XiaoMi-AI文件搜索系统
World File Search SystemADNI
根据结构 MRI、临床和遗传数据结合双重注意力 CNN 和 MLP 来诊断阿尔茨海默病
阿尔茨海默病 (AD) 是一种不可逆的中枢神经退行性疾病，而轻度认知障碍 (MCI) 是 AD 的前兆。准确的早期诊断 AD 有利于 AD 的预防和早期干预治疗。尽管已经开发了一些用于 AD 诊断的计算方法，但大多数方法仅采用神经影像学，忽略了可能包含潜在疾病信息的其他数据（例如遗传、临床）。此外，一些方法的结果缺乏可解释性。在这项工作中，我们提出了一种新方法（称为 DANMLP），通过整合结构磁共振成像 (sMRI) 的多模态数据、临床数据（即人口统计学、神经心理学）和 APOE 遗传数据，将双注意卷积神经网络 (CNN) 和多层感知器 (MLP) 结合在一起进行计算机辅助 AD 诊断。我们的 DANMLP 由四个主要组件组成：（1）Patch-CNN，用于从每个局部块中提取图像特征，（2）位置自注意块，用于捕获块内特征之间的依赖关系，（3）通道自注意块，用于捕获块间特征的依赖关系，（4）两个 MLP 网络，分别用于提取临床特征和输出 AD 分类结果。与 5CV 测试中的其他最先进方法相比，DANMLP 在 ADNI 数据库上的 AD vs. MCI 和 MCI vs. NC 任务中实现了 93% 和 82.4% 的分类准确率，分别比其他五种方法高 0.2% ∼ 15.2% 和 3.4% ∼ 26.8%。局部区域的个性化可视化还可以帮助临床医生进行 AD 的早期诊断。这些结果表明，DANMLP 可有效用于诊断 AD 和 MCI 患者。
您在阿尔茨海默氏症的伴侣
参考文献1。Hviid，C。V. B.，Knudsen，C。S.和Parkner，T。（2020）。 斯堪的纳维亚成年人中血清神经丝链的参考间隔和精髓。 Scand J Clin Lab Invest，80（4），291-295。 2。 Khalil，M等。 （2020）。 正常衰老中的血清神经丝的光水平及其与形态大脑变化的关联。 nat Commun，11（1），812。 3。 PalmQvist S，Zetterberg H，Mattsson N等。 淀粉样蛋白PET和CSF生物标志物的详细比较用于鉴定早期的阿尔茨海默氏病。 神经病学。 2015; 85：1-10。 4。 Hansson O，Seibyl J，Stomrud E等。 csf生物标志物与淀粉样蛋白βPET的concord concord并预测临床进展：生物传动机和ADNI同类群中全自动免疫测定的研究。 阿尔茨海默氏症和痴呆症。 2018; 14（11）：P1470-1481。 5。 Lewczuk P，Matzen A，Blennow K等。 脑脊液Aβ42/40在阿尔茨海默氏病中对淀粉样蛋白PET的比对应于Aβ42。 j阿尔茨海默氏症。 2017; 55（2）：P813-822。 6。 Baldeiras I，Santana I，LeitãoMJ等。 添加Aβ42/40与脑脊液生物标志物的比例增加了轻度认知障碍中潜在的阿尔茨海默氏病痴呆症的预测价值。 阿尔茨海默氏症的研究与治疗。 2018; 10,33。 7。 Campbell，MR等。 （2021）。 CSF中 p -TAU/Aβ42和Aβ42/40比率同样可以预测淀粉样蛋白宠物状态。Hviid，C。V. B.，Knudsen，C。S.和Parkner，T。（2020）。斯堪的纳维亚成年人中血清神经丝链的参考间隔和精髓。Scand J Clin Lab Invest，80（4），291-295。2。Khalil，M等。 （2020）。 正常衰老中的血清神经丝的光水平及其与形态大脑变化的关联。 nat Commun，11（1），812。 3。 PalmQvist S，Zetterberg H，Mattsson N等。 淀粉样蛋白PET和CSF生物标志物的详细比较用于鉴定早期的阿尔茨海默氏病。 神经病学。 2015; 85：1-10。 4。 Hansson O，Seibyl J，Stomrud E等。 csf生物标志物与淀粉样蛋白βPET的concord concord并预测临床进展：生物传动机和ADNI同类群中全自动免疫测定的研究。 