多模式动态层次集群模型用于中风后认知障碍的预测
Chen Bai1,2, Tan Li3, Yanyan Zheng4
1Neurology Department, Wenzhou Third Clinical Institute Affiliated to Wenzhou Medical University, Wenzhou People's Hospital, Wenzhou, Zhejiang, 32500, China.
Visual computing for industry, biomedicine, and art
|September 1, 2025
概括
这项研究引入了一种新的人工智能模型,用于早期预测中风后认知障碍 (PSCI). 多模态动态层次聚类网络 (MDHCNet) 准确地识别了与中风后认知衰退相关的大脑变化.
科学领域:
- 神经科学
- 人工智能
- 医学成像
背景情况:
- 脑卒中后认知障碍 (PSCI) 是中风的常见和严重后果.
- 早期预测PSCI对于个性化康复策略至关重要.
- 目前的预测方法在整合多模式数据和捕捉复杂的大脑变化方面面临挑战.
研究的目的:
- 开发一个准确和可解释的AI模型来预测PSCI.
- 利用多模式神经成像和临床数据进行更好的预测.
- 推出多式模式的动态分类网络 (MDHCNet).
主要方法:
- 从扩散权重成像,磁共振血管造影和T1/T2权重的MRI构建大脑图.
- 整合多模式脑图与临床特征使用层次交叉模式融合模块.
- 使用图形神经网络架构 (MDHCNet) 进行PSCI预测.
主要成果:
- 与现有的深度学习模型相比,MDHCNet在真实世界中风队列中表现出卓越的表现.
- 废弃研究证实了多模式数据融合的有效性.
- 基于 Saliency 的解释确定了与认知障碍相关的关键大脑区域.
结论:
- MDHCNet为早期PSCI预测提供了一种有效和可解释的方法.
- 该模型有可能指导个人化中风康复的临床决策.
- 这项工作促进了人工智能在理解和管理神经系统疾病方面的应用.


