XiaoMi-AI文件搜索系统
World File Search SystemADNI
![a D Transl Res Clin Inter Intervion -2023 -Sukoff Rizzo [18]](/simg/c\c2d3bea52e77e0f224361b04ac862c0beb2f57a0.webp)
a D Transl Res Clin Inter Intervion -2023 -Sukoff Rizzo [18]
图2 Marmo-Ad联盟的概述。Marmo-AD将利用AD数据宇宙为基因工程的新风险变体提供信息，以介绍摩尔莫斯群岛的基因工程以及临床数据的对准（遗传学，多态，成像，生物标志物，行为措施，认知评估，认知评估）和Model-AD的小鼠模型数据。项目由技术核心执行的实验支持。动物模型将在GEC，床上生成并保持在VCMC中，并在MDCC中进行表征。BDIC将合并来自AD知识门户的数据，优先考虑模型生成的变体，并支持计算和生物统计分析。最后，管理员核心将确保将数据产生，协议，组织和模型提供给研究社区。AD，阿尔茨海默氏病；管理员，行政； BDIC，生物信息学和数据集成核心； GEC，基因工程核心； Marmo-Ad，摩尔莫斯人作为AD的研究模型； MDCC，多模式疾病表征核心； VCMC，兽医和殖民地管理核心； AMP-AD，为阿尔茨海默氏病提供了药物合作伙伴关系计划；阿德尼（Adni），阿尔茨海默氏病神经影像倡议； ADSP，阿尔茨海默氏病测序项目；治疗，靶向促成阿尔茨海默氏病的疗法发展； AD模型，模型生物体开发，以评估晚期阿尔茨海默氏病； ai4ad;阿尔茨海默氏病的人工智能； IGAP：阿尔茨海默氏症项目的国际基因组学，ROS/地图：宗教秩序研究/记忆与老化项目； ADGC：阿尔茨海默氏病遗传学伴侣。AD，阿尔茨海默氏病；管理员，行政； BDIC，生物信息学和数据集成核心； GEC，基因工程核心； Marmo-Ad，摩尔莫斯人作为AD的研究模型； MDCC，多模式疾病表征核心； VCMC，兽医和殖民地管理核心； AMP-AD，为阿尔茨海默氏病提供了药物合作伙伴关系计划；阿德尼（Adni），阿尔茨海默氏病神经影像倡议； ADSP，阿尔茨海默氏病测序项目；治疗，靶向促成阿尔茨海默氏病的疗法发展； AD模型，模型生物体开发，以评估晚期阿尔茨海默氏病； ai4ad;阿尔茨海默氏病的人工智能； IGAP：阿尔茨海默氏症项目的国际基因组学，ROS/地图：宗教秩序研究/记忆与老化项目； ADGC：阿尔茨海默氏病遗传学伴侣。
数据受限的深度学习方法对阿尔茨海默病患者的轻度认知障碍进行分类
摘要 — 轻度认知障碍 (MCI) 是正常大脑功能衰退和更严重的痴呆症衰退之间的阶段。阿尔茨海默病 (AD) 是痴呆症的主要形式之一。虽然 MCI 并不总是导致 AD，但早期诊断 MCI 可能有助于发现那些有 AD 早期迹象的人。阿尔茨海默病神经影像学倡议 (ADNI) 已利用磁共振成像 (MRI) 诊断 MCI 和 AD。MCI 可分为两种类型：早期 MCI (EMCI) 和晚期 MCI (LMCI)。此外，MRI 结果可分为轴向、冠状面和矢状面三个视图。在这项工作中，我们使用深度学习方法基于有限的 MRI 图像对健康人和两种类型的 MCI 进行二元分类。具体来说，我们实现并比较了两种不同的卷积神经网络 (CNN) 架构。本研究使用了 516 名患者的 MRI：172 名正常对照 (CN)、172 名 EMCI 患者和 172 名 LMCI 患者。对于此数据集，50% 的图像用于训练，20% 用于验证，其余 30% 用于测试。结果表明，一个模型的最佳分类是在冠状面视图的 CN 和 LMCI 之间，准确率为 79.67%。此外，对于同一分类组，我们提出的第二个模型的准确率为 67.85%。
MRI
阿尔茨海默氏病（AD）导致各种生物标志物（即淀粉样蛋白β和tau蛋白）的异常，这使得PET成像（可以解释这些生物标志物）在AD诊断中必不可少。然而，宠物成像的高辐射风险限制了其在短时间内的扫描数量，对AD的联合多生物标志物诊断提出了挑战。在本文中，我们提出了一个新型的统一模型，以同时合成MRI的多局部PET图像，以实现AD的低成本和时间效率的关节多生物标志物诊断。具体来说，我们将残留的学习纳入扩散模型中，以强调PET和MRI之间的域间差异，从而迫使每种模态以最大程度地重建其模式特定的细节。此外，我们利用年龄和性别等先验信息，以指导具有语义一致性的PET IMPEN的扩散模型，从而增强了它们的基因值。此外，我们会开发出一个域内差异损失，以确保合成PET IMEGIS之间的域内差异与真实PET图像之间的差异非常匹配，从而促进更准确的合成，尤其是在特定于模式的信息上。在ADNI数据集示例上进行的广泛的例证，即我们的方法在定量和质量上与最先进的方法相吻合。本研究的所有代码已上传到GitHub（https：//github.com/ouzaixin/resdm）。
