本研究利用基因本体论或 Kyoto 基因组百科数据库的途径先验知识创建了一种基于深度学习的神经网络模型 (PINNet)，发现基因表达式与疾病的密切相关性，并推断细胞迁移、PI3K-Akt、MAPK 信号转导、凋亡、蛋白质泛素化和 T 细胞活化与阿尔茨海默病 (AD) 有关的重要途径。

Nov, 2022

通过提出一种新颖的条件扩散模型，从 tau PET 成像数据中进行无 MRI 异常检测，并通过训练支持向量机（SVM）对疾病严重程度进行分类，该方法在 AD 患者和亚临床受试者中表现出高准确性和生物相关性。

May, 2024

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

提出一种基于三维卷积神经网络和双重注意力模块的重现性模型，用于阿尔茨海默病分类，通过在 ADNI 数据库上训练并在 AIBL 和 OASIS1 两个独立数据集上验证，该方法在 MCI 进展分类方面的准确率达到 91.94％，在阿尔茨海默病分类方面的准确率达到 96.30％，并具有良好的泛化能力，在 AIBL 和 OASIS1 数据集上的准确率分别达到 86.37％和 83.42％。

Oct, 2023

本文介绍了使用图卷积神经网络的图变系数神经网络 (GVCNet) 来估计连续治疗水平下的个体治疗效果，并强调因果推断方法包括 GVCNet 可用于衡量淀粉样 β 的沉积和 AD 病理生理学之间的区域性因果关系，这可能会成为早期诊断和定制护理的强有力工具。

Jul, 2023

通过引入一种新的正则化方法，我们提出了一种预测阿尔茨海默病进展的方法，旨在保持疾病风险随时间递增的单调性，同时保留预测准确性。

Mar, 2024

阿尔茨海默病是一种神经退行性情况，其进展速度因个体而异，与皮层厚度的变化密切相关，准确预测皮层厚度的轨迹可以显著提升早期诊断和干预策略，然而，长期数据经常遭受时间上的稀疏和不完整，我们提出了一种用于生成给定基线信息下皮层厚度轨迹的条件分数扩散模型，该模型在训练阶段利用所有可用数据，仅基于基线信息进行预测，无需先验的皮层厚度进展历史，通过对亚组进行比较，我们发现该模型预测的皮层厚度与真实值在 6-36 个月内几乎无偏差，有较窄的 95％置信区间，此外，我们的条件分数扩散模型具有随机生成的特性，因此我们对患者特定皮层厚度的预测进行了不确定性分析。

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

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

使用 LSODA 算法生成数据集，离线训练神经网络来估计 SIR 模型中的参数，并进行通用性测试和进一步优化，以在比物理信息神经网络更少的时间内实现治疗高传染疾病的参数估计。

Mar, 2023