自主引导的知识注入图形神经网络用于阿尔茨海默氏症的疾病

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 图形神经网络 (GNN) 擅长分析复杂,不规则的数据结构.
• 标准GNN需要特定领域的知识,以在阿尔茨海默氏症 (AD) 脑连接体分析等专业领域的最佳性能.
• 手动将AD专业知识集成到GNN是资源密集型的,需要大量的专家投入.

研究的目的:

• 开发一个新的自我引导的,知识注入的多式联通GNN框架,用于自主领域的知识集成在AD研究.
• 为了克服手工知识策划在GNN模型开发中的局限性.
• 为了提高AD分析的GNN的有效性和可解释性.

主要方法:

• 概念化领域知识作为自然语言.
• 开发了一个专门的多式联通GNN框架来处理自然语言知识.
• 利用未经策划的文本领域知识来指导GNN的学习过程.
• 编制了AD出版物的文献数据集,并将其与现实世界AD数据集集集成.

主要成果:

• 证明了框架在从AD文献中提取精心策划的知识方面的有效性.
• 展示了为特定领域应用提供基于图形的解释的能力.
• 通过利用提取的域名知识,实现了增强的GNN性能.
• 在AD的背景下提高了预测解释性.

结论:

• 拟议的自我引导的知识注入的多式联运GNN自主整合领域知识,减少对手工策划的依赖.
• 这种方法提高了阿尔茨海默病连接组分析的GNN性能和可解释性.
• 该框架提供了一种可扩展和有效的方法,用于在专门的机器学习应用中利用文本专业知识.