对阿尔茨海默氏症认知评估预测的时间-多模式一致性对齐

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 生物统计学 生物统计学

背景情况:

• 阿尔茨海默病 (AD) 是一种流行的神经退行性疾病,严重影响认知和行为.
• 对认知衰退的早期和准确预测对于有效的AD干预至关重要.
• 现有的预后模型具有有限的预测能力,原因是对纵向多模式数据关联的探索不足.

研究的目的:

• 提出多模式融合与DUal-gRanularity Alignment (MM-DURA) 框架,用于同时建模纵向相关性和模式相互作用.
• 用时间MRI扫描,临床诊断和基因组数据预测认知评估得分.
• 为了提高阿尔茨海默病进展预测的准确性.

主要方法:

• 开发了一种粗到细的特征表示学习方法,用于主题和访问层次的模式一致性.
• 实施了层次化的多式联通融合 (HMF) 块,以利用跨式联通关系.
• 利用基于LSTM的回归头来预测基于融合多模式嵌入的认知能力.

主要成果:

• 在阿尔茨海默病神经成像计划 (ADNI) 数据集 (707名受试者) 上验证了MM-DURA.
• 在预测认知评估方面取得了卓越的表现 (例如,CDRSB的RMSE为1.099,ADAS-Cog的5.601).
• 超过了六种比较方法,包括最先进的多式模式时间模型,证实了时间与多式模式对齐的有效性.

结论:

• 为认知评估预测提出了一个新的框架,将多模式融合与双颗粒度对齐统一.
• 通过广泛的数值结果和可视化,MM-DURA与现有方法相比表现出更高的性能.
• 突出了认知评估预测的临床潜力,并发布了公众访问的代码.