多模态对比学习和表格注意力模型在自动化阿尔茨海默病预测中的应用
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
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
通过使用深度学习和图像识别技术,本研究提出了一种基于卷积神经网络的新型阿尔茨海默病检测模型,该模型利用预训练的 ResNet 网络作为骨干,结合了 3D 医学图像的后融合算法和注意力机制,实验证明引入的 2D 融合算法有效降低了模型的训练开销,而注意力机制准确评估了图像中重要区域,进一步提高了模型的诊断准确性。
Jan, 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
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
提出了一种集成声学、认知和语言特征的多模式系统,使用带时间特征的专业人工神经网络以检测阿尔茨海默病和其严重程度,并在 ADReSS 挑战数据集上获得了 83.3%的精度并在 DementiaBank Pitt 数据库上获得了 88.0%的分类精度,验证了无意识语音的通用性和可移植性。
Aug, 2020
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
该研究介绍了一种结合 SimCLR 和 SCARF 的自监督对比学习框架,使用心脏 MR 图像和 120 项临床特征预测冠状动脉疾病风险,并展示了标签作为特征的监督式对比学习的性能。
Mar, 2023
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
本研究提出了一种基于 ResNet 的端到端 3D CNN 框架,结合注意力机制作用下获取的多层特征,以更好地捕捉脑部图像的细微差异,用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证,基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率,并且超过了一些最先进的方法。
Aug, 2023