模块化引导的功能性脑网络分析，用于早期痴呆症识别
功能大脑网络（FBN）分析表明，在识别脑部疾病（例如阿尔茨海默氏病（AD）及其前驱阶段，即轻度认知障碍（MCI））方面具有巨大潜力。必须从功能大脑网络中识别歧视性和可解释的特征，以提高分类性能并帮助我们理解与广告相关的脑疾病的病理机制。以前的研究通常从FBN提取节点统计或边缘权重来表示每个受试者。但是，这些方法通常忽略了FBN的拓扑结构（例如模块化）。为了解决此问题，我们提出了一个模块化 - LASSO特征选择（MLFS）框架，该框架可以明确对模块化信息进行建模，以识别FBN的歧视性和可解释功能，以进行自动化AD/MCI分类。特别是，提出的MLFS方法首先通过签名的光谱群集算法搜索FBN的模块化结构，然后通过模块化诱导的组LASSO方法选择判别特征，然后使用支持向量机（SVM）进行分类。为了评估所提出的方法的有效性，对公共ADNI数据库的563个静止状态功能性MRI扫描进行了广泛的实验，以识别正常对照的AD/MCI的受试者，并预测MCI受试者的未来进展。实验结果表明，我们的方法在AD/MCI识别任务和MCI转换预测的两个任务中都优于以前的方法，还有助于发现与AD相关的歧视性脑区域和功能连接性。
ADNI3协议编号：ATRI-001
AD Alzheimer's Disease ADAS-Cog Alzheimer's Disease Assessment Scale – Cognitive ADC Alzheimer's Disease Center ADEAR Alzheimer's Disease Education & Referral Center, under the NIA ADNI Alzheimer's Disease Neuroimaging Initiative ADNI1 Alzheimer's Disease Neuroimaging Initiative - 1 ADNI2 Alzheimer's Disease Neuroimaging Initiative - 2 ADNI-GO Alzheimer's Disease Neuroimaging Initiative – Grand Opportunity PCORNet Patient Centered Outcomes Research Network AE Adverse Event AMNART American National Adult Reading Test APOE/APOE4 Apolipoprotein E (APOE) epsilon 4 (APOE4) ATRI Alzheimer's Therapeutic Research Institute Aβ Beta Amyloid ASL Arterial Spin Labeling CBB COGSTATE简短电池CCI认知变化指数CDR临床痴呆评级CSF脑脊液CT CT计算机层析成像DBGAP DBGAP DBGAP DBGAP数据库DNA脱氧核糖核酸DSMB数据安全监测委员会DSM-IV诊断和统计ECRISINIS IMPHITION ECRINCTION IMPRICTION IMPORTINC Case Report Form EDC Electronic Data Capture (System) EMCI Early Amnestic Mild Cognitive Impairment ECog Everyday Cognition FCI-SF Financial Capacity Instrument – Short Form FAQ Functional Activities Questionnaire (Activities of Daily Living) FDG Fluorodeoxyglucose FLAIR Fluid Attenuation Inversion Recovery fMRI Functional Magnetic Resonance Imaging GCP Good Clinical Practice
阿尔茨海默氏病的认知生物标志物优先级...
