一个可解释的生成多式神经成像-基因组学框架,用于解码阿尔茨海默病的疾病

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:

• 阿尔茨海默病 (AD) 是全球痴呆的主要原因.
• 轻度认知障碍 (MCI) 是阿尔茨海默病的前发症阶段,患者要么进展到阿尔茨海默病,要么保持稳定.
• 多模式数据集成和处理缺失数据对于准确的AD和MCI预测至关重要.

研究的目的:

• 开发一种多式深度学习 (DL) 框架,用于对AD患者与健康对照进行分类.
• 为了检测使用多式核磁共振和单核酸多态 (SNP) 的MCI转换器.
• 为了归纳缺失的多式联运数据,并提高模型的可解释性.

主要方法:

• 一个多式联网DL框架,包含一个生成模块 (循环GANs) 用于缺失数据的归算.
• 可解释AI (XAI) 的应用,用于特征相关性提取和模型可解释性.
• 利用结构和功能MRI数据与SNP一起用于分类和预测任务.

主要成果:

• 在AD检测 (0.926±0.02) 和MCI转换预测 (0.711±0.01) 中取得了高准确性.
• 在AD相关的皮质和皮质下大脑区域中确定了灰质调制.
• 揭示了感觉运动和视觉静止状态网络的损伤,并将基因突变与内细胞分裂,粉样蛋白-β和胆固醇通路联系起来.

结论:

• 综合性和可解释的DL方法在AD检测和MCI预测方面表现强.
• 该框架为AD病变发生提供了有价值的生物学见解.
• 这种方法为早期诊断和了解AD和MCI提供了一个有希望的工具.