XiaoMi-AI文件搜索系统
World File Search Systemadni
从边境到边境：使用大数据分析研究大脑健康风险因素
▶虽然apoe-ε3 /ε4基因型的频率并没有因性别而差异，但一项荟萃分析表明，患有APOEε3 /ε4基因型的女性具有增加阿尔茨海默氏病风险的增加，而阿尔茨海默氏病的风险增加了，与65至75岁的男性相比（Neu et。神经影像学倡议（ADNI）发现，对于患有轻度认知障碍的人（MCI），女性的认知下降要比男性快（根据年龄，APOE状态，教育，基线MMSE调整模型）（Lin等，2015）
PLS 对阿尔茨海默病的影像遗传学还能起到什么作用
摘要 — 在本研究中，我们利用偏最小二乘 (PLS) 模型分析阿尔茨海默病 (AD) 中灰质萎缩的遗传基础。为此，我们考虑了来自 T1 加权磁共振成像的 42 个特征，包括皮质厚度和皮质下体积来描述成像表型，而基因型信息包括 14 个最近提出的 AD 相关多基因风险评分 (PRS)，通过包括通过不同显着性阈值的单核苷酸多态性来计算。PLS 模型应用于从阿尔茨海默病神经影像学倡议 (ADNI) 数据库获得的大型研究队列，包括健康个体和 AD 患者，并在独立的 ADNI 轻度认知障碍 (MCI) 队列上进行了验证，包括早期 (EMCI) 和晚期 MCI (LMCI)。实验结果证实了 AD 中脑萎缩和基因型数据之间存在联合动态，同时在临床异质性队列上进行测试时提供了重要的泛化结果。特别是，AD 特异性较低的 PRS 评分与皮质厚度呈负相关，而 AD 特异性较高的 PRS 在特定皮质下体积和皮质厚度之间显示出特殊的相关模式。虽然第一个结果与众所周知的 AD 神经退化过程一致，但第二个结果可能揭示了不同的 AD 亚型。索引术语 — 偏最小二乘法、成像遗传学、灰质萎缩、多基因风险评分
gl-icnn：端到端解释的卷积...
摘要 - 基于卷积神经网络（CNN）的深度学习方法显示，基于成像数据，基于成像数据的痴呆症的早期和准确诊断的早期和准确诊断都很大。但是，这些方法尚未在临床实践中被广泛采用，这可能是由于深度学习模型的解释性有限。可解释的提升机（EBM）是玻璃框模型，但无法直接从输入成像数据中学习功能。在这项研究中，我们提出了一个可解释的新型模型，该模型结合了CNN和EBM，以诊断和预测AD。我们制定了一种创新的培训策略，该策略将CNN组件作为功能提取器和EBM组件作为输出块而交替训练CNN组件，以形成端到端模型。该模型将成像数据作为输入，并提供预测和可解释的特征重要性度量。我们验证了有关阿尔茨海默氏病神经影像学计划（ADNI）数据集的拟议模型，以及Health-Ri Parelsnoer神经疾病生成疾病生物库（PND）作为外部测试集。所提出的模型以AD和对照分类为0.956的面积为0.956，预测轻度认知障碍（MCI）在ADNI队列上进行AD的预测为0.694。所提出的模型是与其他最先进的黑盒模型相当的玻璃盒模型。我们的代码可在以下网址提供：https：//anonymon.4open.science/r/gl-icnn。索引术语 - Alzheimer氏病，MRI，深度学习，转换神经网络，可解释的提升机器，明显的人工智能
一种用于诊断高维数据的有效混合方法...
