可解释的人工智能预测阿尔茨海默病的潜伏多式联络深度神经网络

科学领域:

• 神经科学是一个神经科学.
• 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) 是一种进展性神经退行性疾病,导致认知能力下降.
• 准确预测AD认知状态对于及时干预和管理至关重要.

研究的目的:

• 开发和评估一种新的潜伏多式联络深度学习框架,用于预测阿尔茨海默病的认知状态.
• 评估临床,神经成像和遗传数据在预测AD认知障碍方面的贡献.

主要方法:

• 利用来自ADNI数据库的322名患者 (55-92岁) 的数据.
• 应用确认因素分析 (CFA) 来得出潜在认知障碍得分.
• 构建了一个多式深度神经网络,具有注意和交叉注意层,集成临床,成像和遗传数据.

主要成果:

• 多模式神经网络结合了临床和成像数据以及注意层,实现了最好的预测性能 (MAE:0.330,MSE:0.206).
• 临床数据被确定为最有影响力的模式,为预测AD认知状态贡献35%.
• 注意力机制显著提高了模型的预测能力.

结论:

• 基于注意力的多式模式深度学习模型在预测阿尔茨海默病认知障碍方面表现出卓越的表现.
• 整合多种数据模式,特别是临床和神经成像数据,对于AD认知状态预测是有效的.
• 注意层是深度学习模型的宝贵补充,用于提高神经退行性疾病研究中的预测准确性.