May, 2024

评估纵向数据在阿尔茨海默病预测中的意义

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 利用美国军方退伍老兵的纵向电子健康档案中的症状发生情况，提前预测阿尔茨海默病

    使用机器学习方法分析患者的纵向电子健康记录，确定可以更早预测阿尔茨海默病发病的迹象和症状。

    Jul, 2023

  • AD-BERT：使用预训练上下文嵌入技术预测轻度认知障碍进展为阿尔茨海默氏病

    该研究使用医疗电子记录中未结构化的临床笔记数据，采用基于 BERT 预训练模型的深度学习框架，预测从轻度认知障碍到阿尔茨海默症的疾病进展风险。

    Nov, 2022

  • 利用大型语言模型基于电子健康记录预测阿尔茨海默病的增强风险

    通过利用语言模型为风险预测增添强大的能力，结合传统监督学习方法和大语言模型的决策机制，本研究提出的创新流程通过实际的电子健康记录数据仓库的评估表明有效地提高了预测性能，为改善 ADRD 筛查和早期检测实践带来了希望，并对患者管理策略产生潜在影响，进而改善医疗保健。

    May, 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

  • TADPOLE 挑战赛：预测阿尔茨海默病的纵向演变

    该论文描述了 TADPOLE Challenge 的设计，该挑战旨在比较算法在预测患有阿尔茨海默病个体未来演变方面的表现。

    May, 2018

  • 使用生存机器学习模型在 ADNI 队列上预测阿尔茨海默病诊断风险随时间的变化

    利用生存机器学习建立了一个可预测认知能力下降导致痴呆症状发展以及预测发展时间的模型，预测能力良好，可用于临床研究和预测患阿尔茨海默病的风险。

    Jun, 2023

  • 阿尔茨海默病恶化预测的机器学习方法

    本文探讨了使用机器学习预测阿尔茨海默病恶化的能力，并在 Alzheimers Disease Neuroimaging Initiative 的数据集上使用了六种机器学习模型。最后展示了对两组数据的预测效果，即针对健康组和轻微认知障碍组的恶化预测，分别使用了 CART 和 Elastic Net 获得了较好的结果。

    Jun, 2023

  • 大型语言模型利用多模态数据改善阿尔茨海默氏病诊断

    本研究采用预训练的大型语言模型以加强对患者非图像化数据的利用，取得了 ADNI 数据集方面的最佳结果。

    May, 2023