阿尔茨海默氏症和痴呆症。 2018; 14（11）：P1470-1481。 5。 Lewczuk P，Matzen A，Blennow K等。 脑脊液Aβ42/40在阿尔茨海默氏病中对淀粉样蛋白PET的比对应于Aβ42。 j阿尔茨海默氏症。 2017; 55（2）：P813-822。 6。 Baldeiras I，Santana I，LeitãoMJ等。 添加Aβ42/40与脑脊液生物标志物的比例增加了轻度认知障碍中潜在的阿尔茨海默氏病痴呆症的预测价值。 阿尔茨海默氏症的研究与治疗。 2018; 10,33。 7。 Campbell，MR等。 （2021）。 CSF中 p -TAU/Aβ42和Aβ42/40比率同样可以预测淀粉样蛋白宠物状态。Khalil，M等。（2020）。正常衰老中的血清神经丝的光水平及其与形态大脑变化的关联。nat Commun，11（1），812。3。PalmQvist S，Zetterberg H，Mattsson N等。淀粉样蛋白PET和CSF生物标志物的详细比较用于鉴定早期的阿尔茨海默氏病。神经病学。2015; 85：1-10。 4。 Hansson O，Seibyl J，Stomrud E等。 csf生物标志物与淀粉样蛋白βPET的concord concord并预测临床进展：生物传动机和ADNI同类群中全自动免疫测定的研究。 阿尔茨海默氏症和痴呆症。 2018; 14（11）：P1470-1481。 5。 Lewczuk P，Matzen A，Blennow K等。 脑脊液Aβ42/40在阿尔茨海默氏病中对淀粉样蛋白PET的比对应于Aβ42。 j阿尔茨海默氏症。 2017; 55（2）：P813-822。 6。 Baldeiras I，Santana I，LeitãoMJ等。 添加Aβ42/40与脑脊液生物标志物的比例增加了轻度认知障碍中潜在的阿尔茨海默氏病痴呆症的预测价值。 阿尔茨海默氏症的研究与治疗。 2018; 10,33。 7。 Campbell，MR等。 （2021）。 CSF中 p -TAU/Aβ42和Aβ42/40比率同样可以预测淀粉样蛋白宠物状态。2015; 85：1-10。4。Hansson O，Seibyl J，Stomrud E等。 csf生物标志物与淀粉样蛋白βPET的concord concord并预测临床进展：生物传动机和ADNI同类群中全自动免疫测定的研究。 阿尔茨海默氏症和痴呆症。 2018; 14（11）：P1470-1481。 5。 Lewczuk P，Matzen A，Blennow K等。 脑脊液Aβ42/40在阿尔茨海默氏病中对淀粉样蛋白PET的比对应于Aβ42。 j阿尔茨海默氏症。 2017; 55（2）：P813-822。 6。 Baldeiras I，Santana I，LeitãoMJ等。 添加Aβ42/40与脑脊液生物标志物的比例增加了轻度认知障碍中潜在的阿尔茨海默氏病痴呆症的预测价值。 阿尔茨海默氏症的研究与治疗。 2018; 10,33。 7。 Campbell，MR等。 （2021）。 CSF中 p -TAU/Aβ42和Aβ42/40比率同样可以预测淀粉样蛋白宠物状态。Hansson O，Seibyl J，Stomrud E等。csf生物标志物与淀粉样蛋白βPET的concord concord并预测临床进展：生物传动机和ADNI同类群中全自动免疫测定的研究。阿尔茨海默氏症和痴呆症。2018; 14（11）：P1470-1481。 5。 Lewczuk P，Matzen A，Blennow K等。 脑脊液Aβ42/40在阿尔茨海默氏病中对淀粉样蛋白PET的比对应于Aβ42。 j阿尔茨海默氏症。 2017; 55（2）：P813-822。 6。 Baldeiras I，Santana I，LeitãoMJ等。 添加Aβ42/40与脑脊液生物标志物的比例增加了轻度认知障碍中潜在的阿尔茨海默氏病痴呆症的预测价值。 阿尔茨海默氏症的研究与治疗。 2018; 10,33。 7。 Campbell，MR等。 （2021）。 CSF中 p -TAU/Aβ42和Aβ42/40比率同样可以预测淀粉样蛋白宠物状态。2018; 14（11）：P1470-1481。