KDDSep, 2019

基于解剖形状和表格临床数据的宽且深的神经网络生存分析

PDF
TL;DR研究利用神经网络将患者的 hippocampus 形态和临床生物标记结合，预测从轻度认知障碍到阿尔茨海默病的进展，并且在处理时间数据时采用了常用的生存分析方法。实验表明，该模型的表现优于处理形态数据以及处理临床生物标记数据的模型。
发现论文，激发创造
  • 深度多结构形状分析：在神经解剖学中的应用

    提出一种基于深度神经网络的神经解剖学形态学的有监督学习方法，直接对原始点云进行操作，通过空间变换网络将数据映射到规范空间，并通过网络的端对端训练阶段学习最优表示，通过多个分支来学习多个结构的特征，应用于阿尔茨海默病和轻度认知障碍的预测和脑龄的回归，最后通过适应点云遮挡法来可视化预测解剖重要部位。

    Jun, 2018

  • 预测阿尔茨海默病：一项基于三维卷积神经网络的神经影像学研究

    本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。

    Feb, 2015

  • 海马形态特征的多维分类区分阿尔茨海默病、轻度认知障碍和正常衰老

    本文提出一种使用多维分类和支持向量机基于海马形状特征来自动区分老年控制组、痴呆症 (AD) 以及轻度认知障碍 (MCI) 患者的新方法，并与海马体积测量和其他 SVM 整脑分类方法进行比较。结果表明，该方法的分类性能优于海马体积测量，并可作为帮助诊断 AD 的有用工具。

    Jul, 2017

  • 结构注重型神经退行性卷积神经网络用于阿尔茨海默病建模与分类

    该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

    Jan, 2024

  • 基于深度监督可适应三维卷积网络的阿尔茨海默病诊断

    本文提出了一种基于 3D 卷积神经网络的方法，通过学习通用的 AD 生物标志物特征并适应不同领域的数据集，在没有经过颅骨去除的 MRI 数据集上，通过对解剖形态变异的捕捉，实现了 AD 的预测和分类，并在实验中验证了其优越性和鲁棒性。

    Jul, 2016

  • 卷积神经网络在自动检测阿尔茨海默病中的设计

    本研究针对深度卷积神经网络应用于结构性脑部 MRI 扫描检测阿尔茨海默病的问题，提出几种可以提升模型性能的技术，其中包括实例规范化、年龄信息等，这些技术的应用可将模型的准确率提高 14%。

    Nov, 2019

  • 一个动态深度神经网络用于多模态临床数据分析

    本文介绍了 AdaptiveNet 重复神经网络的体系结构，以处理电子病历的多个事件列表，并应用于风湿性关节炎的疾病进展预测，优于传统基线方法。

    Aug, 2020

  • 深度分层生成模型解释解剖形态分析

    通过深度生成网络模拟人体解剖分割的总体和局部形貌特征，并利用条件潜在变量实现对临床疾病的可解释结果可视化诊断，从而为大规模的体积成像研究提供高通量分析的新方法。

    Jun, 2019

  • 应用图论和图神经网络揭示阿尔茨海默病演变变体中脑部病变的地形组织

    该研究利用图论和深度学习评估阿尔茨海默病（AD）神经病理学的变异，重点关注典型 AD 和快速进展型 AD 的形式。它分析了尸检脑组织中淀粉样斑块和 Tau 缠结的分布情况。将组织病理学图像转化为基于 Tau 病理学的图形，并使用导出的度量值进行统计分析和机器学习分类器。这些分类器采用 SHAP 值的可解释性来区分典型 AD 和快速进展型 AD。图神经网络（GNNs）在分析这些数据时展示了比传统 CNN 方法更高的效率，保留了空间病理学的上下文。此外，GNNs 通过可解释的人工智能技术提供了重要的见解。分析结果显示快速进展型 AD 中网络更密集，并对脑皮层层次结构产生独特的影响：快速进展型 AD 主要影响中间层，而典型 AD 影响同一脑皮区域的表浅层和深层。这些结果表明每种 AD 变异都具有独特的神经病理学网络组织。

    Mar, 2024

  • 多模态分层多任务深度学习框架，用于联合预测和解释阿尔茨海默病进展

    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