收到日期 2022-01-15；修订日期 2022-04-01；接受日期 2022-04-05 摘要：阿尔茨海默病 (AD) 是最常见的痴呆症类型，是记忆丧失和其他认知障碍的常见术语。这种疾病非常危险，足以干扰日常生活。在早期阶段识别 AD 仍然是一项极具挑战性的任务，同时，其进展在观察到任何症状之前几年就已经发展起来了。诊断过程中解决的基本问题是数据的高维性。然而，并非所有特征都与解决问题相关，有时，包括一些不相关的特征可能会降低学习性能。因此，通过选择最相关的特征来进行特征减少是必不可少的。在这项工作中，提出了一种用于高维特征选择的混合方法随机森林部分群优化 (RF-PSO)。这项工作背后的根本原因是通过创建一种可临床转化的机器学习方法来支持老年病学家诊断 AD。为此，我们使用了阿尔茨海默病神经影像计划 (ADNI) 创建的数据集。ADNI 数据集包含 900 名患者，在基线评估后至少三年内可以进行诊断随访。之所以选择它们，是因为它们在解决具有高数据维度的大规模优化问题方面具有优势。实验表明，RF-PSO 优于文献中发现的大多数其他方法。与它们相比，它取得了更高的性能。该方法在所有 AD 阶段的准确率达到 95%。与达到 86% 的随机森林相比，部分群优化达到 89%。关键词：阿尔茨海默病、机器学习、特征选择、高维
任务平衡多模式特征选择，以预测阿尔茨海默氏症的进展
摘要 - 与阿尔茨海默氏病（AD）相关的社会和财务成本导致我们社会的显着负担。为了了解这种疾病的原因，公有私人伙伴关系，例如阿尔茨海默氏病神经诱因倡议（ADNI）将数据释放到科学界。这些数据被组织为各种方式（遗传，脑成像，认知评分，诊断等）进行分析。医学图像分析中使用的许多统计学习方法不能明确利用这种多模式数据结构。在这项工作中，我们提出了一种新颖的目标函数和优化算法，该算法旨在处理多模式信息以进行AD的预测和分析。我们的方法依赖于ℓ2，1-规范提供的稳健矩阵效果和行明稀疏性，以集成由ADNI提供的多模式数据。这些技术通过分类任务共同优化，以指导我们提出的任务平衡多模式特征选择方法中的特征选择。与某些广泛使用的机器学习算法进行比较时，我们的结果表现出改进的平衡精度，精度和Matthew的相关系数，以识别认知能力下降。在提高预测性能的方面，我们的方法能够识别临床研究界感兴趣的大脑和遗传生物标志物。我们预计我们的方法将引起更大的研究社区的兴趣，并在线发布了我们的方法代码。1我们的实验验证了现有的脑生物标志物和位于染色体11上的单核苷酸多态性，并在10号染色体上详细介绍了新型多态性，据作者所知，这些多态性尚未报道。
m3t：使用多平面和多板变压器
在这项研究中，我们提出了使用多平面和多层跨前（M3T）网络的三维医学图像分类器，以在3D MRI图像中对阿尔茨海默氏病（AD）进行分类。提出的网络协同委托3D CNN，2D CNN和变压器用于准确的AD分类。3D CNN用于执行本机3D表示学习，而2D CNN用于利用大型2D数据库和2D代表学习的预训练权重。使用具有感应性偏置的CNN网络有效地提取局部大脑中与AD相关的异常的信息信息。跨前网络还用于获得CNN后多平面（轴向，冠状和矢状）和多切片图像之间的注意力关系。也可以使用不感应偏置的变压器学习分布在大脑中较大区域的差异。在此期间，我们使用了来自阿尔茨海默氏病神经影像学计划（ADNI）的训练数据集，该计划总共包含4,786 3D T1加权MRI图像。对于有效数据，我们使用了来自三个不同机构的数据集：澳大利亚成像，生物标志物和生活方式旗舰研究（AIBL）（AIBL），开放访问Imaging研究（OASIS）的开放访问系列（OASIS）以及来自培训数据集中的一些ADNI数据。我们提出的M3T基于曲线（AUC）下的区域（AUC）和AD分类的分类精度，与常规的3D分类网络相结合。这项研究表示，所构成的网络M3T在多机构验证数据库中实现了最高的性能，并证明了该方法有效地将CNN和Transformer用于3D医学图像的可行性。