5。Lewczuk P，Matzen A，Blennow K等。脑脊液Aβ42/40在阿尔茨海默氏病中对淀粉样蛋白PET的比对应于Aβ42。j阿尔茨海默氏症。2017; 55（2）：P813-822。 6。 Baldeiras I，Santana I，LeitãoMJ等。 添加Aβ42/40与脑脊液生物标志物的比例增加了轻度认知障碍中潜在的阿尔茨海默氏病痴呆症的预测价值。 阿尔茨海默氏症的研究与治疗。 2018; 10,33。 7。 Campbell，MR等。 （2021）。 CSF中 p -TAU/Aβ42和Aβ42/40比率同样可以预测淀粉样蛋白宠物状态。2017; 55（2）：P813-822。6。Baldeiras I，Santana I，LeitãoMJ等。 添加Aβ42/40与脑脊液生物标志物的比例增加了轻度认知障碍中潜在的阿尔茨海默氏病痴呆症的预测价值。 阿尔茨海默氏症的研究与治疗。 2018; 10,33。 7。 Campbell，MR等。 （2021）。 CSF中 p -TAU/Aβ42和Aβ42/40比率同样可以预测淀粉样蛋白宠物状态。Baldeiras I，Santana I，LeitãoMJ等。添加Aβ42/40与脑脊液生物标志物的比例增加了轻度认知障碍中潜在的阿尔茨海默氏病痴呆症的预测价值。阿尔茨海默氏症的研究与治疗。2018; 10,33。7。Campbell，MR等。 （2021）。 CSF中 p -TAU/Aβ42和Aβ42/40比率同样可以预测淀粉样蛋白宠物状态。Campbell，MR等。（2021）。p -TAU/Aβ42和Aβ42/40比率同样可以预测淀粉样蛋白宠物状态。痴呆的阿尔茨海默氏症（AMST）。13（1），E12190。13（1），E12190。
一种用于诊断类别不平衡 MRI 阿尔茨海默病的新型分类网络 一种用于诊断类别不平衡 MRI 阿尔茨海默病的新型分类网络
通过磁共振成像 (MRI) 数据自动识别阿尔茨海默病 (AD) 可以有效协助医生诊断和治疗阿尔茨海默病。当前的方法提高了 AD 识别的准确性，但它们不足以解决类间差异小、类内差异大的挑战。一些研究尝试在神经网络中嵌入块级结构以增强病理细节，但巨大的规模和时间复杂度使这些方法不利。此外，几种自注意机制无法提供上下文信息来表示判别区域，这限制了这些分类器的性能。另外，当前的损失函数受到类别不平衡异常值的不利影响，可能陷入局部最优值。因此，我们提出了一个 3D 残差 RepVGG 注意网络 (ResRepANet)，该网络堆叠了几个轻量级块来识别脑部疾病的 MRI，这也可以权衡准确性和灵活性。具体来说，我们提出了一个非局部上下文空间注意块 (NCSA)，并将其嵌入到我们提出的 ResRepANet 中，该 ResRepANet 聚合了空间特征中的全局上下文信息，以提高判别区域中的语义相关性。此外，为了减少异常值的影响，我们提出了一种梯度密度多重加权机制 (GDMM)，通过标准化梯度范数自动调整每个 MRI 图像的权重。实验是在阿尔茨海默病神经影像学倡议 (ADNI) 和澳大利亚老龄化成像、生物标志物和生活方式旗舰研究 (AIBL) 的数据集上进行的。在这两个数据集上进行的实验表明，准确度、灵敏度、特异性和曲线下面积始终优于最先进的方法。
图理论测量的一致性是阿尔茨海默氏病纤维密度连接跨多个分割量表
图理论措施经常被用来研究阿尔茨海默氏病人脑连接组中的连通性中断。然而，先前的研究指出，图创建方法的差异是可能改变这些措施中发现的拓扑观察的混杂因素。在这项研究中，我们进行了一项新的研究，以了解针对从扩散张量成像得出的纤维密度网络计算出的图形理论措施的影响。We computed 4 network-wide graph theoretical measures of average clustering coefficient, transitivity, characteristic path length, and global efficiency, and we tested whether these measures are able to consistently identify group differences among healthy control (HC), mild cognitive impairment (MCI), and AD groups in the Alzheimer's Disease Neuroimaging Initiative (ADNI) cohort across 5 scales of the Lausanne分析。