一个可解释的多模式生成神经成像-基因组学框架来解码阿尔茨海默氏病.

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,轻度认知障碍 (MCI) 代表过渡阶段.
• 准确检测AD和预测MCI进展对于及时干预至关重要.
• 需要多模式数据集成和先进的计算方法来解决AD和MCI的复杂性.

研究的目的:

• 开发和验证一种多式联络深度学习框架,用于对阿尔茨海默病患者与健康对照进行分类.
• 检测可能转化为AD的轻度认知障碍 (MCI) 患者.
• 使用可解释的AI方法识别与AD和MCI转换相关的结构和功能大脑调制和遗传因素.

主要方法:

• 提出了一个多式深度学习框架,集成MRI和单核酸多态 (SNP).
• 使用循环生成对抗网络 (CycleGANs) 的生成模块用于归因多式联网数据集中缺失的数据.
• 使用可解释AI (XAI) 方法来提取特征相关性,并提高模型的可解释性.

主要成果:

• 该框架在AD检测 (0.926 ± 0.02) 和MCI转换预测 (0.711 ± 0.01) 中实现了高精度.
• 解释性分析强调了与AD相关的大脑区域的灰质变化.
• 确定了静止状态网络的损伤和与内细胞分裂,粉样β和胆固醇通路的遗传关联.

结论:

• 提出的整合性和可解释的深度学习方法显示了AD检测和MCI预测的巨大潜力.
• 这项研究提供了宝贵的生物学见解,了解AD进展背后的机制.
• 这种方法为推进神经退行性疾病研究和临床应用提供了一个有前途的途径.