一个具有自动融合的特征意识的多式联络框架,用于对阿尔茨海默病的诊断

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 生物医学信息学 生物医学信息学

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,全球每年有数百万人被诊断为痴呆症.
• 早期诊断AD对于有效的患者管理和治疗至关重要.
• 现有的多模式AD诊断方法经常难以整合多种数据类型和高维特征,导致性能不佳.

研究的目的:

• 为准确的阿尔茨海默病诊断开发一个增强的多式联络框架.
• 改进各种诊断数据的整合,包括认知测试,神经成像和风险因素.
• 优化来自多个数据源的信息的融合,以获得卓越的诊断结果.

主要方法:

• 一个特征感知模块使用低维SHapley添加式扩展 (SHAP) 增强特征选择和跨模态注意力机制来实现高维特征集成.
• 将特征感知模块与图形卷积网络 (GCN) 集成,以处理异构的多式联运AD数据和联运关系.
• 一个自动模型融合策略 (AMFS) 可自动学习子模型的最佳对齐参数.

主要成果:

• 拟议的框架在两个阿尔茨海默病神经成像计划 (ADNI) 数据集上实现了95.9%和91.9%的高诊断准确率.
• 这些方法证明了从多式联运AD数据中有效选择特征.
• 该框架成功优化了模型融合,以提高诊断性能.

结论:

• 增强的多式联络诊断框架为准确和高效的阿尔茨海默病诊断提供了一个有前途的方法.
• 集成先进的特征选择和自动模型融合策略可以显著提高诊断准确度.
• 这一框架具有临床应用的潜力,有助于早期阿尔茨海默病诊断.