双层超图网络用于多模式阿尔茨海默病诊断
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
本文研究半监督图分类,在有限标记图和丰富未标记图的场景下准确预测图的类别。通过提出一个名为 HEAL 的超图增强的 DuAL 框架,该框架分别从超图和线图的角度捕捉图的语义,以解决现有图神经网络对大量昂贵标记图的需求以及对节点之间高阶依赖关系建模能力不足的问题。在设计了适应性学习复杂节点依赖关系的超图结构学习的基础上,利用学习到的超图引入线图来捕捉超边之间的交互,从而更好地挖掘潜在的语义结构,并开发了关系一致性学习来促进两个分支之间的知识传递和更好的相互引导。对真实世界的图数据集进行的广泛实验验证了所提方法相对于现有最先进方法的有效性。
May, 2024
这篇论文介绍了一种能够在分布式数据上训练的符合 HIPAA 规范的框架,并提出了一个用于阿尔茨海默病(AD)检测的多模态垂直联邦模型。这种垂直联邦模型能够在不违反 HIPAA 所施加的隐私限制的情况下,实现跨不同源医学数据的协同学习,并利用多种数据模态提高 AD 检测的稳健性和准确性。该研究旨在通过使用垂直联邦学习,提供一个框架使医疗机构能够利用分布式数据集中蕴含的集体智慧,而不会损害患者隐私。
Dec, 2023
提出了一种动态双图融合卷积网络来提高阿尔茨海默病的诊断性能,该网络可以动态调整图结构以产生更好的诊断结果,并结合特征图和动态图学习来增加有用特征的权重并减少噪音特征的权重。实验证明该模型在阿尔茨海默病的诊断中具有灵活性和稳定性,并取得了优秀的分类结果。
Aug, 2023
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
提出了一种集成声学、认知和语言特征的多模式系统,使用带时间特征的专业人工神经网络以检测阿尔茨海默病和其严重程度,并在 ADReSS 挑战数据集上获得了 83.3%的精度并在 DementiaBank Pitt 数据库上获得了 88.0%的分类精度,验证了无意识语音的通用性和可移植性。
Aug, 2020
提出了一种通用的多模态对比学习框架,用于结合图像数据和表格数据,通过新颖的表格注意模块增强和排名表格中突出特征,并应用于阿尔茨海默病预测,实验证明了该框架的有效性。
Aug, 2023
我们介绍一种名为 HetMed 的图形框架,可以将多模态医疗数据融合在一起,这通过构造一个多重网络来实现,该网络涵盖患者的多种非图像特征,以系统的方式捕捉患者之间的复杂关系,从而实现更准确的临床决策,并在各种实际数据集上证明了 HetMed 的优越性和实用性。
Nov, 2022
机器学习在医生对病人的发展趋势获得洞察力方面受到越来越多的关注。我们提出了一种名为多模态 UMLS 图神经网络学习(MMUGL)的新方法,用于使用基于统一医学语言系统的知识图上的图神经网络学习医学概念的有意义的表示。这些表示被聚合表示整个病人就诊情况,然后输入到序列模型中以在病人的多次医院就诊的粒度上进行预测。我们通过整合先前的医学知识并考虑多种模态来提高性能。我们将我们的方法与用于不同粒度上学习表示的现有架构在 MIMIC-III 数据集上进行比较,并展示出我们的方法优于这些方法。结果表明了基于先前的医学知识的多模态医学概念表示的重要性。
Jul, 2023