Mar, 2024

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

PDF
TL;DR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。
alzheimer's diseasegraph theorydeep learningamyloid plaquestau tangles
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

  • 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

  • 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

  • 通过反事实推断识别 Amyloid-beta 积累与阿尔茨海默病进展之间的因果关系

    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

  • 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

  • 阿尔茨海默病相关脑功能网络的拓扑性质变化

    研究使用功能性磁共振成像技术研究人类大脑活动的异常功能性特征，包括与神经退行性疾病相关的异常功能特征，进而比较带有阿尔茨海默病和正常对照组之间的功能脑网络拓扑特性差异，结果表明 AD 患者存在异常的网络整合和分离，这些发现有助于从功能脑网络结构角度提高我们对 AD 病理生理学的认识，并可能有助于识别 AD 生物标志物。

    May, 2023

  • 基于深度监督可适应三维卷积网络的阿尔茨海默病诊断

    本文提出了一种基于 3D 卷积神经网络的方法，通过学习通用的 AD 生物标志物特征并适应不同领域的数据集，在没有经过颅骨去除的 MRI 数据集上，通过对解剖形态变异的捕捉，实现了 AD 的预测和分类，并在实验中验证了其优越性和鲁棒性。

    Jul, 2016

  • 使用生成对抗网络进行跨模态翻译以揭示阿尔茨海默病生物标志物

    研究探索了在阿尔茨海默病的语境中使用生成对抗网络（GAN）从功能网络连接和 T1 加权结构磁共振成像数据中生成相应的数据，并通过集成弱监督的方式提高数据过渡的质量。结果显示模型具有良好的相似性和相关性，并在阿尔茨海默病患者的脑部图像中发现了特定的变化模式。

    May, 2024

  • 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

    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。

    Oct, 2023

  • 基于连接组学的大脑疾病分析可解释化图神经网络

    该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

    Jun, 2022