Oct, 2023

多模式识别阿尔茨海默病综述

PDF
TL;DR老年痴呆症是一种以认知障碍和记忆损失为特征的进行性神经障碍。本文旨在探索多种模态及其融合方法，提高早期诊断和干预老年痴呆症的效果。
alzheimer's diseasecomputer-aided diagnostic techniquesmodalitiesearly classificationfusion
发现论文，激发创造
  • 结构性 MR 和 FDG-PET 图像的多模态和多尺度深度神经网络用于早期诊断阿尔茨海默病

    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

  • 临床 MRI 扫描的多模态融合自动检测阿尔茨海默病

    研究老龄化人口与阿尔茨海默病的关系，通过深度学习和多模态信息，基于大脑 MRI 扫描预测疾病阶段，早期检测和治疗。

    Nov, 2023

  • 基于 3D CNN 的 sMRI 和 MD-DTI 图像分类，用于阿尔茨海默病研究

    本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

    Jan, 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

  • 基于 PET 扫描图像分析的阿尔茨海默病早期检测的集成方法引介

    通过对 ADNI 数据集所得的 PET 扫描图像进行深入研究，本文使用了 VGG16、AlexNet 和一个自定义的卷积神经网络（CNN）模型来将阿尔茨海默病分类为控制正常组（CN）、进展性轻度认知障碍组（pMCI）、稳定性轻度认知障碍组（sMCI）和阿尔茨海默病组（AD），最后采用融合技术改进了模型的整体结果，结果显示使用深度学习模型区分 MCI 患者的平均准确率为 93.13%，AUC 为 94.4%。

    Mar, 2024

  • 多模态神经退行性疾病分类的 ChatGPT 解释

    阿尔茨海默病（AD）是最常见的神经退行性疾病，但目前的可用治疗方法仅限于停止疾病进展。此外，由于该疾病的异质性，这些治疗方法的有效性并不保证。因此，能够在早期阶段确定疾病亚型至关重要。我们提出了一个多模态框架，使用早期指标如图像、遗传学和临床评估来对早期阶段的 AD 患者进行亚型分类。同时，我们建立提示并使用大型语言模型（如 ChatGPT）来解释我们模型的发现。在我们的框架中，我们提出了一个三模态共同关注机制（Tri-COAT），以明确学习跨模态特征关联。我们提出的模型优于基线模型，并提供了支持已知生物学机制的关键跨模态特征关联的洞察。

    Jan, 2024

  • 利用早期 - 晚期多模态数据融合和雅可比地图诊断阿尔茨海默病

    本文介绍了一种高效的机器学习方法，即早期 - 后期融合（ELF）方法，其中利用卷积神经网络进行自动特征提取，利用随机森林在小样本数据集上具有竞争力的性能，同时采用了适应各个个体特征的鲁棒的预处理流程，并将图像转换为雅可比域以提高分类的准确性和鲁棒性，实验证明本方法在将阿尔茨海默病分为四个阶段的分类中达到了 97.19％的准确率。

    Oct, 2023

  • 从语音和文本多模态检测阿尔茨海默病

    使用多模式深度学习方法通过语音和相应的文本同时检测多种言语段落的诊断，其模型在 Dementiabank Pitt 语料库上获得了 85.3% 的准确率。

    Nov, 2020

  • 识别早期轻度认知障碍的解剖生物标志物的机器学习方法

    阿尔茨海默病是一种影响老年人认知和运动功能的进展性神经退行性疾病，通过磁共振成像这种易于接触的方法早期检测阿尔茨海默病对于开发有效干预措施至关重要。本研究旨在对选择基于磁共振成像的生物标志物和将个体区分为健康对照和表现出 5 年内轻度认知损伤的不稳定对照的机器学习技术进行全面分析。该研究利用阿尔茨海默病神经信息学计划（ADNI）和开放获取系列成像研究 3（OASIS-3）的磁共振成像数据，主要关注健康对照和不稳定对照参与者。结果显示高斯朴素贝叶斯和 RusBoost 分类器在 ADNI 数据集上表现最佳，准确率分别达到 76.46% 和 72.48%。对于 OASIS-3 数据集，核朴素贝叶斯和 RusBoost 在 64.66% 至 75.71% 的范围内获得准确率，而在年龄匹配的数据集中进一步提高。计算得出早期认知衰退期间颞内侧皮层、海马体、侧脑室和外侧眶额叶等脑区受到显著影响。尽管存在样本规模较小等限制，本研究的数据协调方法增强了生物标志物选择的稳健性，预示着这种半自动机器学习工作流程在使用磁共振成像进行早期阿尔茨海默病检测方面的潜力。

    May, 2024

  • 基于神经影像生物标志物的阿尔茨海默病早期预测的人工智能研究述评

    通过 AI 技术应用于神经影像数据，潜在改善早期阿尔茨海默病的诊断、预后及管理。解决数据标准化、模型可解释性、泛化性、临床整合和道德考虑等挑战对于实现 AI 在阿尔茨海默病研究和临床实践中的完全潜力至关重要。研究者、临床医生和监管机构的合作努力是为了开发可靠、稳健和道德的 AI 工具，造福于阿尔茨海默病患者和社会所必需的。

    Jun, 2024