我们发现，旋转性的分离度量在区分健康和患病群体方面提供了范围内最大的一致性，而其他措施则受到不同程度量表的选择的影响。全球效率是我们测试的第二个最一致的度量，该度量可以在所有5个量表中以及在5个量表中的3个量表中区分HC和MCI。特征路径长度对尺度变化高度敏感，证实了先前的发现，并且无法识别许多尺度的群体差异。平均聚类系数也受到量表的极大影响，因为它始终未能识别出较高分辨率分析中的群体差异。从这些结果中，我们得出结论，许多图理论度量对选择量表的选择敏感，并且需要进一步发展方法，以更加强大地表征AD的关系与连通性中断的关系。
基于个体脑代谢连接组指标
摘要 目的 18 F-氟脱氧葡萄糖 (FDG) 正电子发射断层扫描 (PET) 揭示了轻度认知障碍 (MCI) 和阿尔茨海默氏痴呆 (AD) 患者的脑代谢改变。先前的代谢连接组分析源自患者群体，但不支持预测个体从当前 MCI 转变为 AD 的风险。我们现在提出一种个体代谢连接组方法，即 Kullback-Leibler 散度相似性估计 (KLSE)，以表征预测个体从 MCI 转变为 AD 风险的全脑代谢网络。方法从 ADNI 数据库招募 FDG-PET 数据，包括 50 名健康对照者、332 名稳定性 MCI 患者、178 名发展为 AD 的 MCI 患者和 50 名 AD 患者。使用 KLSE 方法确定每个人的代谢脑网络。比较KLSE矩阵与组水平矩阵的组内和组间相似性与差异性，评估KLSE的网络稳定性和个体间变异性。采用多变量Cox比例风险模型和Harrell's一致性指数（C指数）评估KLSE及其他临床特征的预测性能。结果与典型的组水平方法相比，KLSE方法能捕捉到更多的顶叶和颞叶病理连接，并提供详细的个体信息，同时具有更高的网络组织稳定性（组内相似系数，sMCI为0.789，pMCI为0.731）。代谢连接组表达是优于其他临床评估的转变预测因子（风险比（HR）= 3.55；95% CI，2.77 – 4.55；P < 0.001）。在 Cox 模型中结合临床变量后，预测性能进一步提高，即 C 指数 0.728（临床）、0.730（组级模式模型）、0.750（成像连接组）和 0.794（组合模型）。
转移学习和常规机器学习的比较应用于结构性大脑MRI，以早期诊断和预后的阿尔茨海默氏病
阿尔茨海默氏病（AD）是最常见的神经退行性疾病，老年人群患病率为10％。常规机器学习（ML）被证明有效地支持了AD的诊断，而很少有研究研究了这项复杂任务中深度学习和转移学习的表现。在本文中，我们评估了集合转移学习技术的潜力，在通用图像上预估计，然后转移到结构性大脑MRI，以供AD的早期诊断和预后，以基于基于支持矢量机的传统ML方法的融合，直接应用于结构性大脑MRI。特别是从ADNI存储库中获得了600多名受试者，包括AD，轻度认知障碍转化为AD（MCIC），轻度认知障碍不会转化为AD（MCINC）和认知正常（CN）受试者。我们使用T1加权大脑-MRI研究来训练：（1）在通用图像上预测的五个转移学习结构的集合； （2）在MRI体积上从头开始训练的3D卷积中性网络（CNN）； （3）两个常规ML分类器的融合，这些分类器来自不同特征提取/选择技术与SVM的融合。研究了AD-VS-CN，MCIC-VS-CN，MCIC-VS-MCINC比较。整体转移学习方法能够有效地从CN区分为90.2％AUC的CN，MCIC，来自CN，为83.2％的AUC，MCIC和MCIC的MCIC和70.6％AUC的MCIC具有70.6％的AUC，显示出可比或稍低的结果，与CN的融合融合了93.1％AUC，MCIC，来自CN的MCIC，以及89.6％AUC，以及89.6％AUC，以及89.6％AUC，以及89.6％的AUC，以及89.6％的AUC，以及89.6％的AUC，以及89.6的MCIC。 69.1–73.3％）。由于用于训练的图像的样本有限，从头开始训练的深度学习网络比常规ML系统的融合和集合转移学习的融合较低。这些结果为使用转移学习与神经图像结合起来开放了新的前瞻性，即使在通用图像上进行了预估计，也可以自动对AD进行自动诊断和预后。
