使用可解释图形卷积网络对阿尔茨海默病的多模式诊断

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:

• 像阿尔茨海默氏症 (AD) 这样的神经疾病的特点是大脑连接的改变.
• 图形卷积网络 (GCNs) 在分析疾病检测的大脑网络方面表现有前途.
• 整合多种成像模式可以提高基于GCN的疾病识别的准确性.

研究的目的:

• 开发和评估一种多模式稀疏可解释的GCN框架 (SGCN),用于检测阿尔茨海默病 (AD) 和轻度认知障碍 (MCI).
• 使用SGCN.识别疾病特异性脑部感兴趣区域 (ROI) 和网络连接.
• 评估SGCN在开发新生物标志物的潜力,并使AD/MCI的精确诊断成为可能.

主要方法:

• 提出了一个多模式稀释可解释的GCN框架 (SGCN).
• 使用稀疏的区域重要性概率来确定标志性ROI.
• 雇佣的连接重要性 揭示疾病特异性脑网络连接的概率.
• 在阿尔茨海默病神经成像倡议 (ADNI) 数据库中使用多模式大脑图像评估SGCN.

主要成果:

• SGCN有效地学习了增强AD状态识别的ROI特征.
• 确定的脑部异常与AD相关的临床症状有显著的相关性.
• 在AD/MCI中解释大脑功能障碍在大规模神经系统和与性别相关的连接异常水平.

结论:

• 开发的SGCN框架有效用于AD和MCI的多模式诊断.
• 确定突出的ROI和突出的大脑连接异常对于新生物标志物开发至关重要.
• 这些发现有助于理解基于网络的疾病,并为精确诊断提供了潜在的可能性.