用于阿尔茨海默症分期早期检测的多模态深度学习模型.pdfVIP

用于阿尔茨海默症分期早期检测的多模态深度学习模型

目前大多数阿尔茨海默症（AD）和轻度认知障碍（MCI）研究使

用单一数据模式来预测，例如AD的分期。多种数据模式的融合可以提

供AD分期分析的整体视图。因此，我们使用深度学习对成像（磁共振

成像（MRI））、基因（单核苷酸多态性（SNPs））和临床测试数据

进行综合分析，将患者分为AD、MCI和对照组（CN）。我们使用堆

叠降噪自编码器从临床和基因数据中提取特征，并使用3D卷积神经网

络（CNN）来处理成像数据。我们还提出了一种新的数据解析方法，

通过聚类和扰动分析来识别深层模型学习到的表现最好的特征。使用

ADNI的数据集，我们证明了深层模型的性能优于浅层模型，包括支持

向量机（SVM）、决策树、随机森林和k近邻（KNN）。此外，我们

还证明了集成多模态数据在准确率、精确度、召回率和平均F1分数方

面优于单通道模型。我们的模型已将海马体、杏仁核脑区和雷伊听觉

言语学习测试（RAVLT）确定为最主要的特征，这与已知的AD文献一

致。本文发表在Scientificreports杂志。深度学习在多种疾病的

临床决策支持方面显示出了巨大的潜力，包括糖