多模式多核图学习用于自闭症预测和生物标志物发现

科学领域:

• 计算神经科学是一种计算神经科学.
• 机器学习是机器学习.
• 医疗信息学医学信息学

背景情况:

• 针对疾病预测的多模式数据集成带来了挑战,原因是模式之间的负面影响.
• 现有的图形学习方法通常依赖于静态,手工构建的图形,限制了适应性.

研究的目的:

• 提出一种新的方法,即多模式多核图形学习 (MMKGL),用于有效的多模式集成和疾病预测.
• 解决整合和信息提取过程中模式的负面影响.
• 识别与自闭症相关的歧视性大脑区域.

主要方法:

• 开发了一个多模态图嵌入模块,用于从单个模式构建自适应式图.
• 引入了功能和监督图表,用于在多图融合嵌入时进行优化.
• 采用多核图形学习模块,使用不同受体场的卷积内核来提取异质信息.
• 产生了用于疾病预测的跨内核发现张量.

主要成果:

• 与最先进的方法相比,拟议的MMKGL方法在自闭症脑成像数据交换 (ABIDE) 数据集上表现出卓越的性能.
• MMKGL成功地确定了与自闭症相关的歧视性大脑区域.
• 该模型的发现为理解自闭症病理学提供了潜在的指导.

结论:

• MMKGL为多模式数据集成和疾病预测提供了一种有效的方法.
• 该方法能够自适应地学习图形并提取异质信息,从而提高预测准确度.
• 确定的大脑区域为自闭症的潜在机制提供了宝贵的见解.