Apr, 2024

利用多模态规范化 ATN 生物标志物建模分析阿尔茨海默病的异质性

PDF
TL;DR本研究使用深度学习的多模态规范模型评估 ATN 生物标志物的区域性脑模式的异质性，发现对中度或重度痴呆症状的 ADS 个体而言，每种生物标志物都表现出更多的区域异常和模态特异性的区域异常模式，而 MRI 和 tau 异常更为多样化。DSI 是与痴呆症进展阶段相关的指标，与神经心理综合得分显著相关，并与 CDR 进展的纵向风险相关，这些结果在发现和复制的队列中都得到了验证。
alzheimer diseasemultimodal normative modelregional brain patternsatn biomarkersdsi
发现论文，激发创造
  • 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

  • 多模态 MRI 基于的阿尔茨海默病相关淀粉样蛋白状态的检测

    通过结构、功能和扩散性 MRI 数据的多模态集成信息，可以准确判别 Aβ 血型在阿尔茨海默病连续性中的状态，为该领域的进一步研究铺平了道路。

    Jun, 2024

  • 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

  • 脑全景影像转录组学数据增强的可信多视角多模态阿尔茨海默病预测

    通过大脑转录组学，我们提出使用信任的多视图多模态图注意力框架 (TMM) 进行阿尔茨海默病 (AD) 诊断，结合了脑的全面转录组和成像数据，并采用图注意力 (GAT) 处理和交叉模态注意力来融合转录组和成像导出的嵌入，使用真假融合的类别概率 (TFCP) 策略来评估和自适应调整各模态在 AD 诊断中的预测置信度。

    Jun, 2024

  • 通过条件变分自编码器和敌对学习实现规范建模，以识别阿尔茨海默病的脑功能障碍

    通过将条件变分自动编码器与对抗学习相结合（ACVAE），提出了一种新颖的规范建模方法，用于识别阿尔茨海默病中的脑功能异常。实验结果显示，该模型能够更准确地识别 AD，并更好地识别 AD 与对照组之间的差异。

    Nov, 2022

  • 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

  • 基于机器学习的多模态神经影像基因组老年痴呆评分模型，用于预测未来转化为阿尔茨海默病

    研究利用多模态数据开发和分析新的生物标志物来帮助预测老年痴呆症的发展和进展，MRI 数据反映大脑的解剖学变化，而遗传数据可以在症状发作前检测 DAT 进展的风险，综合多模态数据的信息可以提高预测表现。

    Mar, 2022

  • 用于从 sMRI 和 PET 扫描早期诊断阿尔茨海默病的多模态图神经网络

    采用深度学习模型结合多模态数据进行阿尔茨海默病的早期诊断，通过图神经网络框架将结构和功能融合，提高诊断效果。

    Jul, 2023

  • 基于混合乘积专家变分自编码器的多模态神经影像数据规范建模改进

    通过采用混合乘积专家（MoPoE）技术，我们提出了一种改进的范式模型，该模型利用多模态神经影像数据对联合潜在后验进行更好的建模，并计算从多模态潜在空间由于阿尔茨海默病（AD）病理而产生的异常偏差。

    Dec, 2023

  • 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