使用“深度集成学习”根据临床数据对阿尔茨海默病进行多阶段诊断
本研究探索了阿尔茨海默病 (AD) 各个阶段的早期识别，包括轻度认知障碍 (MCI)，这是一个可能有助于疾病预防工作的过渡阶段。本研究探索通过应用基于多分类的深度学习方法来诊断阿尔茨海默病 (AD) 的各个阶段，而不是现有研究主要关注用于 AD 识别的二元分类方法。该研究利用阿尔茨海默病神经影像学计划 (ADNI) 临床数据集，该数据集包含 2000 多个样本并表现出不平衡的分布，其中 AD 或痴呆症代表少数类别。将深度集成学习应用于具有七个选定生物标志物的数据集，通过多分类来诊断疾病阶段。集成方法可有效提高可靠性，并显示出对属于少数类别的 AD 阶段的改进的诊断性能。尽管大多数流行研究使用曲线下面积 (AUC) 评分来衡量使用二元分类的 AD 诊断性能，但本研究在 AD 分期的多分类中同时采用了 F1 评分和 AUC 评分。诊断的多分类得出的 F1 评分为：认知正常 (CN) 88%，轻度认知障碍 (MCI) 86%，阿尔茨海默病 (AD) 分期检测 86%。获得的总体准确率为 87%，而接收者操作特性 (ROC) 曲线下面积为 CN 91%，MCI 87%，AD 91%。与之前的研究 [1] 相比，属于少数样本的 AD / 痴呆症分期的诊断性能提高了 6%。已建立的 ADNI 数据集和集成方法的使用提高了结果的可靠性。由于数据集不平衡，F1 评分和 AUC 是有效的衡量标准。利用必需的临床生物标志物进行准确的 AD 分期诊断是高效且有效的。
认知测试及其描述目录
a. 提出问题：“这张卡片和上一张卡片一样吗？”参与者将在台式电脑、笔记本电脑或平板电脑上完成所有子测试。在每个任务开始时，屏幕上会显示书面说明并描述任务规则。然后为参与者提供交互式演示，一旦他们成功证明他们理解规则，任务就会开始。对于每个任务，参与者使用键盘上的“d”和“k”键回答“是”或“否”。Cogstate 的监督版本具有临床有效性、可靠性和对年龄影响的敏感性，并用于 MCI 受试者。1 先前的报告已验证了 Cogstate 在家中由无人监督的参与者使用，包括来自 Mayo Clinic 和 ADNI 的报告。
使用深度神经网络对阿尔茨海默病进行四向分类...
阿尔茨海默病 (AD) 是一种神经退行性疾病，会对包括海马体在内的多个大脑区域造成不可逆的损害，从而导致认知、功能和行为受损。早期诊断该疾病将减少患者及其家属的痛苦。为了实现这一目标，在本文中，我们提出了一种孪生卷积神经网络 (CNN) 架构，该架构采用三重态损失函数将输入的 MRI 图像表示为 k 维嵌入。我们使用预训练和非预训练的 CNN 将图像转换到嵌入空间。这些嵌入随后用于阿尔茨海默病的四向分类。使用 ADNI 和 OASIS 数据集测试了模型有效性，准确率分别为 91.83% 和 93.85%。此外，将获得的结果与文献中提出的类似方法进行了比较。
使用脑MRI图像的阿尔茨海默氏病检测-IJRPR
在[8]中，作者提出了一个新的分类框架，该框架基于多模型深CNN，用于共同学习海马分割和疾病分类。首先，立即建立了一个深CNN模型，发现了海马分裂和疾病分类的外观。基于单独的海马结构域，额外的3D致密净是Bosome，以获得富有且计数的构想面孔以进行祸害分类。最后，来自CNN和密集的净模型的知情线索与分类苦难等级有关。计划的基础工作不仅可以产生苦难等级，而且同样支持海马分离结果。MR概念手柄不需要织物分离和非线性注册。探索性结果确定了ADNI数据集说明，我们预计的方法已经完成了对阿尔茨海默氏病的希望。