多模式多视图双线图卷积网络用于轻度认知障碍诊断

科学领域:

• 神经成像和计算神经科学
• 生物医学数据分析和机器学习.

背景情况:

• 轻度认知障碍 (MCI) 是阿尔茨海默病 (AD) 的关键前体,需要先进的诊断工具.
• 现有的诊断方法往往忽略了有价值的非成像数据 (例如,遗传,临床) 并与成像数据的异质性作斗争.
• 多式联运数据的整合仍然是一个挑战,因为数据异质性和捕捉复杂关系的需要.

研究的目的:

• 为改进疾病风险预测提出一个新的多模组多视图双线图卷积 (MMBGCN) 框架.
• 为了有效地整合神经成像 (MRI) 和非成像数据,以进行更全面的疾病评估.
• 解决网络构建中的数据异质性和噪声问题,以获得更强大的诊断模型.

主要方法:

• 从MRI数据中提取灰质 (GM),白质 (WM) 和脑脊液 (CSF) 的特征.
• 通过将MRI特征与非成像数据 (遗传,临床) 结合起来,构建一个多式共享邻矩阵.
• 使用共享相邻矩阵开发一个多视图网络,然后进行加权的MRI特征提取和双线卷积以恢复空间模式.
• 将恢复的空间模式与遗传信息进行整合,以便最终预测疾病.

主要成果:

• 拟议的MMBGCN框架在阿尔茨海默病神经成像计划 (ADNI) 数据集上表现出卓越的性能.
• 该框架在二进制分类任务中实现了平均分类准确率为89.6%.
• 在疾病风险预测方面,MMBGCN的表现优于现有的相关算法,突出了其有效性.

结论:

• 通过利用多式联络数据,MMBGCN框架为疾病风险预测提供了一个强大而有效的方法.
• 该研究强调了整合不同类型数据的重要性,以准确诊断MCI和AD等疾病.
• 拟议的方法促进了MCI诊断的进步,并为未来的神经退行性疾病研究提供了有价值的工具.