一个基于图像和基因的深度学习网络,用于阿尔茨海默病的诊断
Yuhan Li1, Donghao Niu1, Keying Qi1
1Research Centers for Medical AI, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
Frontiers in aging neuroscience
|April 7, 2025
概括
这项研究引入了一种新的深度学习模型,将MRI和遗传数据集成为早期阿尔茨海默病 (AD) 诊断和轻度认知障碍 (MCI) 进展预测,显著提高了准确性.
科学领域:
- 神经成像是一种神经成像.
- 遗传学 是一个遗传学.
- 人工智能的人工智能
背景情况:
- 目前的阿尔茨海默病 (AD) 诊断通常仅依赖于磁共振成像 (MRI).
- 将遗传数据与神经成像集成显示为早期AD预测有前途,但现有的深度学习方法在特征融合方面存在局限性.
- 由于有限的数据集,统计方法很常见,但可能无法完全捕捉复杂的图像-基因关系.
研究的目的:
- 使用MRI和单核酸多态 (SNP) 数据开发一个多模态深度学习模型,用于AD诊断和轻度认知障碍 (MCI) 进展预测.
- 通过使用先进的特征融合技术,克服现有方法的局限性.
- 通过分析结构和遗传变异关系来提高模型的解释性.
主要方法:
- 提出了一个多模态深度学习分类网络,将MRI结构特征的卷积神经网络 (CNN) 和SNP遗传特征的变压器网络结合起来.
- 利用基于交叉变压器的网络,在成像和遗传数据之间进行全面的特征融合.
- 纳入基于注意力图的可解释性方法来分析特征的重要性和相互关系.
主要成果:
- 拟议的模型在整合MRI和SNP数据以诊断AD和预测MCI进展方面表现出卓越的性能.
- 来自ADNI数据库的1541名受试者的实验结果证实了该模型的增强准确性.
- 注意地图分析提供了关于大脑结构和AD遗传风险变异之间的相互作用的见解.
结论:
- 开发的多模式深度学习方法有效地整合了神经成像和遗传数据,以改善AD诊断和MCI进展预测.
- 这种方法通过分析结构和遗传因素,可以更全面地了解AD的病原性.
- 该模型的可解释性有助于识别关键生物标志物及其关系,为更精确的诊断工具铺平了道路.
