使用物理信息变分自编码器混合模型学习神经退行性疾病的机制亚型.pdfVIP

使用物理信息变分自编码器混合模型学习神经退行性

疾病的机制亚型

∗11,21

SanduniPinnawala,AnnabelleHartanto,IvorJ.A.Simpson,andPeter

A.Wijeratne1

1SussexAICentre,SchoolofEngineeringandInformatics,UniversityofSussex,UK

2SussexNeuroscience,SchoolofLifeSciences,UniversityofSussex,UK

本

译摘要

中建模神经退行性疾病的基本机制需要捕捉稀疏、高维神经影像数据中异

质性和空间变化动力学的方法。将基于偏微分方程（PDE）的物理知识与

1

v机器学习相结合，比传统的数值方法具有更强的可解释性和实用性。然而，

4当前融合物理知识的机器学习方法仅限于考虑单个PDE，严重限制了它们

2

1在多种机制负责不同组别（即亚型）疾病中的应用，并加剧了模型误规范

5和退化问题。在这里，我们提出了一种深度生成模型来学习由基于物理的

1

.PDE控制的潜在动态模型混合体，超越了传统方法中假设单个PDE结构

9的假设。我们的方法在变分自编码器（VAE）混合模型框架内整合反应扩散

0

5PDE，支持从神经影像数据中推断可解释的潜在变量亚型（例如扩散率和

2反应速率）。我们在合成基准上评估了我们的方法，并展示了其揭示阿尔茨

:

v海默病进展机制亚型的潜力，这些信息来自于正电子发射断层扫描（PET）

i

x数据。

r

a

1引言

神经退行性疾病，如阿尔茨海默病（AD），目前被认为是由于病理蛋白（tau

和淀粉样蛋白）在大脑中的传播[3]引起的。正电子发射断层扫描（PET）成像

通常用于获得体内tau和淀粉样蛋白浓度的替代测量；最近，诸如阿尔茨海默

病神经影像计划（ADNI）[17]等纵向PET研究提供了tau和淀粉样蛋白时空

动态的测量数据，支持疾病传播机制模型的发展[25]。这些时空动态通常使用偏

微分方程（PDEs）进行数学建模，这赋予了模型参数和函数形式可解释性。最

近，已将PDEs集成到机器学习框架中，以利用其能力将推理扩展到大型、高

维数据集[13]。

∗m.pinnawala@sussex.ac.uk

1

使用基于PDE的方法的挑战之一是，与tau和淀粉样蛋白传播相关的PDE

的结构和参数并不完全已知。进一步复杂化问题的是，神经退行性疾病如AD在

个体之间的进展高度异质，在tau和淀粉样蛋白PET[6,22]中