利用 Deep InfoMax 预测阿尔茨海默病的进展
该研究提出了一种多模态分层多任务学习方法,可以在访问轨迹的每个时间点监控疾病进展的风险,并且相较于最先进的基线模型,在预测阿尔茨海默病进展风险和综合评分上表现更好。
Apr, 2024
阿尔茨海默病(AD)是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化,并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架,使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法,提取了输入特征的相关性,增强了对学习表示的理解。实验结果表明,我们的模型能够在 CN/AD 分类中达到 SOA,平均测试准确率为 0.926±0.02。对于 MCI 任务,使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节,并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言,我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力,同时为重要的生物学洞察提供了新的见解。
Jun, 2024
通过使用深度学习技术,特别是基于最先进的卷积神经网络(CNNs),对磁共振成像(MRI)数据进行分类,以便识别阿尔茨海默病(AD),该研究报告了采用多个 CNN 模型的集成方法来提高检测的查全率和准确性,其中多数投票法表现得更好。我们提出的方法在测试中获得了 90% 的准确率、0.90 的精确度和 0.89 的召回率。未来可以扩展该研究以纳入其他类型的医学数据,包括信号、图像和其他数据,使用其他分类器、神经网络和人工智能技术以提高阿尔茨海默病的检测。
May, 2024
本文提出了一个利用多模态和多尺度深度神经网络的新框架来早期诊断阿尔茨海默病,能够更好地表征人脑变化,并比现有文献的结果具有更好的区别能力。该方法在 3 年内预测致残的受试者的准确度为 85.68%。
Oct, 2017
通过对 ADNI 数据集所得的 PET 扫描图像进行深入研究,本文使用了 VGG16、AlexNet 和一个自定义的卷积神经网络(CNN)模型来将阿尔茨海默病分类为控制正常组(CN)、进展性轻度认知障碍组(pMCI)、稳定性轻度认知障碍组(sMCI)和阿尔茨海默病组(AD),最后采用融合技术改进了模型的整体结果,结果显示使用深度学习模型区分 MCI 患者的平均准确率为 93.13%,AUC 为 94.4%。
Mar, 2024
本论文通过迁移学习的方法,使用预训练的深度学习模型,选取信息熵最大的 MRI 图像进行训练,证明相比于当前的基于深度学习的方法,使用小得多的训练样本数量,可以达到类似甚至更好的性能。
Nov, 2017
采用 RF、SVM 和 CNN 算法,并利用分水岭分割从 MRI 图像中提取特征,我们提出了一种对痴呆的四个阶段进行分类的方法。结果显示,具有分水岭特征的 SVM 具有 96.25% 的令人印象深刻的准确率,超过其他分类方法。该方法在 ADNI 数据集上评估,并观察到分水岭分割的引入有助于模型的改进性能。
Nov, 2023
本文介绍一种名为 Video Deep InfoMax (VDIM) 的自监督学习方法,将原 DeepInfoMax 扩展至视频领域,其利用内部结构构建视图,并利用这些视图进行预测任务,从而实现对 UCF-101 数据集的行为识别任务的 SoTA 预测结果。
Jul, 2020
本研究利用自监督对比学习方法和基于游程的神经网络模型,通过解剖学磁共振成像生成的结构性脑网络预测 MCI 向 AD 的转变,并可视化模型解释以识别白质通路异常变化。
Mar, 2022