Sep, 2023

可解释的图神经网络在阿尔茨海默病及相关痴呆风险预测中的应用

PDF
TL;DR通过利用医疗索赔数据进行 ADRD 风险预测，在评估了 VGNN 模型的效率后，使用关系重要性方法来澄清 ADRD 风险预测的关键关系。VGNN 在接收工作特征曲线下的面积上超越了其他基准模型 10％，整合了 GNN 模型和关系重要性解释方法可为了解 ADRD 进展的因素提供宝贵的洞见，并展示了利用索赔数据进行其他图像分析预测的潜力。
alzheimer's diseasedementiaadrd risk predictiongraph neural networksmedical code relationships
发现论文，激发创造
  • 基于自适应门控图卷积网络的脑电数据可解释诊断阿尔茨海默病

    本研究提出了一种使用自适应闸门图卷积网络病诊断的方法，基于脑功能连通性图结构和节点特征增强的卷积方法，实现了对阿尔茨海默病患者的较高精确度预测，并提供了说明预测的一致解释的可能，有助于进一步研究 AD 相关的大脑网络变化。

    Apr, 2023

  • 利用大型语言模型基于电子健康记录预测阿尔茨海默病的增强风险

    通过利用语言模型为风险预测增添强大的能力，结合传统监督学习方法和大语言模型的决策机制，本研究提出的创新流程通过实际的电子健康记录数据仓库的评估表明有效地提高了预测性能，为改善 ADRD 筛查和早期检测实践带来了希望，并对患者管理策略产生潜在影响，进而改善医疗保健。

    May, 2024

  • 药物 - 疾病图谱：基于临床数据的图神经网络预测药物不良反应信号

    本研究提出了使用基于图的框架，结合医疗保险索赔数据和副作用数据库，使用图神经网络预测并发现潜在的不良药物反应对。与其他算法相比，该模型在 AUROC 和 AUPRC 性能方面表现出更好的表现。

    Apr, 2020

  • 应用图论和图神经网络揭示阿尔茨海默病演变变体中脑部病变的地形组织

    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

  • ADR-GNN：对流 - 扩散 - 反应图神经网络

    本文提出了一种基于对流 - 扩散 - 反应系统的新型图神经网络 (ADR-GNN)，在实际节点分类和时空数据集上的评估表明，ADR-GNN 在性能上改进或与最先进的网络具有竞争性。

    Jul, 2023

  • 在实际数据中识别与阿尔茨海默病及相关痴呆相关的因素的可行性

    通过回顾现有的荟萃分析和综述文章，本研究总结了 AD/ADRD 的风险因素，总共提取了 537 项研究中的 10 个类别的 477 个风险因素，并构建了一个交互式的知识图谱来传播研究结果。

    Feb, 2024

  • 利用阿尔茨海默病相关知识图谱，识别潜在的与 AD 相关的语义三元组以进行药物重用挖掘

    本研究旨在构建一个知识图谱以研究阿尔茨海默病（AD）与化学物质、药物和膳食补充剂之间的关系，从而识别预防或延缓神经退行性进展的机会，结果表明我们的图形挖掘模型可以预测 AD 和其他实体之间的可靠新关系。

    Feb, 2022

  • 基于图神经网络的概率生成模型在疾病基因预测中的应用

    本文研究使用 VGAE 和 C-VGAE 作为无监督的方法，利用图神经网络进行疾病 - 基因关联网络的潜在嵌入表示，进而解决疾病 - 基因预测问题，结果表明 VGAE 和 C-VGAE 方法具有很好的性能

    Jul, 2019

  • 应用图卷积网络进行疾病预测：自闭症谱系障碍和阿尔茨海默病为例

    本文提出了一种利用图卷积网络的通用框架，该框架旨在将人群表示为一个稀疏图，其中其节点与基于成像的特征向量相关联，而表型信息则作为边权集成，以在大型人群中进行脑分析，本框架可以用于疾病预测任务，能够显著提高预测性能，并在测试了两个大型数据集，ABIDE 和 ADNI，以分别预测自闭症谱系障碍和转化为阿尔茨海默病的结果。

    Jun, 2018

  • 用于解码阿尔茨海默病的可解释的多模态神经影像学 - 基因组学生成框架

    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