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

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

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

本文介绍了一种基于动态模态分解(Dynamic Mode Decomposition)算法的扩展版本GraphDMD，该算法以一种可解释的方式从fMRI时间序列中提取动态网络模态和它们的时间特征。作者还开发了DeepGraphDMD，这是一种基于自动编码器的深度学习模型，用于学习任意非线性图动态系统的Koopman特征值，并将非线性图的动态嵌入潜在的线性空间。作者通过模拟和HCP静息态fMRI数据的实验结果表明了DeepGraphDMD方法的有效性，并发现了两个与流体智力和晶体智力相关的重要网络模态，这为认知脑功能提供了新的见解。

Jun, 2023

介绍了一种名为NeuroGraph的开源Python软件包，它包含了一系列基于图形的神经影像数据集以及基准的实现、模型训练和标准评估，可以用于机器学习研究高维功能性神经影像数据的分析和预测。

Jun, 2023

本研究提出了第一个对脑部功能连接轨迹进行嵌入的可解释框架，即脑部 TokenGT，该方法在神经变性疾病诊断和预后方面的表现优于所有其他基准模型，同时提供了出色的可解释性。

Jul, 2023

本研究提出了一种应用于静息状态fMRI体积的跨多尺度视角（全局尺度-脑网络水平和局部尺度-检查构成网络的每个个体ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个ROI，重点关注动态演变。该方法用于对50个健康对照组（HC）和50个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI组中的ROI（如PCC）活动减少，（2）MCI组中的枕叶活动增加，这在HC组中未见，（3）在动态分析中，MCI组中的所有ROI显示出更大的时间序列可预测性。

Feb, 2024

通过改变每个维度的比例来测试不同维度分辨率配置对阿尔茨海默病（AD）分类的重要性，我们发现空间信息与频谱信息同样重要，并且始终比时间信息相关，这强调了在基于脑电图（EEG）的AD分类中考虑空间信息的必要性。

Feb, 2024

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

本文针对阿尔茨海默病（AD）的早期检测挑战，提出了一种基于多层生成连接组（MLC）的图卷积网络（GCN）模型。该模型通过利用静息态功能磁共振成像数据提取时空特征，显著提高了对轻度认知障碍、AD和正常衰老的区分能力，并展示了优越的可解释性，为未来其他疾病的预测提供了新策略。

Aug, 2024