新型阿尔茨海默氏病陈述基于并发症信息图 神经网络

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗信息学 医疗信息学

背景情况:

• 阿尔茨海默病 (AD) 是导致痴呆的主要原因,需要早期检测才能进行有效的干预.
• 阿尔茨海默病神经成像计划 (ADNI) 为阿尔茨海默病研究提供了有价值的数据.
• 正确的认知状态的多类分类 (认知正常,轻度认知障碍,阿尔茨海默病) 是至关重要的.

研究的目的:

• 开发和评估图形神经网络 (GNN) 模型用于多类阿尔茨海默氏症 (AD) 分类.
• 调查将电子健康记录中的并发症数据纳入GNN模型的影响.
• 将GNN模型与注意力机制的性能与现有的最先进技术进行比较.

主要方法:

• 构建了一个患者临床图谱网络,以模拟认知正常 (CN),轻度认知障碍 (MCI) 和AD患者之间的关系.
• 训练了各种基于GNN的预测模型,使用来自阿尔茨海默病神经成像计划 (ADNI) 的数据.
• 从电子健康记录中集成的并发症数据作为GNN框架内的功能.

主要成果:

• 结合并发症数据的GNN模型实现了最高的分类性能.
• 与最先进的方法相比,使用注意力机制的GNN模型显示出更优异的结果.
• 在多类AD分类中实现了高精度 (0.92),AUC (0.96) 和F1得分 (0.92).

结论:

• 同病症数据显著提高了阿尔茨海默氏症疾病分类模型的准确性.
• 特别是在注意力机制方面,GNN对早期AD检测和预测有很大的前景.
• 这种方法可能会加深对阿尔茨海默病进展和导致因素的理解.