基于图形卷积网络的成本敏感加权对比学习,用于不平衡的阿尔茨海默氏症病阶段

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 医学诊断 医学诊断 医学诊断

背景情况:

• 阿尔茨海默氏病 (AD) 阶段是至关重要的,但由于数据不平衡和疾病异质性,具有挑战性.
• 目前用于AD分类的图形卷积网络 (GCN) 方法不能充分解决类不平衡或疾病异质性.

研究的目的:

• 提出一种基于GCNs (CSWCL-GCNs) 的新型成本敏感的加权对比学习方法,用于准确和不平衡的阿尔茨海默氏症病期.
• 通过解决AD进展识别中的类不平衡和疾病异质性来提高分类性能.

主要方法:

• 从静止状态功能磁共振成像 (rs-fMRI) 开发了一个使用功能连接 (FC) 和高阶功能连接 (HOFC) 的多视图图.
• 实施了成本敏感的加权对比学习程序,以增强少数阶级的代表性和处理数据不平衡.
• 引入了基于距离的负对对的权重,用于对比学习,以考虑疾病异质性.

主要成果:

• 拟议的CSWCL-GCN方法与最先进的方法相比,显示出更高的性能.
• 从阿尔茨海默病神经成像计划 (ADNI) 数据库对720名受试者进行了评估,显示了阿尔茨海默病病阶段确定精度的显著改善.
• 有效地捕获来自少数群体的歧视性信息,从而获得更好的分类结果.

结论:

• CSWCL-GCNs为阿尔茨海默氏症病期分级中的不平衡的多类分类提供了一个强大的解决方案.
• 该方法处理数据不平衡和疾病异质性的能力使其成为神经退行性疾病研究的有希望的工具.
• 这种方法推进了GCN在复杂神经系统疾病的医学成像分析中的应用.