基于多模式图形融合的GCN用于使用fMRI和T1加权MRI诊断阿尔茨海默病的诊断

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 阿尔茨海默病 (AD) 是一种进展性神经退行性疾病,具有早期检测挑战.
• 目前的人工智能和神经成像方法在数据协调,透明度和生物标志物识别方面扎,原因是它们具有高度的维度和复杂的关系.
• 现有的方法往往导致过度装配,并阻碍了强大的AD生物标志物的可靠检测.

研究的目的:

• 提出一个新的多模态图融合图卷积网络 (MGF-GCN),用于准确和可解释的阿尔茨海默病诊断.
• 整合功能性 (fMRI) 和结构性 (T1w-MRI) 大脑特征,以提高诊断性能.
• 开发贝叶斯自我注意力图卷积网络 (BSAGCN) 以提高可解释性和降低噪声敏感性.

主要方法:

• 使用非线性格兰杰因果关系 (NGC) 来自休息状态fMRI (rs-fMRI) 的功能依赖构建的大脑图.
• 从T1加权MRI (T1w-MRI) 中纳入形态特征作为节点属性.
• 采用基于交叉注意力的图形融合策略来实现多模式表示对齐,并使用贝叶斯自我注意力图形卷积网络 (BSAGCN) 来增强可解释性.

主要成果:

• 拟议的MGF-GCN方法在诊断准确性方面明显优于现有方法.
• BSAGCN组件提高了模型的解释性,识别了关键的大脑区域.
• 该方法在识别阿尔茨海默病强大的生物标志物方面表现出更高的可靠性.

结论:

• MGF-GCN为早期和准确的阿尔茨海默病诊断提供了一个有希望的AI驱动的解决方案.
• 该方法为AD病理生理学提供了宝贵的见解,并支持临床决策.
• 开发的方法解决了当前用于神经退行性疾病的多模式神经成像分析的关键局限性.