一个基于变压器的统一多式联通框架,用于对阿尔茨海默病的评估

科学领域:

• 人工智能的人工智能
• 神经科学是一个神经科学.
• 医疗成像医学成像

背景情况:

• 对于阿尔茨海默氏症 (AD) 的传统深度学习,使用不同的数据类型的单独方法.
• 需要一种统一的方法来分析各种数据模式,以改善AD评估.

研究的目的:

• 推出AD-Transformer,这是一个新的统一深度学习模型,用于阿尔茨海默病的评估.
• 整合结构磁共振成像 (sMRI),临床和遗传数据,以提高诊断准确度.

主要方法:

• 开发了AD-Transformer,这是一个基于变压器的模型,集成sMRI,临床和遗传数据.
• 使用Patch-CNN进行图像代币化和线性投影进行非图像数据代币化.
• 使用变压器块从ADNI数据库 (1651名受试者) 学习交叉模式表示.

主要成果:

• AD-Transformer实现了AD诊断的平均AUC为0.993,轻度认知障碍 (MCI) 转化预测的平均AUC为0.845.
• 在诊断准确性方面表现优于传统的仅图像和非统一的多式模式模型.
• 证明有效地整合和分析用于AD评估的多式联络数据.

结论:

• AD-Transformer为AD诊断和MCI转化预测提供了一个强大的,统一的框架.
• 该模型有效地利用多模式数据,为更精确的临床评估铺平了道路.
• 介绍了在阿尔茨海默病研究中利用各种数据的临床适应策略.