TriFormer:一种用于轻度认知障碍转化预测的多模态 Transformer 框架
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
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
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
通过大脑转录组学,我们提出使用信任的多视图多模态图注意力框架 (TMM) 进行阿尔茨海默病 (AD) 诊断,结合了脑的全面转录组和成像数据,并采用图注意力 (GAT) 处理和交叉模态注意力来融合转录组和成像导出的嵌入,使用真假融合的类别概率 (TFCP) 策略来评估和自适应调整各模态在 AD 诊断中的预测置信度。
Jun, 2024
本研究中,我们将集成学习与一致性预测器相结合的监督学习方法应用于预测从轻度认知障碍到阿尔茨海默病的转化。结果表明,我们的方法在对比使用标准分类器的相似集成框架中具有优势。
Jul, 2018
本研究使用一组自注意力瓶颈变换器与成像质量感知极小化器的集成方法,基于结构性磁共振成像技术早期检测阿尔茨海默症,检验性能指标包括准确率、精准率、召回率、F1 得分和曲线下面积(ROC-AUC)。
May, 2023
该研究提出了一种新的多模态神经影像关注机制的卷积神经网络结构,MNA-net,用于预测在 10 年内正常认知个体是否会发展为轻度认知障碍或阿尔茨海默病。通过使用注意机制形成 MRI 和 PET 图像的共享表示,MNA-net 在 OASIS-3 数据集上进行了测试,并具有 83% 的准确率,80% 的真阴性率和 86% 的真阳性率,相比之前的工作准确率和真阴性率分别提高了 5% 和 10%,这些结果表明了该模型在预测认知衰退方面的潜力和通过融合不同神经影像模态的关注机制来改进预测的能力。
Dec, 2023
提出了一种名为交叉模态变换生成对抗网络(CT-GAN)的新模型,能够从功能磁共振成像(fMRI)和扩散张量成像(DTI)中有效地融合功能和结构信息,并通过分析生成的连接特征来识别与阿尔茨海默病相关的大脑连接。评估结果表明,该模型能够显著提高预测性能,有效地检测与阿尔茨海默病相关的大脑区域,并为检测与该病相关的异常神经回路提供了新的见解。
Sep, 2023
该研究使用医疗电子记录中未结构化的临床笔记数据,采用基于 BERT 预训练模型的深度学习框架,预测从轻度认知障碍到阿尔茨海默症的疾病进展风险。
Nov, 2022