AD-BERT:使用预训练上下文嵌入技术预测轻度认知障碍进展为阿尔茨海默氏病
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
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
Med-BERT 是一种基于 BERT 框架训练的语境嵌入模型,适用于在数据集较小的情况下预测疾病。通过电子病历研究心力衰竭和胰腺癌的预测,表明 Med-BERT 具有较高的准确性和泛化性能,可以大幅提升深度学习模型的性能和推广医疗人工智能的发展。
May, 2020
本文通过使用基于提示的微调技术,结合语音中存在的顿挫特征,优化了已有的语言模型,建立了一套 AD 自动检测系统,实验结果表明利用提高语调或语速左右的提示词建议的自然而然的语音可以有效提高自动检测系统的性能。
Oct, 2022
使用多模式深度学习方法通过语音和相应的文本同时检测多种言语段落的诊断,其模型在 Dementiabank Pitt 语料库上获得了 85.3% 的准确率。
Nov, 2020
这篇研究论文探讨了如何通过自然语言处理和机器学习等方法,借助 Alzheimer's disease 相关数据集,提高人类认知障碍的检测准确性,与传统检测方法相比,使用 fine-tuned BERT 模型在 Alzheimer's disease 检测任务上具有更好的表现。
Jul, 2020
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
阿尔茨海默病是一种进展性的神经退行性疾病,全球有 5000 万人患病。尽管这是一种重大的健康负担,可用于治疗该疾病的方法有限,并且其根本原因仍然不明。我们使用无监督学习技术对来自一组记忆障碍患者的电子健康记录进行特征化分析,以揭示该疾病人群的异质性。通过对医疗代码的预训练嵌入以及基于 Transformer 的临床 BERT 嵌入对患者电子健康记录进行编码,我们确认了亚群体的存在,并讨论了它们的临床意义。
Mar, 2024
阿尔茨海默病是一种影响老年人认知和运动功能的进展性神经退行性疾病,通过磁共振成像这种易于接触的方法早期检测阿尔茨海默病对于开发有效干预措施至关重要。本研究旨在对选择基于磁共振成像的生物标志物和将个体区分为健康对照和表现出 5 年内轻度认知损伤的不稳定对照的机器学习技术进行全面分析。该研究利用阿尔茨海默病神经信息学计划(ADNI)和开放获取系列成像研究 3(OASIS-3)的磁共振成像数据,主要关注健康对照和不稳定对照参与者。结果显示高斯朴素贝叶斯和 RusBoost 分类器在 ADNI 数据集上表现最佳,准确率分别达到 76.46% 和 72.48%。对于 OASIS-3 数据集,核朴素贝叶斯和 RusBoost 在 64.66% 至 75.71% 的范围内获得准确率,而在年龄匹配的数据集中进一步提高。计算得出早期认知衰退期间颞内侧皮层、海马体、侧脑室和外侧眶额叶等脑区受到显著影响。尽管存在样本规模较小等限制,本研究的数据协调方法增强了生物标志物选择的稳健性,预示着这种半自动机器学习工作流程在使用磁共振成像进行早期阿尔茨海默病检测方面的潜力。
May, 2024
本文探讨了使用机器学习预测阿尔茨海默病恶化的能力,并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果,即针对健康组和轻微认知障碍组的恶化预测,分别使用了 CART 和 Elastic Net 获得了较好的结果。
Jun, 2023