基于图形的成像,遗传和临床数据的融合,用于退行性疾病诊断

科学领域:

• 医学成像分析分析 医学成像分析
• 疾病研究中的基因组学.
• 临床数据科学临床数据科学

背景情况:

• 图形学习通过模拟主体间关系在疾病诊断方面表现出色.
• 整合成像,遗传和临床数据对于退行性疾病至关重要,但具有挑战性.
• 现有的方法往往无法最佳地利用这些数据类型之间的关系.

研究的目的:

• 为增强退行性疾病诊断提出一种新的基于图形的融合 (GBF) 方法.
• 有效地整合和利用多式联运数据:成像,遗传和临床信息.
• 为了解决最佳融合异质数据源的挑战,以实现诊断准确性.

主要方法:

• 开发了一个成像-基因融合模块,使用注意力机制来实现模式特定和联合表示.
• 提出了一个多图形融合模块,以整合成像遗传和临床特征.
• 采用可学习的图形构造策略和图形合集方法来实现强大的融合.

主要成果:

• 拟议的GBF方法在两个基准数据集上在退行性疾病诊断中表现出卓越的性能.
• 有效地融合成像,遗传和临床数据,优于最新的基于图形的方法.
• 在阿尔茨海默氏症神经成像计划和帕金森氏症进展标志物计划数据集上的验证有效性.

结论:

• 这种基于图形的新型融合方法为疾病诊断中的多式联络数据集成提供了一个有前途的方向.
• 这些发现突显了成像,遗传和临床数据对退行性疾病的协同使用的重要性.
• 这种方法可以指导基于图形的先进诊断模型的开发.