基于脑结构变化的可解释张量多任务集成学习用于阿尔茨海默病动态预测
摘要 目的：用于预测阿尔茨海默病 (AD) 进展的机器学习方法可以极大地帮助研究人员和临床医生制定有效的 AD 预防和治疗策略。方法：本研究提出了一种利用多任务集成学习方法预测 AD 进展的新型机器学习算法。具体来说，我们提出了一种基于脑生物标志物时空变异性相似性测量的新型张量多任务学习 (MTL) 算法来模拟 AD 进展。在该模型中，张量中每个患者样本的预测被设置为一个任务，其中所有任务共享一组通过张量分解获得的潜在因子。此外，由于受试者具有连续的脑生物标志物测试记录，因此该模型被扩展为利用梯度增强核集成受试者的时间连续预测结果以找到更准确的预测。结果：我们利用阿尔茨海默病神经影像学计划 (ADNI) 的数据进行了广泛的实验，以评估所提出的算法和模型的性能。结果表明，与基准和最先进的多任务回归方法相比，该模型在简易精神状态检查表 (MMSE) 问卷和阿尔茨海默病评估量表-认知分量表 (ADAS-Cog) 认知分数方面预测 AD 进展具有更高的准确性和稳定性。结论：脑生物标志物关联信息可用于识别个体脑结构的变化，该模型可用于通过磁共振成像 (MRI) 数据和不同阶段 AD 患者的认知分数有效地预测 AD 的进展。索引词——阿尔茨海默病、多任务学习、脑生物标志物时空相关性、张量分解、梯度提升集成学习。临床和转化影响声明：该模型利用磁共振成像数据计算患者不同阶段的认知分数来预测和诊断 AD 进展。实验中揭示的重要脑生物标志物关联信息可作为早期识别 AD 的潜在指标。
Allan，R。Orcid：https：//orcid.org/0000-0003-0264-9447 and Merchant，C。Orcid：https：//orcid.org/000000-0003-4687-9850（2025）
机器学习方法通常被采用以推断出有用的生物标志物来早期诊断许多神经退行性疾病，并且通常是神经解剖学衰老。其中一些方法从形态学大脑数据中估算了主题年龄，然后将其表示为“脑时代”。这种预测的大脑年龄与受试者的实际年代年龄之间的差异可以用作与正常脑衰老的病理偏差的指示。大脑年龄模型作为生物标志物的重要用途是从结构磁共振成像（MRI）中对阿尔茨海默氏病（AD）的预测。许多不同的机器学习方法已应用于这项特定的预测任务，其中一些方法以牺牲模型的描述性为代价实现了很高的准确性。这项工作研究了数据科学技术和线性模型的适当组合，以同时提供高精度和良好的描述性。所提出的方法基于包括典型数据科学方法的数据工作流，例如异常值检测，特征选择，线性回归和逻辑回归。尤其是在回归模型中引入了一种新型的归纳偏见，该偏差旨在提高分类任务的准确性和特定性。该方法与其他有或不使用大脑时代（包括支持向量机器和深层神经网络）的形态学大脑数据进行了将基于形态学大脑数据的AD分类的其他机器学习方法进行比较。这项研究采用了从三个存储库（ADNI，AIBL和IXI）获得的1,901名受试者的1，901个受试者的大脑MRI扫描。在反复的交叉验证分析中，仅基于提出的明显脑年龄和年代年龄的预测模型，男性和女性受试者的准确度分别为88％和92％，因此比ART机器学习方法的状态达到了可比或卓越的性能。提出的方法的优点是它在整个回归和分类任务中保持输入空间的形态学语义。准确的预测模型也具有很高的描述性，可用于对预测产生潜在有用的见解。
基于脑解剖磁共振成像的阿尔茨海默病诊断分类集成模型
