通过引入多模态方法，结合深度学习和图融合技术，我们的研究提出了一种用于帕金森病分类的图视多模态方法，实验结果表明，在五折交叉验证中，该方法可以达到 91% 的准确率和 92.8% 的 AUC，并且相比仅依赖机器学习方法的方法，在非图像数据上具有更强的预测能力。

Nov, 2023

该研究使用 “帕金森病进展标志倡议” 数据集，开发了一个 3DCNN + LSTM 模型，通过分析磁共振成像数据来识别帕金森病的进展阶段，并取得了具有最先进结果的 91.90％的分类准确率。

Dec, 2023

利用深度卷积神经网络和课程学习，作者定义了一个难度逐渐增加的训练流程，以提高磁共振成像在帕金森病分类中的性能。

Feb, 2023

本文提出了使用 MRI 和 DTI 两种不同模态的直接三类 PD 分类方法，通过使用白质和灰质 MRI 数据以及 DTI 数据的有限阻抗和平均扩散度，利用四个独立 CNN 模型进行决策层融合，实现了对公开 PPMI 数据库中 PD、健康人群和无多巴胺缺陷证据扫描的直接三类 PD 分类，获得了 95.53% 的准确率。通过一系列消融研究明确证明了我们提出的解决方案的有效性。

Jul, 2023

本文提出了一种利用图卷积网络的通用框架，该框架旨在将人群表示为一个稀疏图，其中其节点与基于成像的特征向量相关联，而表型信息则作为边权集成，以在大型人群中进行脑分析，本框架可以用于疾病预测任务，能够显著提高预测性能，并在测试了两个大型数据集，ABIDE 和 ADNI，以分别预测自闭症谱系障碍和转化为阿尔茨海默病的结果。

Jun, 2018

该研究提出了一种用于诊断帕金森病步态的高效深度神经网络模型。具体地，我们引入了一种混合的 ConvNet-Transformer 架构，通过检测疾病的严重程度准确诊断帕金森病。所提出的架构通过单一的端到端模型充分利用了卷积神经网络和 Transformer 的优势，前者能够从纵向地面反作用力信号中提取相关的局部特征，而后者能够捕捉数据中的长期时空依赖关系。我们的混合架构相比于单独使用任一模型获得了改进的性能。实验结果表明，我们的方法对于从步态数据检测帕金森病不同阶段是有效的，最终准确率达到了 88%，超过了 Physionet 步态数据集上其他最新人工智能方法。此外，我们的方法可以推广和适应其他分类问题，在处理一维信号中的特征相关性和时空依赖性问题上具有潜力。我们的源代码和预训练模型可以在此 https URL 公开获取。

Nov, 2023

我们提出了一种深度学习模型，利用步态周期数据集实现对帕金森病的二分类早期检测，通过使用 1D - 卷积神经网络（CNN）、门控循环单元（GRU）和图神经网络（GNN）层，协同地捕捉数据中的时序动态和空间关系，从而实现了非凡的性能表现，准确率、精确率、召回率和 F1 得分分别为 99.51%、99.57%、99.71% 和 99.64%。

Apr, 2024

该研究评估了在应用于帕金森病和对照样本的高通量生物数据的病例对照分类中，基于样本相似性网络和分子相互作用网络的多个图表示学习模型，包括蛋白质 - 蛋白质和代谢物 - 代谢物相互作用。通过系统应用于转录组学和代谢组学数据的比较分析，突出了各种架构在提取组学数据模式方面的优点和局限性，为生物医学研究中更准确、可解释的模型铺平了道路。

Jun, 2024

该研究提出了一种基于深度学习模型的帕金森病诊断方法，利用静息状态脑电图信号，通过提取复杂的隐藏非线性特征并展示其在未见数据上的泛化能力，该模型由卷积神经网络、双向门控循环单元和注意力机制构成，并在三个公开数据集上进行评估，结果表明该模型在训练和测试数据集上均能准确诊断帕金森病，即使输入信息的部分缺失也能表现良好。该研究结果对患者治疗和帕金森病早期检测持有重要意义，该提出的模型有望成为一种非侵入性且可靠的利用静息状态脑电图进行帕金森病早期检测的技术。

Aug, 2023

本文使用 3D 卷积变分自编码器，通过学习低维度大脑成像数据来追踪帕金森病神经退行变化的症状学，并展示该方法在 PD 患者和健康对照组上的有效性，显示出表征学习不仅有助于早期诊断，也有助于理解神经退行过程和症状学。

May, 2023