塔斯网:一个三模态的注意力尺度强大的自适应融合框架,用于渐进的轻度认知障碍分类

科学领域:

• 神经成像是一种神经成像.
• 生物标记分析 生物标记分析
• 人工智能在医学中的应用

背景情况:

• 准确预测渐进的轻度认知障碍 (pMCI) 与稳定的MCI (sMCI) 是早期阿尔茨海默病 (AD) 干预的关键.
• 目前使用PET和sMRI的方法面临挑战,原因是异质的尺度,不规则的分布和病变的时间异步,导致不足的特征提取和融合.
• 将脑脊液 (CSF) 数据与神经成像集成为改善诊断准确性的潜在途径.

研究的目的:

• 为准确的pMCI与sMCI分类开发一个创新的,功能规模强大的框架.
• 解决现有方法的局限性,用于提取和融合多模式成像数据 (PET,sMRI) 和CSF生物标志物.
• 在早期AD预测中提高具有挑战性的病例的可分辨性.

主要方法:

• 引入三模式注意力规模强大网络 (TASNet),这是一个端到端的框架,集成PET,sMRI和CSF数据.
• 使用3D平行轴融合注意力 (PAFA) 机制和分布变量心脏空间金字塔聚合 (DV-ASPP) 进行多层次的病理特征捕获.
• 采用硬度感应混合损失 (HAHL) 功能,通过对称动态通道来改善困难案例的分类和自适应融合.

主要成果:

• 在pMCI/sMCI分类的ADNI数据集上,TASNet实现了85.00%的准确性和91.67%的AUC.
• 可解释性分析证实了该模型的重点是与AD病理学一致的大脑区域,如叶和叶.
• 与最先进的方法相比,拟议的方法表现出更高的性能,减少信息丢失和有效处理多层次特征.

结论:

• 塔斯网为早期AD预测提供了强大的技术解决方案,具有高准确性和可靠性.
• 该框架通过专注于病理相关的大脑区域来提供临床解释性.
• 这种方法提高了pMCI/sMCI预测的分类指标,优于现有的方法.