摘要：阿尔茨海默病是全球范围内发病率增长最快的疾病之一，会导致脑萎缩。神经影像学揭示了有关大脑解剖结构的大量信息，并能够识别诊断特征。神经影像学中的人工智能 (AI) 有可能显著增强阿尔茨海默病 (AD) 的治疗过程。本研究的目的有两个：(1) 比较现有的机器学习 (ML) 算法对 AD 的分类。(2) 提出一个有效的基于集成的模型并对其进行比较分析。在本研究中，利用在线存储库阿尔茨海默病神经影像学计划 (ADNI) 的数据进行实验，其中包括 2125 张阿尔茨海默病 (n = 975)、轻度认知障碍 (n = 538) 和认知正常 (n = 612) 的神经影像。对于分类，该框架结合了决策树 (DT)、随机森林 (RF)、朴素贝叶斯 (NB) 和 K 最近邻 (K-NN)，以及支持向量机 (SVM) 的一些变体，例如 SVM（RBF 核）、SVM（多项式核）和 SVM（Sigmoid 核），以及梯度提升 (GB)、极端梯度提升 (XGB) 和多层感知器神经网络 (MLP-NN)。之后，提出了一种基于集成的通用内核，其中结合了主从架构以获得更好的性能。所提出的模型是极端梯度提升、决策树和 SVM_Polynomial 核（XGB + DT + SVM）的集成。最后，使用统计技术以及其他 ML 模型进行交叉验证来评估所提出的方法。所提出的集成模型 (XGB + DT + SVM) 的表现优于现有的最先进算法，准确率为 89.77%。所有模型的效率都使用基于网格的调整进行了优化，经过此过程获得的结果显示出显着的改善。具有优化参数的 XGB + DT + SVM 的表现优于所有其他模型，效率为 95.75%。所提出的基于集成的学习方法的含义清楚地表明了与其他 ML 模型相比的最佳结果。这种实验比较分析提高了对上述方法的理解，并增强了它们在阿尔茨海默病早期检测中的范围和意义。
大脑神经影像上下文任务的机器学习
人类神经科学使用磁共振成像（MRI）来了解大脑的结构和功能并表征某些神经系统和精神疾病。最近已经建立了大型成像队列，其中包括一千个（人类连接项目，Abide，Adni，Imagen，Eu-Aims，1000brains，abcd），向十万个人（Enigma Consortium，UK BiobAbank）。这种同类群是研究流行病学研究（UK Biobank）中许多脑部病理（精神病，成瘾，神经退行性疾病）或危险因素的影响所必需的。相应的数据通常可公开可用。除了这些大型研究外，还获得了较小的数据集，并且在认知神经科学的背景下，越来越频繁地公开（https://openneuro.org）。所有这些研究的数据分析需要医学图像处理工具，而且越来越多的统计分析和学习工具。大脑成像社区已经开发了标准，即大脑成像数据结构（BIDS）（1），以组织数据并促进大规模的统计分析。在此框架中，思维对神经影像学中的统计学习产生了许多贡献，对监督学习，基于模拟的推论和协方差模型估计的兴趣非常兴趣。这些贡献的一部分是通过NiLearn库（http://nilearn.github.io）传播的（2）。niLearn是神经科学生态系统中的关键开源库，它依赖于科学的Python stack（Numpy，Scikit-Learn，Matplotlib）。它非常成功（PYPI上下载50 K）。Nilearn由来自几个国家的许多人贡献，请参见https://github.com/nilearn/nilearn/graphs/contributors。它遵循软件开发方面的最佳实践（详尽的自动化测试，CI，完整的API文档以及叙事文档，API同质性，合理的依赖性，有关技术选择的公开讨论等）该开发由Coredev团队管理，有9个每月开会的成员。开发人员社区非常活跃，因为它在神经频道（Neurostars）等公共渠道上提供了反馈，在GitHub界面上打开问题并提取请求。最后，Mind正在将大量资源投资于临床合作。Specifically, Mind is engaged in a collaborative initiative with the Assistance Publique - Hopitaux de Paris (AP-HP), Institut Pasteur, Sainte Anne, Stanford University and Neurospin, to address clinical scenarios such as brain tumor surgeries, analysis of stroke-induced lesions ( 3 ; 4 ), understand the relationship between brain structure and cognition, or the use of ultra-high field MRI.