通过利用图形卷积网络和张量代数来早期预测阿尔茨海默病的动态模型

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 生物医学信息学 生物医学信息学

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经认知障碍,影响记忆和认知功能.
• 轻度认知障碍 (MCI) 是一个过渡阶段,患AD的风险增加.
• 由于不可逆转的大脑损伤和认知能力下降,早期AD诊断至关重要.

研究的目的:

• 开发一种先进的深度学习模型,用于在轻度认知障碍 (MCI) 患者中早期预测阿尔茨海默病 (AD) 的进展.
• 利用电子健康记录 (EHR) 进行准确和及时的AD风险评估.
• 克服现有的循环神经网络 (RNN) 在捕捉长期依赖和模型复杂性的局限性.

主要方法:

• 介绍了用于早期预测AD的动态深度学习模型 (DyEPAD).
• 使用图形卷积网络 (GCN) 和聚合函数来捕捉从EHR数据中的时间步骤嵌入.
• 在频域分析中使用张量代数运算来捕捉进化模式.

主要成果:

• 在预测MCI到AD进展方面,DyEPAD表现出强的表现.
• 该模型的有效性在阿尔茨海默病神经成像计划 (ADNI) 和国家阿尔茨海默病协调中心 (NACC) 数据集上得到了验证.
• DyEPAD满足或超过了最先进和基线预测方法的性能.

结论:

• 拟议的DyEPAD模型在早期预测阿尔茨海默病方面取得了重大进展.
• 这种深度学习方法有效地分析EHR数据,以识别患有MCI转化为AD高风险的个体.
• DyEPAD为阿尔茨海默病的临床决策和干预策略提供了一个有前途的工具.