协方差，平衡拟合能力与自由度。通过 AIC/BIC 确定最优成分数 K，避免过拟合。

  3. 软聚类与不确定性量化
    相比 K-means 的硬划分，GMM 输出概率隶属度，天然支持混合边界和噪声点的模糊归属，适合数据分布重叠的场景。

  4. 高维适应性
    通过协方差降维（如子空间约束）或结合变分推断，可在 fMRI 等千维数据中稳定训练，但需注意过拟合与局部极值。

【医学/神经科学应用场景：基于 GMM 的脑内微出血病灶分割】

背景：首都医科大学神经病学团队在脑小血管病研究中，需从 SWI（磁敏感加权成像）中自动识别微出血点，其信号呈低信号圆形/卵圆形，但常与钙化、血管伪影混淆。
方法：将像素强度与局部纹理特征（如灰度共生矩阵）组成 3-5 维特征向量，使用 K=2 的 GMM（成分1：病灶；成分2：背景+伪影）进行软聚类。EM 迭代中，对成分2引入相似性约束（基于钙化高对比度边缘的先验协方差），降低假阳性。
成果：在 200 例 SWI 数据上，GMM 方法（AUC 0.94）优于阈值法（0.78）和 K-means（0.85），尤其对微小病灶（<3mm）的召回率提升 22%。价值：GMM 的概率输出支持置信度阈值调整，便于临床决策（优先复查高概率病例），已整合至首都科委脑小血管病筛查平台。