Мультимодальные модели глубокого обучения для раннего выявления стадии болезни Альцгеймера

Multimodal deep learning models for early detection of Alzheimer’s disease stage
Tong Li, May Dongmei Wang, Hamid Reza Hassanzadeh, Janani Venugopalan
2021-02-05

3D-сверточные нейронные сетинабор данных ADNIстадирование болезни Альцгеймерамультимодальное глубокое обучениестековые шумоподавляющие автокодировщики
В большинстве современных исследований болезни Альцгеймера (БА) и легких когнитивных нарушений (ЛКН) для прогнозирования, например определения стадии БА, используется единственная модальность данных. Объединение нескольких модальностей данных позволяет получить целостное представление о стадировании БА. Поэтому мы применяем глубокое обучение (DL) для комплексного анализа визуализационных данных (магнитно-резонансной томографии (МРТ)), генетических данных (однонуклеотидных полиморфизмов (SNP)) и данных клинических тестов с целью классификации пациентов на группы БА, ЛКН и когнитивно здоровых лиц контроля (CN). Для извлечения признаков из клинических и генетических данных мы используем каскадные автоэнкодеры с подавлением шума, а для визуализационных данных — трехмерные сверточные нейронные сети (3D-CNN). Кроме того, мы разрабатываем новый метод интерпретации данных для выявления наиболее информативных признаков, изученных глубокими моделями, с помощью кластерного анализа и анализа возмущений. На наборе данных Инициативы по нейровизуализации болезни Альцгеймера (ADNI) мы показываем, что глубокие модели превосходят неглубокие модели, включая машины опорных векторов, деревья решений, случайные леса и алгоритмы k ближайших соседей. Кроме того, мы демонстрируем, что интеграция мультимодальных данных превосходит модели, основанные на одной модальности, по показателям точности, прецизионности, полноты и среднего значения F1. Наши модели выявили гиппокамп, миндалину и тест слухоречевого обучения Рея (RAVLT) как наиболее дискриминирующие признаки, что согласуется с устоявшимися данными литературы о болезни Альцгеймера.
1
Мультимодальная система глубокого обучения объединяет данные МРТ, SNP и клинических тестов для классификации пациентов на группы болезни Альцгеймера, лёгких когнитивных нарушений и когнитивно здоровых лиц.
2
Анализ интерпретируемости выявляет гиппокамп, миндалевидное тело и тест слухоречевого обучения Рея как наиболее различительные признаки, что согласуется с известными данными об болезни Альцгеймера.
3
Объединение мультимодальных данных превосходит модели на основе одной модальности по точности, precision, recall и среднему показателю F1.
4
На наборе данных ADNI модели глубокого обучения превосходят традиционные методы, включая метод опорных векторов, деревья решений, случайные леса и метод k ближайших соседей.
5
Для извлечения признаков из клинических и генетических данных применяются многослойные зашумляющие автоэнкодеры, а данные МРТ обрабатываются трёхмерными свёрточными нейронными сетями.

лица с болезнью Альцгеймера, лёгкими когнитивными нарушениями и нормальным когнитивным статусом, охарактеризованные по данным МРТ, SNP и клинических тестов

классификация стадии заболевания на основе мультимодального глубокого обучения и выявление различающих признаков визуализации, генетических и клинических данных

Publication Details
Publication Date
2021-02-05
Journal
Publisher
ISSN
Cited by
745
Access Type
Author Information
Authors
Tong Li
May Dongmei Wang
Hamid Reza Hassanzadeh
Janani Venugopalan
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%