Oct, 2023

深度几何学习及单调性约束在阿尔茨海默病发展中的应用

PDF
TL;DR这篇研究提出了一种新的几何学学习方法，通过结合拓扑空间转移、ODE-RGRU 和轨迹估计来建模长期的磁共振成像生物标记物和认知评分，并开发了一种训练算法，将流形映射与单调性约束相结合，以反映测量转换的不可逆性。通过在规则和不规则环境下预测临床标签和认知评分的时间，验证了所提出方法的有效性，并通过消融研究对该框架进行了全面分析。
alzheimer's diseasemrideep learninggeometric modelingclinical diagnosis
发现论文，激发创造
  • 学习阿尔茨海默病的不可逆进展轨迹

    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

  • 多模态分层多任务深度学习框架，用于联合预测和解释阿尔茨海默病进展

    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

  • 区域深度萎缩：一种自监督学习方法，用于从纵向磁共振成像中自动识别与阿尔茨海默病进展有关的区域

    通过结合时间推断、可变形配准神经网络和注意力机制，本文提出了区域性深度萎缩（RDA）方法用于通过 MRI 图像监测神经退行性疾病（如阿尔茨海默病）的病程变化，同时提供了解释性更强的研究结果。

    Apr, 2023

  • 结构注重型神经退行性卷积神经网络用于阿尔茨海默病建模与分类

    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

  • 基于深层反事实推断的阿尔茨海默病预测的量化可解释模型

    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

  • 基于时空相似性度量的基于多任务学习的磁共振成像数据预测阿尔茨海默病进展

    通过基于时空相似性度量的多任务学习方法，我们提出了一种新颖的方法，用于有效预测阿尔茨海默病（AD）进展并敏感地捕捉生物标志物之间的关键关系。实验结果表明，与基于感兴趣区域（ROIs）的学习相比，我们的方法在预测疾病进展方面更加有效，并能够进行纵向稳定性选择以确定生物标志物之间的变化关系。我们证明了皮质体积或表面积之间的协同恶化生物标志物对认知预测具有显著影响。

    Nov, 2023

  • 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

  • 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

  • 利用神经常微分学习优化进行 MRI 图像重建

    本文提出将 MRI 图像重建问题作为一种优化问题，使用神经 ODE 模型其优化轨迹，并探究了基于三种 ODE 求解的模型，相比 UNet 和级联 CNN 等其他方法，模型表现更好，参数效率更高，从而引入一种新的通过神经 ODE 建模连续优化动力学的 MRI 重建方式。

    Jun, 2020

  • 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

    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。

    Sep, 2023