Oct, 2024

GAMMA-PD：帕金森病多模态运动障碍评估的图基分析

HTML
PDF
TL;DR本研究解决了帕金森病多模态医疗数据分析中的异质性和复杂性问题。提出的GAMMA-PD框架通过整合影像和非影像数据，保存高阶信息，从而有效地预测运动障碍症状，并生成疾病与症状特征的临床相关解释。
发现论文，激发创造
  • 多视角图卷积网络及其在帕金森病神经影像分析中的应用

    本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统PCA方法。

    May, 2018

  • 通过机器学习分析、识别和预测帕金森病亚型和进展

    本篇论文通过结合监督和无监督机器学习方法，识别出不同的亚型，能够准确预测帕金森患者的疾病进展和症状，并探究了病人异质性和个性化干预的潜力。

    Jun, 2023

  • 神经图：脑连接组学图机器学习基准

    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

  • 可解释的几何加权图注意力网络用于识别与步态障碍相关的功能网络

    本研究通过提出的可解释的几何加权图注意力神经网络（xGW-GAT），鉴别出与帕金森病步态障碍相关的功能连接模式以及与运动障碍相关的功能子网络的可解释性，从而有助于更好地理解帕金森病的运动进展，推动更有效和个性化的治疗方法的发展。

    Jul, 2023

  • 使用对比度图交叉视图学习和SPECT图像与临床特征的多模态融合进行帕金森病分级

    通过引入多模态方法，结合深度学习和图融合技术，我们的研究提出了一种用于帕金森病分类的图视多模态方法，实验结果表明，在五折交叉验证中，该方法可以达到91%的准确率和92.8%的AUC，并且相比仅依赖机器学习方法的方法，在非图像数据上具有更强的预测能力。

    Nov, 2023

  • 利用磁共振成像多特征整合灰白质信息对帕金森病患者亚型进行标记

    使用基于互相关的最近邻（MKNN）阈值化方法对帕金森病患者的脑网络进行分析，并发现了不同亚型之间的显著差异。

    Mar, 2024

  • 使用图神经网络从功能磁共振成像中发现神经系统疾病的稳健生物标志物：综述

    通过模型解释技术，本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用，特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性，并建议建立新的标准来评估这些潜在生物标记的稳健性。

    May, 2024

  • 利用脑电图信号和机器学习技术进行帕金森病诊断的综合研究

    通过分析人类脑电图信号，采用支持向量机分类模型，提出了一种创新的帕金森病诊断方法，该研究通过提高诊断准确性和可靠性增强了模型的性能。

    Apr, 2024

  • 通过多任务视频分析实现帕金森病在家无障碍检测

    通过分析网络摄像头录制的手指敲击、面部表情（微笑）和语音（说出包含所有字母的句子）的特征，我们训练了一种新颖的基于神经网络的融合架构来检测帕金森病，该模型还使用了蒙特卡洛随机失活来提高预测准确性。这种低成本、便捷的帕金森病筛查方法只需一个带有网络摄像头和麦克风的互联网设备，在有限制性临床专家资源的地区尤其方便。

    Jun, 2024

  • 基于静息态脑电图的帕金森病检测：使用带有梯度加权图注意力解释的多头图结构学习

    本研究解决了使用静息态脑电图（EEG）检测帕金森病（PD）中的空间信息建模、动态脑连接性和特征学习挑战。采用了一种新的图神经网络技术，通过多头图结构学习和梯度加权图注意力解释有效捕捉EEG数据的复杂特征。研究结果显示，在UC圣地亚哥帕金森病EEG数据集上实现了69.40%的检测准确率，并提供了模型学习图拓扑的直观解释。

    Aug, 2024