通过反事实推断识别 Amyloid-beta 积累与阿尔茨海默病进展之间的因果关系
通过结构、功能和扩散性 MRI 数据的多模态集成信息,可以准确判别 Aβ 血型在阿尔茨海默病连续性中的状态,为该领域的进一步研究铺平了道路。
Jun, 2024
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
通过使用我们提出的框架,综合对应于反事实的结构性磁共振图像,并将其转化为灰质密度图来衡量其在感兴趣区域(ROI)中的体积变化,本研究通过采用一个轻量级的线性分类器来增强构建的 ROIs 的有效性,进而实现了定量诠释,达到了与深度学习方法相当的预测性能,该框架为每个感兴趣区域提供了一个 “与阿尔茨海默病相关性指数”,从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。
Oct, 2023
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
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
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
开发一种 3D 图像转换模型,能够从 T1 加权 MRI 合成淀粉样蛋白 PET 图像,通过模型训练和验证,证明了从结构性 MRI 图像中合成淀粉样蛋白 PET 图像的可行性,大大提高了大型队列研究和早期痴呆症检测的可访问性,同时降低成本、侵入性和辐射暴露。
May, 2024
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
通过 AI 技术应用于神经影像数据,潜在改善早期阿尔茨海默病的诊断、预后及管理。解决数据标准化、模型可解释性、泛化性、临床整合和道德考虑等挑战对于实现 AI 在阿尔茨海默病研究和临床实践中的完全潜力至关重要。研究者、临床医生和监管机构的合作努力是为了开发可靠、稳健和道德的 AI 工具,造福于阿尔茨海默病患者和社会所必需的。
Jun, 2024