Mar, 2024

基于条件评分的扩散模型用于皮层厚度轨迹预测

PDF
TL;DR阿尔茨海默病是一种神经退行性情况，其进展速度因个体而异，与皮层厚度的变化密切相关，准确预测皮层厚度的轨迹可以显著提升早期诊断和干预策略，然而，长期数据经常遭受时间上的稀疏和不完整，我们提出了一种用于生成给定基线信息下皮层厚度轨迹的条件分数扩散模型，该模型在训练阶段利用所有可用数据，仅基于基线信息进行预测，无需先验的皮层厚度进展历史，通过对亚组进行比较，我们发现该模型预测的皮层厚度与真实值在 6-36 个月内几乎无偏差，有较窄的 95％置信区间，此外，我们的条件分数扩散模型具有随机生成的特性，因此我们对患者特定皮层厚度的预测进行了不确定性分析。
发现论文，激发创造
  • 用于脑龄预测的半监督扩散模型

    我们采用半监督扩散模型，在低质量的 T1w MR 图像上获得了年龄的预测结果与实际年龄之间 0.83（p<0.01）的相关性，这竞争力超过了最先进的非生成方法。此外，我们模型的预测结果与肌萎缩侧索硬化的生存期长度有显著相关性 (r=0.24, p<0.05)，从而显示了扩散模型在脑龄预测任务中的价值。

    Feb, 2024

  • 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

  • TADM：面向脑 MRI 神经退行性进展的时序感知扩散模型

    提出了一种 Temporally-Aware Diffusion Model (TADM) 的方法，该方法可以准确推测脑 MRI 的进展，包括结构变化和时间间隔，它通过学习扫描之间的强度差异以及与初始基线扫描结合来生成未来的 MRI。通过在 OASIS-3 数据集上进行的评估，表明 TADM 相比现有方法在模拟脑神经退行性进展方面取得了显著的改进。

    Jun, 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

  • 预测轻度认知障碍发展为阿尔茨海默病

    本研究利用自监督对比学习方法和基于游程的神经网络模型，通过解剖学磁共振成像生成的结构性脑网络预测 MCI 向 AD 的转变，并可视化模型解释以识别白质通路异常变化。

    Mar, 2022

  • TauAD: 基于条件扩散模型的 PET 成像无需 MRI 的 Tau 异常检测

    通过提出一种新颖的条件扩散模型，从 tau PET 成像数据中进行无 MRI 异常检测，并通过训练支持向量机（SVM）对疾病严重程度进行分类，该方法在 AD 患者和亚临床受试者中表现出高准确性和生物相关性。

    May, 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

  • 评估纵向数据在阿尔茨海默病预测中的意义

    利用变压器编码器模型来表征纵向患者数据的重要性，以预测阿尔茨海默病（AD）的进展。我们的模型 LongForMAD 利用包含多模态数据的患者访问序列中嵌入的全面时间信息，提供对疾病进展的更深入理解，比仅基于单次访问数据获得的理解更有效。我们在两个患者群体（认知正常和轻度认知障碍）的随访五年内进行了经验分析。实验结果显示，结合更长时间的患者病史的模型可以胜过仅依赖当前信息的模型，这表明更深入的历史背景对于提高未来 AD 进展的预测准确性至关重要。我们的研究结果支持在临床环境中利用纵向数据来增强 AD 的早期检测和监测。

    May, 2024