用可解释图形神经网络与人口图形为阿尔茨海默病早期诊断提供个性化解释

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学数据科学 生物医学数据科学

背景情况:

• 阿尔茨海默病 (AD) 的诊断和预后仍然具有挑战性.
• 图形神经网络 (GNN) 为分析复杂的生物数据提供了新的方法.
• 了解AD的进展需要整合多样化的患者数据.

研究的目的:

• 将图形卷积网络 (GCNs) 应用于基于相关性的人口图表,以改善AD预后.
• 使用人口和神经成像数据预测粉样β (Aβ) 阳性.
• 确定与Aβ阳性和AD异质性相关的关键生物标志物.

主要方法:

• 开发和应用GCN模型,使用基于关联的人口图.
• 将GCN模型与传统机器学习和基线GCN与随机边缘进行比较.
• 使用GNNExplainer进行模型解释性和生物标志物识别.

主要成果:

• 与其他方法相比,基于相关性的GCN模型在预测Aβ阳性方面表现优越.
• 该模型在ADNI数据集中的不同患者组中显示出一致的有效性.
• GNNExplainer确定了与Aβ阳性相关的不同生物标志物,突出了AD异质性.

结论:

• 拟议的GCN方法通过准确地反映人口图中的相关性结构来提高AD预后.
• 这种方法为AD患者提供了更个性化的治疗策略的潜力.
• 这种方法对于复杂疾病研究和个性化医学具有广泛的适用性.