摘要背景：认知评估是诊断阿尔茨海默氏病（AD）的最常见临床常规。鉴于大量的认知评估工具和时间限制的办公室访问，确定针对不同受试者的适当认知测试非常重要。大多数当前的研究都为目标人群创建了认知测试选择指南，但并未针对每个主题定制它们。在本手稿中，我们开发了一个机器学习范式，可以优先考虑个性化认知评估。方法：我们适应了新开发的学习对方法PLTR来实现我们的范式。此方法学习了将最有效的认知评估推向优先列表的顶部的潜在评分函数。我们还扩展了PLTR，以更好地分开最有效的认知评估和效率较小的评估。结果：我们对ADNI数据的实证研究表明，所提出的范式在识别和优先考虑个人特异性认知生物标志物方面的最新基准都优于最新的基准。我们在交叉验证和升级验证设置中进行实验。在这两种设置中，我们的范式在优先级的认知特征方面显着优于最佳基线，分别提高了22.1％和19.7％。结论：拟议的范式在优先考虑认知生物标志物方面取得了出色的表现。优先在顶部优先考虑的齿轮生物标志物具有促进个性化诊断，疾病亚型以及最终在AD中精确医学的巨大潜力。关键词：阿尔茨海默氏病，学习排名，生物信息学，机器学习
从全分辨率全分辨率全分辨率SMRI扫描
摘要 - 阿尔茨海默氏病（AD）是痴呆症最为流行的形式，比前列腺癌和乳腺癌杀死更多的人。结构磁共振成像（SMRI）广泛用于分析进行性脑部加重及其在区分AD方面的临床实用性。即使尚不存在有效治愈，早期发现对于减轻症状恶化的速度也是至关重要的。因此，本工作的目的是提出端到端3D卷积长的短期记忆（ConvlSTM）的基于全分辨率全分辨率全脑SMRI扫描的AD的框架。提出的框架应用于属于OASIS和ADNI数据库的427个全分辨率全分辨率全分辨率SMRI扫描，以提供较少的数据集特定于方法。的结果表明，我们的框架在区分AD的框架与认知上的Normal（CN）患者方面表现良好，达到86％的分类精度，敏感性为96％，F1评分为88％，AUC为88％，AUC的AUC为93％。测试是在可扩展的GPU云服务上进行的，并可以公开使用以保证可重复性。由于所提出的框架在没有AD的领域特定知识以及计算成本的过程（例如分割）的情况下表现良好，因此可以使用全脑SMRI扫描作为输入数据将其应用于其他精神疾病。索引术语 - Alzheimer病，深度学习，诊断，端到端方法，可扩展的GPU云，结构磁共振成像，3D卷积长的短期记忆
研究文章 使用卷积神经网络从扩散张量图像诊断阿尔茨海默病
当前，机器学习算法正在以不断升级的方式被实施，以对某些神经退行性疾病进行分类和/或预测其发病；包括阿尔茨海默病 (AD)；这可以归因于数据丰富和计算机功能强大的事实。这项工作的目标是通过浅层架构和处理方面的低成本网络，为健康对照 (HC) 提供针对 AD 和轻度认知障碍 (MCI) 的稳健分类系统。在本研究中，所包含的数据集是从阿尔茨海默病神经成像计划 (ADNI) 下载的。实施的分类方法是卷积神经网络 (CNN)，其中扩散图和灰质 (GM) 体积是输入图像。对于 HC、MCI 和 AD，包括的扫描次数分别为 185、106 和 115。