使用相互信息生成图形卷积网络对功能性MRI进行阿尔茨海默病的分类
Yinghua Fu1, Li Jiang1, John Detre2
1Department of Diagnostic Radiology and Nuclear Medicine, University of Maryland School of Medicine, Baltimore, MD, USA.
Journal of Alzheimer's disease : JAD
|July 15, 2025
概括
相互信息 (MI) 连接组有效地区分阿尔茨海默病 (AD) 阶段与正常对照 (NC). 这种使用图形卷积网络 (GCNs) 的新方法在识别认知衰退方面表现出高准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 高级认知功能依赖于区域间的大脑通信,可以通过相互信息 (MI) 来量化.
- 阿尔茨海默病 (AD) 损害了认知功能,表明了需要调查的区域间心脏病发作的改变.
- 目前对阿尔茨海默病对区域间大脑通信,特别是心脏病发作的影响的理解仍然有限.
研究的目的:
- 为了确定跨区域性心脏病是否可以区分阿尔茨海默病 (AD) 阶段与正常对照 (NC).
- 使用基于连接组的图形卷积网络 (GCN) 用于使用MI预测AD阶段.
- 为了比较基于MI的连接组与其他连接性措施的有效性.
主要方法:
- 在大脑区域的时间序列之间计算了相互信息 (MI),以创建连接组.
- 一个基于多层连接体的GCN (MLC-GCN) 处理了这些连接体以进行时空特征提取.
- 该模型使用5倍交叉验证对来自ADNI和OASIS3数据集的552名受试者进行了验证.
主要成果:
- 基于MI的连接器实现了更高的预测准确度 (87.72%ADNI2,84.11%OASIS3) 和曲线下面的面积 (两者均为0.96).
- 关键的MI特征被确定在,前额叶和皮层.
- 基于MI的模型表现优于使用Kullback-Leibler分歧,交叉,交叉样本和相关系数的模型.
结论:
- 基于MI的连接体可靠地区分正常对照,轻度认知障碍和阿尔茨海默病.
- 相互信息表明,与其他AD检测连接措施相比,其性能优越.
- 对于基于MI的连接组模型,建议对独立数据集进行进一步的验证.
