模式意识的歧视性融合网络,用于大脑成像基因组学综合分析
IEEE transactions on neural networks and learning systems
|August 23, 2024
概括
这项研究引入了一个新的AI网络,通过分析脑部扫描和遗传数据来诊断轻度认知障碍 (MCI). 模式意识歧视性融合网络 (MA-DFN) 改善了MCI的早期检测,这是阿尔茨海默病的前体.
科学领域:
- 神经科学是一个神经科学.
- 遗传学 是一个遗传学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 轻度认知障碍 (MCI) 是阿尔茨海默氏病 (AD) 的早期阶段,由于微妙的症状,它存在诊断挑战.
- 准确识别MCI对于了解疾病机制和开发早期干预至关重要.
- 现有的诊断方法难以整合脑成像和基因组数据,限制了准确性.
研究的目的:
- 通过整合脑成像和基因组数据,开发一种先进的MCI诊断方法.
- 通过解决当前神经成像基因组学分析的局限性,提高MCI诊断的准确性.
- 为了确定MCI早期检测的潜在生物标志物.
主要方法:
- 开发了一种新的模式意识歧视性融合网络 (MA-DFN),以整合脑部成像和基因组数据.
- 采用了两个特征提取模块:用于大脑网络拓的边缘增强自我注意力的图形卷积网络 (GCN-EASA) 和用于单核酸多态 (SNPs) 的深度对抗性排斥自编码器 (DAD-AE).
- 使用带有相关性规范化的歧视增强融合网络 (DFN-CorrReg) 来提高模式间的一致性和分类准确性.
主要成果:
- 与现有方法相比,MA-DFN在区分认知正常 (CN) 和MCI个体方面表现出卓越的表现.
- 该模型成功地确定了与MCI相关的大脑区域和风险SNP,表明它们作为诊断生物标志物的潜力.
- 综合方法有效地捕获了网络结构和SNP数据,同时减轻了噪音.
结论:
- 拟议的MA-DFN提供了一种强大而准确的方法,用于早期诊断MCI使用集成脑成像和基因组数据.
- 这种方法有可能成为识别患有AD风险的个体的有价值工具.
- 已确定的大脑区域和风险SNP可以作为MCI的假定生物标志物.