采用十倍交叉验证方案，堆叠平均扩散率 (MD) 和 GM 体积的 AUC 分别为 0.94 和 0.84，准确度分别为 93.5% 和 79.6%，灵敏度分别为 92.5% 和 62.7%，特异性分别为 93.9% 和 89%，分别用于 AD/HC 和 MCI/HC 分类。这项工作阐明了结合不同成像模式数据的影响；即结构磁共振成像 (MRI) 和扩散张量成像 (DTI)，其中采用深度学习进行分类。据我们所知，这是第一项评估每个受试者进行多次扫描的影响的研究，并提出适当的操作以确认系统的稳健性。结果在现有文献中具有竞争力，为改进可以减缓或预防 AD 进展的药物铺平了道路。
通过合并大小方向的大脑结构变化定量和张量多任务学习
摘要 - 预测阿尔茨海默氏病（AD）进展的机器学习（ML）技术可以极大地帮助研究人员和临床医生建立有效的AD预防和治疗策略。数据形式的单调性和医疗数据稀缺性是当前限制ML方法性能的主要原因。在这项研究中，我们提出了一种新型的基于相似性的定量方法，该方法同时考虑了脑生物标志物之间结构变化的幅度和方向关系，并将量化数据编码为第三阶张量，以解决数据形式单调性问题，然后将量张量的多任务学习模型相结合以预测AD AD Progssive。在此模型中，对每个患者的预测都被视为一项任务，每个任务共享通过张量分解获得的一组潜在因素，任务之间的知识共享可以改善模型的概括并解决医疗数据稀缺问题。该模型可用于有效预测AD积分磁共振成像（MRI）数据和AD患者在不同阶段的认知评分的进展。为了评估所提出方法的有效性，我们利用阿尔茨海默氏病神经影像学计划（ADNI）进行了广泛的实验。结果表明，所提出的模型比各种认知评分上的单项任务和最先进的多任务回归方法更准确，一致地预测AD的进展。所提出的方法可以识别患者的大脑结构变异，并将其应用于可靠地预测和诊断AD进展。
使用 2D CNN 检测早期阿尔茨海默病
摘要 目标 为了在计算资源的获取方面公平地采用医学人工智能 (AI) 算法，所提出的方法基于二维 (2D) 卷积神经网络 (CNN)，该方法可以更快、更便宜、更准确地检测早期阿尔茨海默病 (AD) 和轻度认知障碍 (MCI)，而无需使用大型训练数据集或昂贵的高性能计算 (HPC) 基础设施。方法 所提出的模型使用标准化的阿尔茨海默病神经影像学计划 (ADNI) 数据集，并使用 Brain Extraction Tool V.2 方法进行额外的头骨剥离。2D CNN 架构基于 LeNet-5，使用了 Leaky Rectified Linear Unit 激活函数和 Sigmoid 函数，并在每个卷积层之后添加了批量归一化以稳定学习过程。通过手动调整所有超参数对模型进行了优化。结果 从准确率、召回率、精确率和 f1 分数方面对模型进行了评估。结果表明，该模型预测 MCI 的准确率为 0.735，通过了 0.521 的随机猜测基线，预测 AD 的准确率为 0.837，通过了 0.536 的随机猜测基线。讨论 所提出的方法可以帮助临床医生在 AD 和 MCI 的早期诊断中具有足够高的准确率，基于相对较小的数据集，并且不需要 HPC 基础设施。这种方法可以减轻差异并实现医疗算法采用的公平性。结论 医疗 AI 算法不应只关注准确性，还应评估它们如何影响差异并在采用过程中实现公平性。