通过结构和基于特征的图表注意力网络从多中心数据中心通过早期阿尔茨海默病的分类

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 阿尔茨海默病 (AD) 构成了全球重大健康挑战,需要在早期诊断工具方面取得进展.
• 多模式数据分析为增强特征表达和改善AD的诊断准确性提供了潜力.
• 当前的诊断方法往往缺乏早期和精确的AD检测所需的灵敏度.

研究的目的:

• 开发一种新的图形注意力网络,用于整合多模式数据 (成像和非成像) 以改善阿尔茨海默病诊断.
• 利用基于结构和基于特征的方法来进行强大的特征提取和分类.
• 通过融合来自各种来源的信息和利用注意力机制来提高诊断性能.

主要方法:

• 用小组稀疏表示方法来限制大脑功能网络中血氧水平依赖 (BOLD) 信号之间的相关性.
• 结构性大脑网络被用来监督生物学上重要的功能网络的构建.
• 构建了一个稀疏的图形,结合了受试者的人口统计 (性别,年龄) 和多中心神经成像特征.
• 用参数共享和注意力机制的图形注意力网络提取单个和常见的嵌入物进行分类.

主要成果:

• 拟议的图表注意力网络有效地整合了多模式数据,包括BOLD信号和人口信息.
• 通过注意力机制,拓结构和特征信息的融合显著改善了诊断性能.
• 阿尔茨海默病神经成像计划 (ADNI) 和内部数据集的实验结果显示,与传统方法相比,性能优越.

结论:

• 新型图表注意力网络通过有效整合多模式数据,为早期阿尔茨海默病诊断提供了强大的框架.
• 该方法实现了卓越的诊断准确性,突出了先进机器学习技术在神经退行性疾病研究中的潜力.
• 这种方法提供了一个有希望的途径,通过更早,更准确地检测阿尔茨海默病,改善患者的治疗结果.