GIRUS-net:一种多模式深度学习模型,识别与阿尔茨海默病严重程度相关的成像和遗传生物标志物

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 遗传学 是一个遗传学.

背景情况:

• 阿尔茨海默病 (AD) 的诊断和严重程度的预测仍然具有挑战性.
• 整合多式联络数据,如神经成像和遗传学,有望提高诊断准确度.
• 可解释的人工智能方法对于理解模型预测和识别临床相关生物标志物至关重要.

研究的目的:

• 开发一种可解释的深度神经架构,用于预测阿尔茨海默病的严重程度.
• 结合大脑结构 (sMRI) 和遗传影响 (SNP) 数据,以提高预测.
• 识别稀有和临床相关的生物标志物,表明疾病严重程度.

主要方法:

• 开发了一个包括编码器,解码器和等级一致的顺序回归模块的深度神经架构.
• 该模型将sMRI和SNP数据投射到一个潜伏空间中,由解码器规范化.
• 为了特征重要性学习和生物标志物提取,纳入了可学习的丢弃层.

主要成果:

• 与基线相比,该模型在2类 (F值中位数为0.86),3类 (F值中位数为0.50) 和4类 (F值中位数为0.40) 严重性分类中表现得更好.
• 该模型成功识别了稀有和临床相关的生物标志物.
• 评估使用了来自阿尔茨海默病神经成像计划 (ADNI) 数据库的结构性MRI和SNP数据.

结论:

• 提出的可解释的深度学习模型通过整合大脑结构和遗传数据来增强阿尔茨海默病严重性预测.
• 该模型提供了可解释的结果,为了解疾病提供了临床相关的生物标志物.
• 这种方法为改善阿尔茨海默病诊断和患者分层提供了一个有希望的工具.